Evaluación comparativa de modelos de clasificación de imágenes del medio ambiente con TensorFlow y el dataset Plant Seedlings

Resumen

El presente artículo compara el desempeño de cuatro modelos de aprendizaje profundo en la tarea de clasificación de imágenes de plántulas vegetales capturadas en condiciones naturales. Se utilizaron una red neuronal convolucional (CNN) personalizada y tres arquitecturas preentrenadas: MobileNetV2, ResNet50 y EfficientNetB0. El conjunto de datos empleado fue el Plant Seedlings Dataset, que contiene más de 4.700 imágenes de doce especies diferentes. La metodología incluyó preprocesamiento de imágenes, aumento de datos, entrenamiento en Google Colab y evaluación con métricas como exactitud, F1-score macro y matrices de confusión. Los resultados muestran que los modelos basados en transferencia de aprendizaje superan significativamente a la CNN personalizada en precisión y capacidad de generalización. EfficientNetB0 obtuvo el mejor desempeño global (98.51% de precisión), mientras que MobileNetV2 destacó por su eficiencia computacional (5 ms por predicción). ResNet50 logró una precisión competitiva (98.11%), aunque con mayores costos de entrenamiento e inferencia. Este trabajo demuestra que las arquitecturas modernas permiten clasificaciones precisas incluso en escenarios visualmente complejos, y ofrece una guía comparativa para la selección de modelos según necesidades de precisión y recursos disponibles. Los hallazgos son relevantes para aplicaciones de inteligencia artificial en ecología, monitoreo ambiental y agricultura de precisión.