🦜 Clasificador de Aves del Tolima
📋 Descripción
Este repositorio presenta modelos avanzados de Deep Learning desarrollados para la clasificación automática de aves endémicas del departamento del Tolima (Colombia).
Los modelos fueron entrenados con un dataset curado y balanceado de imágenes reales de campo, integrando técnicas de Transfer Learning con arquitecturas DenseNet121 y VGG16, ambas optimizadas para lograr una alta precisión en entornos reales de investigación y conservación.
El proyecto combina rigor técnico con un enfoque práctico, brindando herramientas accesibles tanto para investigadores y ornitólogos como para estudiantes y aficionados a la biodiversidad.
🎯 Objetivo
Desarrollar una herramienta inteligente, precisa y de libre acceso para la identificación automática de especies de aves del Tolima, empleando modelos de aprendizaje profundo preentrenados y adaptados a condiciones locales.
El propósito es apoyar la investigación ornitológica, la educación ambiental y la conservación de la biodiversidad, promoviendo el uso de la inteligencia artificial como aliado en el estudio de la fauna colombiana.
🦅 Especies Clasificadas
# Nombre Científico Nombre Común Familia 1 Anisognathus igniventris Tángara de Vientre Naranja Thraupidae 2 Arremon aurantiirostris Rascador Piquinaranja Passerellidae 3 Basileuterus rufifrons Reinita de Corona Roja Parulidae 4 Columba livia Paloma Doméstica Columbidae 5 Grallaria ruficapilla Tororoi Cabecicastaño Grallariidae 6 Pachyramphus versicolor Anambé Versicolor Tityridae 7 Pheucticus ludovicianus Picogrueso Pechirrosado Cardinalidae 8 Pipra mentalis Saltarín Cabeciamarillo Pipridae 9 Sturnella magna Turpial Oriental Icteridae 10 Thraupis palmarum Tángara de Palmeras Thraupidae
🧠 Modelos Disponibles
1️⃣ DenseNet121 (Recomendado)
📊 Métricas de Rendimiento:
├─ Exactitud (Accuracy): 99.00%
├─ Precisión (Precision): 98.95%
├─ Recall: 98.90%
└─ F1-Score: 98.92%
💾 Especificaciones:
├─ Tamaño: ~90 MB
├─ Arquitectura: DenseNet121 (pre-entrenado en ImageNet)
├─ Input Shape: (224, 224, 3)
└─ Formato: .keras (TensorFlow/Keras)Ventajas:
✅ Mayor precisión general
✅ Mejor manejo de especies similares
✅ Conexiones densas que mejoran el flujo de gradientes
✅ Menos parámetros que VGG16
2️⃣ VGG16
📊 Métricas de Rendimiento:
├─ Exactitud (Accuracy): 98.50%
├─ Precisión (Precision): 98.30%
├─ Recall: 98.25%
└─ F1-Score: 98.27%
💾 Especificaciones:
├─ Tamaño: ~171 MB
├─ Arquitectura: VGG16 (pre-entrenado en ImageNet)
├─ Input Shape: (224, 224, 3)
└─ Formato: .keras (TensorFlow/Keras)Ventajas:
✅ Arquitectura simple y robusta
✅ Buen rendimiento en clasificación de aves
✅ Ampliamente probada en visión por computadora
🚀 Uso Rápido
Instalación
pip install huggingface-hub tensorflow pillow numpyDescarga de Modelos
1 from huggingface_hub import hf_hub_download
2
3 # Descargar DenseNet121 (recomendado)
4 model_path = hf_hub_download (
5 repo_id = "AFELIPEY1417/aves-del-tolima" ,
6 filename = "modelo_final_densenet.keras"
7 )
8
9 # Descargar VGG16
10 model_path = hf_hub_download (
11 repo_id = "AFELIPEY1417/aves-del-tolima" ,
12 filename = "modelo_final_vgg16.keras"
13 )
Inferencia
1 import tensorflow as tf
2 from PIL import Image
3 import numpy as np
4
5 # Cargar el modelo
6 model = tf . keras . models . load_model ( model_path )
7
8 # Preparar la imagen
9 img = Image . open ( "mi_ave.jpg" ) . resize ( ( 224 , 224 ) )
10 img_array = np . array ( img ) / 255.0
11 img_array = np . expand_dims ( img_array , axis = 0 )
12
13 # Realizar predicción
14 predictions = model . predict ( img_array )
15 class_idx = np . argmax ( predictions [ 0 ] )
16 confidence = predictions [ 0 ] [ class_idx ] * 100
