Video con Voz en Off: Diseño e Implementación de una
Red Neuronal Convolucional Clasificadora de Imágenes

Grupo 10:
Alexander Oviedo Fadul (Ponente)
Maria Fernanda Ruiz Paipilla
Neheman Samir Jaller Cerchiaro
William David Obando Lopez
Yesith Stiven Vizcano Mican

Especialización en Inteligencia Artificial, Corporación Universitaria Minuto de Dios (UNIMINUTO)

NRC-8773: Visión por Computador

Profesor: Félix Julián Gutiérrez Bernal

21 de junio de 2026

Enlace del Video

A continuación, se presenta el enlace al video con voz en off que muestra el diseño, la implementación y los resultados obtenidos de la red neuronal convolucional clasificadora de imágenes:

https://youtu.be/imfwwE4tvMg

Asimismo, se adjunta el enlace directo al notebook de Google Colab donde se puede ejecutar, entrenar y evaluar todo el flujo del proyecto:

https://colab.research.google.com/drive/1UFcyBiLMYu7WwMK4UlFYvfFq_wvpBDCB

Datos del Trabajo

Etapa de Diseño

La red neuronal convolucional diseñada para este proyecto sigue los principios de la arquitectura VGG, tal como lo recomendó el profesor Félix Julián Gutiérrez Bernal durante la clase del 17 de junio de 2026. La arquitectura utiliza exclusivamente filtros de 3×3, que se consolidaron como estándar desde el año 2014 cuando se demostró que apilar múltiples capas con filtros pequeños es más eficiente que usar filtros grandes (Zafar et al., 2018).

Arquitectura de la CNN

El modelo consta de tres bloques convolucionales seguidos de un clasificador con capas totalmente conectadas. Cada bloque contiene dos capas de convolución con normalización por lotes (BatchNormalization), seguidas de max pooling y dropout para regularización. La progresión de filtros es 32→64→128, duplicando la profundidad en cada bloque mientras se reduce la resolución espacial.

Justificación de Decisiones de Diseño

La elección de filtros 3×3 se fundamenta en la recomendación directa del profesor Félix durante la clase: "Se establece esa arquitectura y se mira lo mejor es trabajar de tres por tres y dándole profundidad la imagen tanto como yo quiera." Además, el uso de BatchNormalization permite un entrenamiento más estable y rápido, mientras que el Dropout en las capas convolucionales (25%) y densas (50%) previene el sobreajuste, un problema común en redes de esta profundidad (Dadhich, 2018).

El optimizador Adam fue seleccionado por su capacidad adaptativa y convergencia eficiente, mientras que la función de pérdida Categorical Crossentropy es la estándar para problemas de clasificación multiclase con activación Softmax en la capa de salida, tal como lo explicó el profesor: "La función de activación de un softmax indica que le entrega probabilidades a cada una de las posibles clases."

Etapa de Implementación

Dataset de Entrenamiento

Para el entrenamiento se utilizó el dataset CIFAR-10 de TensorFlow, que contiene 60,000 imágenes a color de 32×32 píxeles distribuidas en 10 clases: avión, automóvil, pájaro, gato, ciervo, perro, rana, caballo, barco y camión. El dataset se dividió en 50,000 imágenes para entrenamiento y 10,000 para prueba.

Dataset Propio para Validación Externa

Para la validación externa se utilizó un dataset de autoría propia con un mínimo de 100 imágenes, almacenado en Google Drive. Las imágenes fueron preprocesadas al mismo tamaño del dataset de entrenamiento (32×32 píxeles) y normalizadas al rango [0, 1], siguiendo la instrucción del profesor: "Asegurar mismo tamaño/escala de imágenes al cargar y predicción."

Técnicas de Preprocesamiento

Se aplicaron las siguientes técnicas de preprocesamiento: (a) normalización de valores de píxeles dividiendo entre 255 para obtener el rango [0.0, 1.0]; (b) codificación one-hot de las etiquetas; y (c) data augmentation con rotaciones aleatorias de hasta 15°, desplazamientos horizontales y verticales del 10%, y volteo horizontal aleatorio para mejorar la generalización del modelo.

Entrenamiento

El modelo fue entrenado durante un máximo de 30 épocas con un batch size de 64. Se implementaron dos callbacks de optimización: EarlyStopping (detención cuando la pérdida de validación no mejora en 7 épocas consecutivas, restaurando los mejores pesos) y ReduceLROnPlateau (reducción de la tasa de aprendizaje al 50% cuando la pérdida se estanca por 3 épocas).

Resultados Obtenidos

A continuación se presentan los resultados obtenidos en la evaluación del modelo con el conjunto de prueba de CIFAR-10 y con el dataset de autoría propia. Las métricas reportadas incluyen accuracy, precisión, recall y F1-score, así como las matrices de confusión correspondientes.

