Construiré modelos de visión por computadora y clasificación de imágenes
Ingeniero de IA y ML
Acerca de este Servicio
¿Buscas soluciones personalizadas de visión por computadora o aprendizaje profundo desarrolladas en PyTorch?
Me especializo en construir, ajustar y evaluar modelos de visión listos para producción para aplicaciones del mundo real.
Lo que puedo construir para ti:
- Clasificación de imágenes y AI médica: CNNs, MobileNetV2, ResNet, EfficientNet.
- Detección de objetos: Modelos YOLO personalizados, seguimiento en tiempo real e integración con OpenCV.
- Ajuste y optimización de modelos: Manejo de desequilibrio de clases, funciones de pérdida personalizadas y optimización de umbrales (maximizando Recall/Precision).
- AI explicable (XAI): mapas de calor spatial Grad-CAM para verificar visualmente las predicciones del modelo.
- APIs de inferencia personalizadas: microservicios con FastAPI para desplegar tus modelos.
Lo que recibirás:
- Cuaderno de Google Colab bien documentado (.ipynb) o código fuente modular en Python (.py).
- Pesos del modelo entrenado (.pt / .pth) y archivos de configuración.
- Suite completa de evaluación: matrices de confusión Seaborn, informes de clasificación y curvas de entrenamiento.
Por favor, contáctame antes de hacer un pedido para discutir tu conjunto de datos y requisitos del modelo.
Mi porfolio
Otros servicios de Ciencia de datos y aprendizaje automático que ofrezco
FAQ
Traducción automática
¿Qué debo proporcionar antes de realizar un pedido?
Por favor, proporciona un resumen claro de tus objetivos y acceso a tu conjunto de datos (o una muestra) a través de Google Drive, Kaggle o Zip. Si aún no tienes un conjunto de datos, contáctame primero y puedo ayudarte a buscar o estructurar uno.
¿Recibiré el código completo en Python y los archivos del modelo entrenado?
¡Sí! Cada paquete incluye el cuaderno completo y bien documentado de Google Colab (.ipynb) o scripts limpios en Python (.py), junto con los pesos entrenados en PyTorch (.pt o .pth) y archivos de configuración.
¿Puedes manejar conjuntos de datos pequeños y altamente desequilibrados?
Por supuesto. Utilizo técnicas especializadas como ponderación de clases (pos_weight), pérdida focal, análisis de curvas de precisión-recall y optimización de umbrales de decisión para garantizar un rendimiento fuerte incluso en datos severamente desequilibrados.
¿Cómo sé que el modelo no es solo una "caja negra" que adivina predicciones?
Proporciono mapas de calor spatial Grad-CAM que resaltan visualmente las regiones exactas de píxeles que impulsan las decisiones del modelo, junto con matrices de confusión completas de Seaborn y métricas de clasificación (Precisión, Recall, F1-Score).
¿Puedes desplegar el modelo como una API para mi app web o móvil?
Sí, bajo el paquete Premium (o como complemento personalizado), puedo construir un microservicio ligero con FastAPI para ofrecer predicciones directamente a tu aplicación o backend web.

