- **CNN personalizado:** 

Cree un modelo de red neuronal convolucional personalizado como backbone (features extractor) y entrénelo desde cero evidenciando sus resultados (1 punto) 

- **Predicción del cuadro delimitador (Bounding box):** 

Implemente una cabeza de regresión que se alimenta con las características extraídas del backbone convolucional. (1 punto) 

- **Clasificación de objetos:** 

Implementar una cabeza de clasificación que se alimenta con las características extraídas del backbone convolucional
Nota para este y el punto anterior: Se debe modificar el código entregado, al menos tres hiperparámetros para su respectivo análisis y comparación del desempeño del modelo. (1 punto) 

- **Aumento de datos (Data Augmentation):** 

Implementa y analiza el uso de diferentes técnicas de aumento de datos para ver su impacto en el desempeño de ambas tareas (clasificación y regresión). Se debe justificar el uso de las diferentes transformaciones. (0,5 puntos) 

- **Transferir aprendizaje (Transfer learning):** 

Usar al menos dos modelos preentrenados como backbones y los conecta con las cabezas de clasificación y regresión creadas previamente. (1 punto) 

- **Elección del Mejor Modelo:** 

El estudiante selecciona y justifica el modelo final de clasificación y regresión con base en las métricas obtenidas, las visualizaciones de los resultados de predicción y la discusión crítica de los hallazgos. (0,5 puntos) 

- **Notas clave:** 

- Entregar el notebook con las output cell's visibles (corran el nb antes de enviarlo para ver las salidas)
- Indicar los nombres de los integrantes en el inicio del nb
- No se califican trabajos presentados por grupos inferiores ni superiores a 2 personas
- El Notebook debe ser autocontenido y documentado
- Se sugiere desarrollar el nb de manera secuencial siguiendo los puntos de la rúbrica
- El ejercicio debe limitarse a las técnicas implementadas durante el curso
- En el siguiente enlace encontrará el acceso a la rúbrica de evaluación, la cual le servirá de guía para el desarrollo del taller (https://icesiedu-my.sharepoint.com/:x:/g/personal/1094919565_u_icesi_edu_co/IQDjYwe9q-oFTL_53pUmSF-qAT-GDdS4BRPwEyyqG5V5fu0?e=aXGBCQ)


- **Competencia** 

Adicionalmente, al tratarse de una competencia, según la posición en la misma se otorgarán puntos de bonificación de la siguiente manera: 

* Primer grupo: 1 punto 
* Segundo grupo: 0.6 puntos 
* Tercer grupo: 0.3 puntos 

Tengan en cuenta que deben seguir un protocolo correcto de evaluación para evitar la fuga de datos de los conjuntos de prueba en los pasos de procesamiento de datos. Los errores serán sancionados (-0,5 puntos cada uno). La métrica de evaluación para esta competencia es el [coeficiente de dados] (https://www.kaggle.com/code/yerramvarun/understanding-dice-coefficient/notebook) para la tarea de regresión de cuadro delimitador y [accuracy](https://developers.google.com/machine-learning/crash-course/classification/accuracy) para la tarea de clasificación de objetos. 

## Submission 

**Para cada conjunto de técnicas en el dataset**, los submission deben contener las siguientes columnas: 

| filename      | class                         | xmin     | ymin     | xmax     | ymax     |
|--------------|--------------------------------|----------|----------|----------|----------|
| 6_test.jpg   | Chevrolet Corvette ZR1 2012    | 63.2432  | 157.2547 | 334.4865 | 305.5871 |
| 300_test.jpg | Chevrolet Corvette ZR1 2012    | 56.0248  | 123.9596 | 403.7647 | 371.8788 |