](https://colab.research.google.com/github/cesardataviz/Deep-Learning-G3/blob/main/notebook/Proyecto_Final_DL_Car_Damage_Colab.ipynb)

Diploma de Especialización en Data Analytics · Curso Deep Learning · Universidad ESAN Profesor: Javier Zárate

📑 Tabla de contenidos

• Objetivo
• Cumplimiento de la rúbrica
• Fases del desarrollo
• Los datos
• Arquitectura
• Resultados principales
• Explicabilidad (Grad-CAM)
• Cómo correr el notebook
• Limitaciones y trabajo futuro
• Estructura del repositorio
• Autores

---

🎯 Objetivo

Clasificar automáticamente la severidad de daños vehiculares (minor / moderate / severe) para triage de siniestros de seguros: un CNN entrenado desde cero se compara contra ResNet18 (transfer learning), y ambos se auditan con Grad-CAM antes de considerar cualquier despliegue — un modelo con buen accuracy pero decisiones no explicables no es aceptable en un sistema que afecta pagos de seguros.

✅ Cumplimiento de la rúbrica

Criterio de la rúbrica	Dónde se cumple	Evidencia
Informe — contextualiza el problema en Deep Learning	informe/Informe_Proyecto_Final.pdf, Sección 1	Problema de negocio (triage), encuadre como clasificación + explicabilidad
Implementación — representación, arquitectura, entrenamiento, hiperparámetros justificados	Notebook, secciones de arquitectura y entrenamiento	Tabla de hiperparámetros con justificación, 2 arquitecturas comparadas
Resultados — métricas antes/después, comparación, limitaciones	Notebook + informe, Sección 3	Accuracy, F1, Kappa cuadrático, matrices de confusión, Grad-CAM, limitaciones explícitas

🧩 Fases del desarrollo

Todas las fases están en un solo notebook: notebook/Proyecto_Final_DL_Car_Damage_Colab.ipynb

Fase	Secciones del notebook	Contenido
1️⃣ Preprocesamiento de datos	Data → Pipeline de datos	Carga del dataset (Kaggle), split train/val/test estratificado, Data Augmentation, WeightedRandomSampler
2️⃣ Entrenamiento	Arquitectura A — CNN desde cero → Arquitectura B — ResNet18 → Entrenamiento	CNN desde cero (5 bloques + GAP), ResNet18 con fine-tuning gradual (3 etapas)
3️⃣ Evaluación del modelo	Evaluación comparativa → Grad-CAM → Auditoría de negocio	Accuracy, F1, Cohen's Kappa cuadrático, matrices de confusión, Grad-CAM desde cero
4️⃣ Prueba del objetivo del trabajo	Probar el modelo con una imagen puntual	Inferencia sobre una imagen (test set o subida por el usuario), con predicción + Grad-CAM en vivo

📊 Los datos

• 1,383 imágenes de entrenamiento + 248 de validación/test (124 c/u).
• Dataset: Car Damage Severity Dataset (Kaggle).

⚠️ Ver limitación del dataset

Las fotos están curadas y bien encuadradas hacia el daño. Una foto real de un cliente (fondo, ángulo, mala luz) es más difícil — el desempeño reportado aquí es un techo optimista, no una estimación de desempeño en producción.

🏗️ Arquitectura

🔍 ¿Por qué Global Average Pooling en vez de Flatten + Dense?

Es la arquitectura que Selvaraju et al. (2020) identifican como caso especial de CAM: los pesos de la capa final se vuelven directamente interpretables como importancia por canal — el modelo se diseñó pensando en explicabilidad desde el inicio, no como un añadido posterior.

🔍 ¿Por qué ResNet18 se entrena en 3 etapas (fine-tuning gradual)?

Descongelar todo el backbone desde la época 1 mete gradientes ruidosos de la capa final (recién inicializada) hacia pesos preentrenados que ya eran buenos. Se entrena en 3 etapas: solo fc → se descongela layer4 → se descongela también layer3. Da más estabilidad que descongelar todo de golpe.

📈 Resultados principales

Métrica	CNN desde cero	ResNet18 (TL)
Accuracy	58.1%	66.1%
Cohen's Kappa (cuadrático)	0.660	0.716

Hallazgo clave: el CNN desde cero, aunque con menor accuracy, comete errores "baratos" (confunde clases adyacentes) y casi nunca errores "caros" (confundir minor con severe) — comportamiento esperable de un modelo que aprendió una representación razonable del problema pese a no tener el prior de ImageNet.

🔥 Explicabilidad (Grad-CAM)

Grad-CAM se implementó desde cero (sin librerías de alto nivel), siguiendo Selvaraju et al. (2020), para auditar si ambos modelos basan sus decisiones en la zona de daño real del vehículo o en correlaciones espurias (fondo, marca, placa) — paso obligatorio antes de considerar cualquier uso en un flujo real de triage de siniestros.

✅ Ver checklist de auditoría de negocio

Pregunta	Resultado
¿El modelo mira el daño real?	✅ Sí, tras agregar un 5to bloque conv al CNN
¿Hay correlaciones espurias (fondo, marca, placa)?	✅ No detectadas en los ejemplos auditados
¿Los errores son razonables?	✅ Sí — suele mirar la zona correcta pero subestima el grado
¿Auditoría exhaustiva de todo el test set?	⚠️ Pendiente — solo se revisaron 2-3 ejemplos por modelo

▶️ Cómo correr el notebook

1. Clic en el badge "Open in Colab" de arriba (o abre el .ipynb manualmente en Colab).
2. Activa GPU: Runtime → Change runtime type → T4 GPU.
3. Ejecuta celda por celda, en orden.
4. La sección Data imprime la estructura real del dataset descargado — verifícala antes de continuar (la ruta de Kaggle puede variar).

⚠️ Limitaciones y trabajo futuro

Ver detalle

• Validez externa: dataset curado, no fotos reales de clientes.
• Un solo split de test (~124 imágenes): no se validó estabilidad con múltiples semillas o k-fold.
• No implementado aún: ensemble (CNN + ResNet18), Test-Time Augmentation, umbral de confianza/abstención.
• Formulación categórica de un problema ordinal: una extensión futura debería usar regresión ordinal (p. ej. CORAL) en vez de Cross-Entropy estándar.

📁 Estructura del repositorio

proyecto-final-dl-car-damage/
├── README.md
├── assets_para_github_2/                 <- imágenes usadas en este README
├── notebook/
│   └── Proyecto_Final_DL_Car_Damage_Colab.ipynb
├── informe/
│   └── Informe_Proyecto_Final.pdf
└── presentacion/
    └── Presentacion_Proyecto_Final.pdf

👥 Autores

Integrante	Rol
Cesar Augusto Romero Aranda	—
Sara Katiuska Diaz Mendo	—
German Rodrigo Guerra Wiegman	—
Esteban Tocto Cano	—
Emmil Parras Salinas	—

---

Proyecto académico — Diploma de Especialización en Data Analytics, Universidad ESAN (2026)