## Evaluación 

- **CNN personalizado:**

Cree un modelo de red neuronal convolucional personalizado como backbone (features extractor) y entrénelo desde cero (1,5 puntos)

- **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 (1 punto)

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

Usar dos modelos preentrenados como backbones y conectar los creados previamente cabezas de clasificación y regresión para recibir entradas de ellas. (1 punto)

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

Compara 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)

- **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 en el conjunto de datos**, los submission deben contener las siguientes columnas: 
* `nombre de archivo`, el nombre de archivo de la imagen 
* `clase`, la clase predicha