PalmsCNN-Desktop-CLI 🚀

📋 Descripción

Este software es una solución de escritorio avanzada para el procesamiento de imágenes aéreas (ortomosaicos).

• ¿Qué problema resuelve? Automatiza la detección, segmentación y conteo de tres especies de palmeras clave en la Amazonía, superando las limitaciones de memoria en computadoras convencionales al procesar imágenes de gran tamaño (GBs).
• ¿A quién va dirigido? Investigadores del Instituto de Investigaciones de la Amazonía Peruana (IIAP), ingenieros forestales y especialistas en monitoreo ambiental.
• Contexto: Desarrollado en Iquitos, Perú, como parte de una investigación para la cuantificación de recursos naturales mediante Inteligencia Artificial.

✨ Características Principales

• ✅ Segmentación Semántica Multi-clase: Identifica y diferencia entre Mauritia flexuosa (Aguaje), Euterpe precatoria (Huasaí) y Oenocarpus bataua (Ungurahui).
• ✅ Gestión Eficiente de Memoria (Smart Tiling): Divide imágenes gigantes en cuadrantes (tiles) con solapamiento inteligente y procesamiento por lotes (Batch Processing), permitiendo analizar GeoTIFFs pesados en PCs con 8-16GB de RAM.
• ✅ Reportes Automáticos: Genera vectores (.gpkg), centroides y tablas de atributos (.csv) con el conteo exacto y área de copa por especie.
• ✅ Interfaz Gráfica (GUI): Aplicación de escritorio amigable construida con PyQt5.

🛠️ Tecnologías Utilizadas

Este proyecto demuestra un dominio técnico avanzado en procesamiento geoespacial e IA:

• Lenguaje: Python 3.11
• Interfaz: PyQt5 (Qt Framework)
• Motor de IA: ONNX Runtime (Inferencia optimizada en CPU)
• Librerías Geoespaciales: GDAL / OGR (Core del procesamiento), Rasterio, Geopandas
• Procesamiento Numérico: NumPy (Uso de memmap para manejo de arrays en disco), Scikit-image, OpenCV

📊 Rendimiento del Modelo (IA)

El sistema utiliza una arquitectura de segmentación (DeepLabV3+) optimizada:

• Modelo usado: DeepLabV3+ (Backbone MobileNet/ResNet) convertido a ONNX.
• Métricas estimadas:
  • Precisión Global (Accuracy): > 90%
  • Intersección sobre Unión (IoU): > 85% en clase Mauritia flexuosa.
• Dataset: Imágenes de alta resolución recolectadas mediante drones en la Amazonía Peruana (Loreto).

📸 Capturas de Pantalla / Demo

Vista de la aplicación procesando un ortomosaico con visualización de máscaras en tiempo real.

📄 Estructura del Proyecto

Organización modular siguiendo buenas prácticas de ingeniería de software:

├── app/               # Código fuente de la GUI (PyQt5) y lógica de control
├── scripts/           # Scripts core de segmentación y conteo (Tiles, Watershed)
├── models/            # Modelos entrenados (.onnx)
├── installers/        # Binarios pre-compilados críticos (GDAL .whl)
├── output/            # Carpeta de generación de resultados
├── run.py             # Punto de entrada de la aplicación
└── Manual_instalacion.ipynb  # Manual de Instalacion del proyecto
└── config.json        # Ajuste de los modelos y uso de ram
└── requirements.txt   # Librerias para el uso del software