- **CNN personalizado:**  (1,5 puntos) 

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

- **Predicción del cuadro delimitador (Bounding box):** (1 punto) 

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

- **Clasificación de objetos:** (1 punto) 

Implementar una cabeza de clasificación que se alimenta con las características extraídas del backbone convolucional 

Nota de los dos puntos anteriores: Se debe modificar el código entregado, al menos tres hiperparámetros para su respectivo análisis y comparación del desempeño del modelo.

- **Aumento de datos (Data Augmentation):** (0,5 puntos)  

Compara 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.

- **Transferir aprendizaje (Transfer learning):** (1 punto) 

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


- **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). Se debe explicar las acciones realizadas y conclusiones finales, de lo contrario se penalizará con 0.5 puntos. La métrica de evaluación para esta competencia es el [Interception Over Union IoU] 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
image_00050.jpeg,mask,715,1,1198,397
image_00149.jpeg,no-mask,149,362,830,576
image_00216.jpeg,mask,469,140,655,642
image_00292.jpeg,mask,588,243,983,309

    etc.