{
  "fetched_at": "2026-10-19T23:59:58Z",
  "source_url": "https://www.kaggle.com/competitions/af-ii-2023-i-object-localization/data",
  "pages": [
    {
      "name": "data-description",
      "content": "## Files\n\n*   **train.csv** - the training set\n*   **test.csv** - the test set\n*   **sample_submission.csv** - a sample submission file in the correct format\n*  **images.zip** - images folder\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Han sido contratados por una gran startup del sector agrícola para desarrollar un modelo predictivo que tiene que determinar la localización y tipo de diferentes vegetales que aparecen en una imagen. Se le proporciona un conjunto de datos que contiene imágenes y sus anotaciones correspondientes. Se garantiza que cada imagen contiene solo un objeto de tres clases posibles, su modelo debe detectar qué tipo de objeto es y dónde se encuentra.\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "## Evaluación \n\n- **CNN personalizado:**\n\nCree un modelo de red neuronal convolucional personalizado como backbone (features extractor) y entrénelo desde cero (1,5 puntos)\n\n- **Predicción del cuadro delimitador (Bounding box):**\n\nImplemente una cabeza de regresión que se alimenta con las características extraídas del backbone convolucional. (1 punto)\n\n- **Clasificación de objetos:**\n\nImplementar una cabeza de clasificación que se alimenta con las características extraídas del backbone convolucional (1 punto)\n\n- **Transferir aprendizaje (Transfer learning):**\n\nUsar dos modelos preentrenados como backbones y conectar los creados previamente cabezas de clasificación y regresión para recibir entradas de ellas. (1 punto)\n\n- **Aumento de datos (Data Augmentation):**\n\nCompara el uso de diferentes técnicas de aumento de datos para ver su impacto en el desempeño de ambas tareas (clasificación y regresión) (0,5 puntos)\n\n- **Competencia**\n\nAdicionalmente, al tratarse de una competencia, según la posición en la misma se otorgarán puntos de bonificación de la siguiente manera:\n\n* Primer grupo: 1 punto\n* Segundo grupo: 0.6 puntos\n* Tercer grupo: 0.3 puntos\n\nTengan 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). \nLa 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. \n\n## Submission \n\n**Para cada conjunto en el conjunto de datos**, los submission deben contener las siguientes columnas: \n* `nombre de archivo`, el nombre de archivo de la imagen \n* `clase`, la clase predicha",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": " - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}