{
  "fetched_at": "2026-10-19T14:55:00Z",
  "source_url": "https://www.kaggle.com/competitions/fai-2026-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",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "Se requiere desarrollar un modelo predictivo que tiene que determinar la clasificación y localización de  automóviles de marca Chevrolet que aparecen en una imagen. Se le proporciona un conjunto de datos que contiene imágenes y sus anotaciones correspondientes. Su modelo debe detectar qué referencia de automóvil es y la ubicación en la foto.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "\n- **CNN personalizado:** \n\nCree un modelo de red neuronal convolucional personalizado como backbone (features extractor) y entrénelo desde cero evidenciando sus resultados (1 punto) \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\nNota 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) \n\n- **Aumento de datos (Data Augmentation):** \n\nImplementa 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) \n\n- **Transferir aprendizaje (Transfer learning):** \n\nUsar al menos dos modelos preentrenados como backbones y los conecta con las cabezas de clasificación y regresión creadas previamente. (1 punto) \n\n- **Elección del Mejor Modelo:** \n\nEl 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) \n\n- **Notas clave:** \n\n- Entregar el notebook con las output cell's visibles (corran el nb antes de enviarlo para ver las salidas)\n- Indicar los nombres de los integrantes en el inicio del nb\n- No se califican trabajos presentados por grupos inferiores ni superiores a 2 personas\n- El Notebook debe ser autocontenido y documentado\n- Se sugiere desarrollar el nb de manera secuencial siguiendo los puntos de la rúbrica\n- El ejercicio debe limitarse a las técnicas implementadas durante el curso\n- 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/:b:/r/personal/1094919565_u_icesi_edu_co/Documents/Monitor%C3%ADas%202026/Posgrado%20-%20MIAA%20-%20FAII/Rubrica%20Taller%201%20-%20CNN%20-%202026-1%20(1).pdf?csf=1&web=1&e=VKWZca)\n\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). 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. \n\n## Submission \n\n**Para cada conjunto de técnicas en el dataset**, los submission deben contener las siguientes columnas: \n\n    filename,class\n    4393_test.jpg,'Chevrolet Corvette ZR1 2012'\n    789_test.jpg,'Chevrolet Express Cargo Van 2007'\n    1897_test.jpg,'Chevrolet Camaro Convertible 2012 '\n    etc.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "This is a page where you can include rules that participants must accept before joining. You may wish to include rules like:\n\n - Don't cheat!\n - Apply yourself!\n - Have fun! ",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}