Glycine Vision DSS

Diagnóstico de enfermedades foliares de soya en el dispositivo: detecta, estima severidad y genera recomendaciones de tratamiento ajustadas al clima.

---

Pipeline

imagen → M_seg (hoja/fondo) → hoja aislada → M1 [original+hoja] sana/enferma
                                                  │ (si enferma)
                                                  ▼
                                   M2 [original+hoja] tipo de patógeno + severidad por color

• M_seg: U-Net ResNet50 256×256, 2 clases (hoja/fondo).
• M1: EfficientNetB1 240×240, doble entrada (original + hoja aislada), sigmoid.
• M2: EfficientNetB0 224×224, doble entrada, softmax 5 clases (bacterianas, fungicas, plagas_insectos, roya, virales).
• Backend: FastAPI + Docker (mismos modelos por HTTP, opcional).

---

Estructura

glycine-vision-dss/
├── App/                Flutter app (Clean Architecture)
│   └── assets/models/{hs,pd,seg}/   M1 · M2 · M_seg (.tflite)
├── Backend/            FastAPI (server.py, config.py, inference/, Dockerfile)
├── Models/             Modelos desplegados {health,disease,segmentation}/
├── Training/notebooks/ 01–06 (Google Colab)
└── docker-compose.yml

---

Ejecutar la app

cd App
flutter pub get
flutter run -d <device_id>      # Android / iOS
flutter run -d chrome           # Web (requiere el backend corriendo)

Requisitos: Flutter 3.x, Android SDK ≥31, Dart ≥3.0.

Ejecutar el backend

Docker (recomendado):

docker compose up --build       # API en http://localhost:8001

Manual:

cd Backend
python -m venv env
.\env\Scripts\Activate.ps1
pip install -r requirements.txt
python server.py

Variable de entorno	Default	Descripción
MODELS_DIR	../Models	Ruta a la carpeta de modelos

API

curl -X POST http://localhost:8001/api/diagnose \
  -F "image=@leaf.jpg" -F "lat=-17.5" -F "lon=-65.3"

Respuesta: enfermedades_detectadas, global_severity_pct, seg_mask (base64 uint8 256×256), climate.

---

Entrenar (Google Colab, GPU)

Ejecutar los notebooks en orden. M_seg se entrena antes que M1/M2 (produce la hoja aislada que es su segunda entrada).

Notebook	Hace	Salida
01_prepare_dataset.ipynb	Descarga datasets (HF) + split train/val + Test; prepara máscaras COCO (Roboflow + SoyCotton)	splits/
02_train_segmentation.ipynb	M_seg ResNet50 U-Net hoja/fondo (COCO fusionado)	model_seg.tflite
03_train_model1_binary.ipynb	M1 EfficientNetB1 doble entrada	model1.tflite
04_train_model2_pathogen.ipynb	M2 EfficientNetB0 doble entrada softmax	model2.tflite
05_evaluate.ipynb	Métricas en test (M1/M2; M_seg recall/Dice/IoU vs COCO)	training_metrics.json, mseg_test_metrics.json
06_export_tflite.ipynb	Export TFLite float32 + int8	.tflite

Máscaras de segmentación (M_seg):

• Tus máscaras de Roboflow → Training/splits/masks/ (con _annotations.coco.json).
• Dataset SoyCotton (figshare CC BY 4.0) → Training/splits/masks_soycotton/annotations/ (JSON COCO) + Training/splits/masks_soycotton/images/ (imágenes). El notebook 02 las fusiona automáticamente. La celda de descarga del notebook 01 reproduce esa estructura.

Tras mejorar solo M_seg: reentrenar 02, reejecutar 05 (métricas) y 06 (export). M1/M2 (03/04) no requieren reentrenamiento.

---

Desplegar modelos entrenados

Desde la raíz del proyecto, tras completar los notebooks:

$SRC = "Training/outputs"; $APP = "App/assets/models"; $MOD = "Models"

Copy-Item "$SRC/model1.tflite"         "$APP/hs/model.tflite" -Force
Copy-Item "$SRC/labels_m1.txt"         "$APP/hs/labels.txt" -Force
Copy-Item "$SRC/model2.tflite"         "$APP/pd/model_unquant.tflite" -Force
Copy-Item "$SRC/labels_m2.txt"         "$APP/pd/labels.txt" -Force
Copy-Item "$SRC/model_seg_int8.tflite" "$APP/seg/model_seg.tflite" -Force

Copy-Item "$SRC/model1.tflite"         "$MOD/health/model.tflite" -Force
Copy-Item "$SRC/model1_int8.tflite"    "$MOD/health/model_int8.tflite" -Force
Copy-Item "$SRC/labels_m1.txt"         "$MOD/health/labels.txt" -Force
Copy-Item "$SRC/model2.tflite"         "$MOD/disease/model.tflite" -Force
Copy-Item "$SRC/model2_int8.tflite"    "$MOD/disease/model_int8.tflite" -Force
Copy-Item "$SRC/labels_m2.txt"         "$MOD/disease/labels.txt" -Force
Copy-Item "$SRC/model_seg.tflite"      "$MOD/segmentation/model.tflite" -Force
Copy-Item "$SRC/model_seg_int8.tflite" "$MOD/segmentation/model_int8.tflite" -Force
Write-Host "Deploy OK"