VIREC: Visión Inteligente de Reciclaje ♻️

Prototipo de un clasificador de residuos sólidos utilizando visión por computador y aprendizaje por transferencia. Este proyecto fue desarrollado como el proyecto final del bootcamp de IA Nivel Explorador de TalentoTECH.

🚀 Stack Tecnológico

---

📋 Descripción del Proyecto

VIREC es un pipeline de MLOps de extremo a extremo que permite:

• Gestionar y sanitizar un dataset de imágenes de forma colaborativa.
• Entrenar y evaluar modelos de clasificación de imágenes de forma automatizada.
• Desplegar el mejor modelo en una interfaz web interactiva.

📂 Estructura del Repositorio

• /notebooks: Contiene los Google Colab notebooks para cada etapa del pipeline.
  • 00_Preparacion_y_Auditoria_Datos.ipynb: Herramientas para sanitizar datos crudos (convertir HEIC, eliminar duplicados por hash) y auditar la consistencia de todo el pipeline.
  • 01_Preprocesamiento_Dataset.ipynb: Script para organizar y dividir el dataset en conjuntos de entrenamiento, validación y prueba.
  • 02_Entrenamiento_Modelo.ipynb: Pipeline automatizado para ejecutar experimentos de entrenamiento definidos en Google Sheets.
  • 03_Streamlit_App_Launcher.ipynb: Notebook para seleccionar un modelo entrenado y lanzar la interfaz web a través de un túnel de ngrok.
• /streamlit_app: Contiene el código fuente de la aplicación de Streamlit (app.py) y sus activos estáticos (CSS, logo).
• /google_workspace: Incluye el código de Apps Script y las plantillas CSV para configurar las Hojas de Cálculo de Google.
• /assets: Imágenes y diagramas utilizados en la documentación.
• requirements.txt: Archivo que lista todas las dependencias de Python del proyecto.
• config.py.template: Plantilla para el archivo de configuración local.

---

⚙️ Instalación y Configuración

Sigue estos pasos para poner en marcha el proyecto en tu propio entorno de Google.

1. Clonar el Repositorio

git clone https://github.com/tu-usuario/Proyecto_VIREC.git

2. Configurar Google Drive

• Sube la carpeta clonada Proyecto_VIREC a tu "Mi unidad" en Google Drive.
• Dentro de Proyecto_VIREC/dataset/, crea las carpetas fotos_crudas_propias y fotos_crudas_externas y sube tus imágenes allí.

3. Configurar Google Sheets y Apps Script

• Crea dos Hojas de Cálculo en tu Google Drive.
• Hoja de Etiquetas:
  • Dale el nombre que prefieras (ej. "VIREC - Hoja de Etiquetas").
  • Asegúrate de que la primera pestaña se llame "Lista de etiquetas".
  • Copia los encabezados de google_workspace/hoja_etiquetas_template.csv.
  • Abre Extensiones > Apps Script, borra el código por defecto y pega el contenido de google_workspace/apps_script_code.js. Guarda el proyecto.
• Hoja de Experimentos:
  • Dale el nombre que prefieras (ej. "VIREC - Hoja de Experimentos").
  • Asegúrate de que la primera pestaña se llame "Experimentos".
  • Copia los encabezados de google_workspace/hoja_experimentos_template.csv.

4. Crear tu Archivo de Configuración Local (config.py)

• En la raíz de tu proyecto, haz una copia de config.py.template y renómbralo a config.py.
• Abre config.py y rellena todas las variables con tu información personal. Este archivo no se subirá a GitHub.

---

🏃‍♂️ Cómo Ejecutar el Pipeline

1. Sanitizar: Abre 00_Preparacion_y_Auditoria_Datos.ipynb en Google Colab. Ejecuta las celdas para limpiar tus datos crudos.
2. Sincronizar: Usa la herramienta en Google Sheets (menú 🤖 VIREC Tools) para listar los nuevos archivos limpios.
3. Etiquetar: Rellena las etiquetas en la hoja de cálculo.
4. Organizar: Abre 01_Preprocesamiento_Dataset.ipynb y ejecútalo para organizar tu dataset en train/val/test.
5. Experimentar: Define tus experimentos en la "Hoja de Experimentos".
6. Entrenar: Abre 02_Entrenamiento_Modelo.ipynb y ejecútalo para entrenar tus modelos de forma automatizada.
7. Lanzar Interfaz: Abre 03_Streamlit_App_Launcher.ipynb, selecciona el modelo que quieres probar y ejecuta las celdas para lanzar la aplicación web.