Josezzz13/MALAR-IA-

Clasificación de Células sanguíneas con Deep Learning. # 🩸 MalarIA ### Clasificación de células sanguíneas mediante Deep Learning --- Este proyecto implementa un modelo de clasificación de imágenes para diferenciar células sanguíneas **parasitadas por malaria** (`Parasitized`) de células **no infectadas** (`Uninfected`). Para ello se utiliza el dataset **Cell Images for Detecting Malaria** disponible en Kaggle y una arquitectura **EfficientNet-B0** preentrenada, aplicando técnicas de **Transfer Learning** y **Fine-Tuning**. El proyecto fue desarrollado en **Python con PyTorch** y está preparado para ejecutarse en **Google Colab utilizando GPU mediante CUDA**. ## 📑 Tabla de contenidos 1. Objetivo 2. Dataset 3. Pasos realizados 4. Resumen del flujo implementado 5. Cómo ejecutar el código 6. Requisitos 7. Estructura del repositorio 8. Consideraciones 9. Tecnologías utilizadas 10. Autores --- ## 🎯 Objetivo El objetivo del proyecto es construir un clasificador capaz de recibir una imagen microscópica de una célula sanguínea y asignarla a una de las siguientes clases: ``` Parasitized Uninfected ``` El flujo general del proyecto es: ``` Dataset → Carga y exploración → Preprocesamiento → División de los datos → EfficientNet-B0 → Transfer Learning → Fine-Tuning → Evaluación → Visualización de resultados ``` --- ## 🦠 Dataset Se utiliza el dataset **Cell Images for Detecting Malaria**, disponible en Kaggle bajo el identificador: ``` iarunava/cell-images-for-detecting-malaria ``` El dataset contiene imágenes reales de células sanguíneas distribuidas en dos carpetas: ``` Parasitized/ Uninfected/ ``` > ⚠️ El dataset **no** se almacena directamente dentro del repositorio. El código se encarga de descargarlo automáticamente durante la ejecución. --- ## 🛠️ Pasos realizados ### 1. Configuración del entorno Primero se importan las librerías necesarias para trabajar con imágenes, redes neuronales, GPU, visualización y descarga del dataset. Las principales herramientas utilizadas son: | Herramienta | Uso | |-- …