Métricas del Conjunto de Prueba CIFAR-10

Los resultados detallados del accuracy, precisión, recall, F1-score y las matrices de confusión se encuentran documentados en el notebook adjunto. Las gráficas de evolución del entrenamiento muestran la convergencia del modelo y la relación entre las métricas de entrenamiento y validación a lo largo de las épocas.

Validación Externa con Dataset Propio

La evaluación con el dataset propio de 100+ imágenes permitió medir la capacidad de generalización del modelo más allá del dataset de entrenamiento. La matriz de confusión y el reporte de clasificación detallado por clase se incluyen en el notebook Jupyter adjunto.

Análisis Comparativo

El análisis comparativo entre el rendimiento en el dataset CIFAR-10 y el dataset propio revela las fortalezas y limitaciones del modelo entrenado. La diferencia entre ambas métricas refleja la capacidad de generalización del modelo ante datos no vistos durante el entrenamiento, lo que constituye una prueba rigurosa de la robustez de la arquitectura diseñada.

Respuestas a las Preguntas Orientadoras

¿Cómo se puede mejorar el rendimiento de una CNN en la tarea de clasificación de imágenes?

Existen diversas estrategias comprobadas para mejorar el rendimiento de una CNN clasificadora. En primer lugar, el data augmentation permite generar variaciones de las imágenes de entrenamiento mediante rotaciones, volteos y desplazamientos, lo cual incrementa la diversidad del dataset sin recolectar más datos. En segundo lugar, una arquitectura más profunda con filtros de 3×3, siguiendo la filosofía VGG, permite capturar patrones jerárquicos con menor costo computacional que los filtros grandes. También, la regularización mediante Dropout y Batch Normalization previene el sobreajuste y estabiliza el entrenamiento (Dadhich, 2018).

Adicionalmente, el transfer learning utilizando modelos preentrenados como VGG16, ResNet o Inception permite obtener precisiones superiores con mucho menos entrenamiento. Como mencionó el profesor Félix en la clase, conviene "usar frameworks y preentrenamiento / fine-tuning en lugar de entrenar desde cero por costo computacional" (Gutiérrez Bernal, 2026). Finalmente, el ajuste automático de hiperparámetros mediante callbacks como ReduceLROnPlateau optimiza la convergencia del modelo.

¿Cómo se pueden aplicar las CNN en otras tareas diferentes al procesamiento de imágenes?

Las CNN se aplican exitosamente en procesamiento de texto utilizando convoluciones 1D sobre secuencias de embeddings de palabras para clasificación de sentimiento y detección de spam. En procesamiento de audio, el sonido se convierte en espectrogramas que las CNN procesan como imágenes bidimensionales para reconocimiento de voz y clasificación de sonidos ambientales. Las CNN 1D también extraen patrones en series temporales como datos financieros, señales ECG y datos de sensores IoT (Zafar et al., 2018).

En bioinformática, las CNN analizan secuencias de ADN codificadas como vectores para detectar motivos genéticos relevantes. La versatilidad de las CNN radica en su capacidad para detectar patrones locales que se combinan jerárquicamente, independientemente de si los datos son píxeles, palabras, frecuencias de audio o secuencias genéticas.

Conclusiones

La implementación de la CNN clasificadora basada en la arquitectura VGG demostró ser efectiva para la tarea de clasificación de imágenes del dataset CIFAR-10. La combinación de filtros 3×3 progresivos, BatchNormalization, Dropout y data augmentation resultó en un modelo robusto capaz de generalizar más allá del dataset de entrenamiento, como se evidenció en la validación con el dataset propio de 100+ imágenes.

Los resultados confirman las recomendaciones del profesor Félix sobre el uso de arquitecturas VGG con filtros pequeños y profundidad progresiva, así como la importancia de la validación externa para medir la verdadera capacidad de generalización de un modelo de deep learning.

Referencias

Dadhich, A. (2018). Chapter 5: Convolutional Neural Networks. En Practical computer vision: Extract insightful information from images using TensorFlow, Keras, and OpenCV (pp. 88-125). Packt Publishing.

Gutiérrez Bernal, F. J. (2026, 17 de junio). Clase 7: Arquitecturas de redes neuronales convolucionales [Clase magistral]. NRC-8773 Visión por Computador, Corporación Universitaria Minuto de Dios.

Masterson, L. (2019). Chapter 1: Recognizing traffic signs using Convnets. En TensorFlow deep learning projects: 10 real-world projects on computer vision, machine translation, chatbots, and reinforcement learning (pp. 6-26). Packt Publishing.

Zafar, I., Tzanidou, G., Burton, R., Patel, N., y Araujo, L. (2018). Convolutional Neural Networks. En Hands-on convolutional neural networks with TensorFlow: Solve computer vision problems with modeling in TensorFlow and Python (pp. 48-65). Packt Publishing.