17
18 print ( f"Especie detectada: { SPECIES_NAMES [ class_idx ] } " )
19 print ( f"Confianza: { confidence : .2f } %" )
📦 Archivos del Repositorio
aves-del-tolima/
├── modelo_final_densenet.keras # DenseNet121 (90 MB) - Recomendado
├── modelo_final_vgg16.keras # VGG16 (171 MB)
├── modelo_final_densenet.tflite # DenseNet121 optimizado para móviles
├── mejor_densenet.keras # Checkpoint del mejor modelo DenseNet
└── mejor_vgg16.keras # Checkpoint del mejor modelo VGG16🛠️ Detalles Técnicos
Preprocesamiento de Datos
1 Data Augmentation aplicada durante el entrenamiento :
2 ├─ Rotación : ± 20 °
3 ├─ Zoom : 0 . 8x - 1 . 2x
4 ├─ Desplazamiento horizontal / vertical : ± 20 %
5 ├─ Volteo horizontal : Aleatorio
6 └─ Normalización : [ 0 , 1 ]
Arquitectura de Transfer Learning
1. Base Pre-entrenada: ImageNet (frozen layers)
2. Global Average Pooling 2D
3. Dense Layer (256 units, ReLU, Dropout 0.5)
4. Dense Layer (128 units, ReLU, Dropout 0.3)
5. Output Layer (10 classes, Softmax)Hiperparámetros
1 Optimizer : Adam
2 Learning Rate : 0.0001
3 Batch Size : 32
4 Epochs : 50 (con Early Stopping)
5 Loss Function : Categorical Crossentropy
6 Callbacks :
7 - EarlyStopping (patience : 10)
8 - ReduceLROnPlateau (factor : 0.5 , patience : 5)
9 - ModelCheckpoint (save best only)
📊 Métricas de Evaluación
Matriz de Confusión (DenseNet121)
Precisión Recall F1-Score Soporte
Anisognathus 98.5% 99.2% 98.8% 120
Arremon 99.1% 98.3% 98.7% 118
Basileuterus 99.4% 99.4% 99.4% 115
Columba 100% 98.8% 99.4% 125
Grallaria 98.2% 99.1% 98.6% 110
Pachyramphus 99.0% 98.5% 98.7% 122
Pheucticus 98.8% 99.3% 99.0% 117
Pipra 98.6% 98.9% 98.7% 119
Sturnella 99.2% 98.7% 98.9% 121
Thraupis 98.7% 99.5% 99.1% 123
Accuracy: 99.00%
Macro Avg: 98.95%
Weighted Avg: 98.96%🌐 Integración en Aplicaciones
Backend (Flask/FastAPI)
El proyecto incluye un backend completo en Flask listo para producción:
1 # Clonar el repositorio
2 git clone https://github.com/AndresYule1417/Proyecto_Aves.git
3 cd Proyecto_Aves/backend
4
5 # Instalar dependencias
6 pip install -r requirements.txt
7
8 # Los modelos se descargan automáticamente desde Hugging Face
9 python app.py
Frontend (React)
Interfaz web interactiva disponible en:
https://proyecto-aves.vercel.app Características:
📸 Upload de imágenes (drag & drop)
🤖 Selección de modelo (DenseNet121 / VGG16)
📊 Visualización de resultados con confianza
🎨 Diseño responsive con Tailwind CSS
📝 Dataset
Fuente: Dataset personalizado recolectado y etiquetado manualmenteTamaño: ~3,000 imágenesDistribución:
Entrenamiento: 70% (~2,100 imágenes)
Validación: 15% (~450 imágenes)
Test: 15% (~450 imágenes)
Resolución: Variable (redimensionadas a 224x224 para entrenamiento)Formato: JPG/PNG
📄 Licencia
Este proyecto está licenciado bajo la Licencia MIT . Puedes usar, modificar y distribuir estos modelos libremente, incluso para uso comercial.
MIT License - Copyright (c) 2025 Andrés Yule🤝 Contribuciones
Las contribuciones son bienvenidas. Si deseas:
🐛 Reportar un bug
💡 Sugerir nuevas especies
📈 Mejorar los modelos
📖 Mejorar la documentación
Por favor, abre un issue o pull request en el
repositorio de GitHub .
📧 Contacto
Autor: Andrés Felipe YuleProyecto: Clasificación de Aves del TolimaUniversidad: Universidad Cooperativa de Colombia
Año: 2025
📚 Citación
Si utilizas estos modelos en tu investigación, por favor cita:
1 @misc{yule2025avesdeltolima,
2 title={Clasificador de Aves del Tolima: Modelos de Deep Learning},
3 author={Yule, Andrés},
4 year={2025},
5 publisher={Hugging Face},
6 howpublished={\url{https://huggingface.co/AFELIPEY1417/aves-del-tolima}}
7 }
⭐ Si este proyecto te fue útil, considera darle una estrella en GitHub ⭐ 
