🏋️ gold_label_male_torso_dataset

Dataset de torsos masculinos frontales con porcentaje de grasa corporal (WBFP) auto-etiquetado.

📊 Estadísticas del Dataset

Métrica	Valor
Total de muestras	299
WBFP medio	15.6%
Desviación estándar	5.7%
Rango	5.9% – 34.9%

📋 Columnas del Dataset

Columna	Tipo	Descripción
image	Image	Imagen PIL del torso frontal
wbfp	float64	Porcentaje de grasa corporal (WBFP)

🧠 Modelo de Auto-Etiquetado

Las etiquetas auto-generadas fueron producidas usando un modelo EfficientNetV2-M entrenado mediante fine-tuning en dos etapas:

• Backbone: EfficientNetV2-M (torchvision/efficientnet_v2_m) preentrenado en ImageNet
• Cabeza: Dropout(0.418) → Linear(in→256) → ReLU → Dropout(0.209) → Linear(256→1)

Resultados en Test (23 muestras DEXA)

Etapa	SEE	MAE	Pearson
Etapa 1 (solo auto-etiquetado)	6.808	5.167	0.629
Etapa 2 (+ fine-tuning DEXA)	3.850	2.983	0.872

Hiperparámetros (Optuna)

Etapa 1 (auto-etiquetado): lr=0.000206, weight_decay=0.009216, dropout=0.197

Etapa 2 (DEXA fine-tuning): lr=0.000105, weight_decay=0.000018, dropout=0.418

⚠️ Nota: Las 299 muestras auto-etiquetadas son predicciones automáticas del modelo, no mediciones reales.

📦 Fuentes de Datos

Auto-etiquetado

Las imágenes auto-etiquetadas provienen de MasterMIARFID/unlabeled_male_torso_dataset, un dataset de torsos masculinos frontales recopilado y filtrado mediante:

• Detección de pose YOLOv8 para crop de torso
• Filtros CLIP para verificar que sean fotos sin camiseta y frontales
• Deduplicación por embeddings CLIP + FAISS

🔧 Uso

Cargar desde HuggingFace Hub

from datasets import load_dataset

dataset = load_dataset("MasterMIARFID/gold_label_male_torso_dataset")

# Ver el primer ejemplo
sample = dataset["train"][0]
print(f"WBFP: {sample['wbfp']:.1f}%")
sample["image"].show()

Usar con PyTorch DataLoader

from datasets import load_dataset
from torch.utils.data import DataLoader
from torchvision import transforms
import torch

dataset = load_dataset("MasterMIARFID/gold_label_male_torso_dataset", split="train")

transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                         std=[0.229, 0.224, 0.225]),
])

def collate_fn(batch):
    images = [transform(sample["image"].convert("RGB")) for sample in batch]
    targets = [sample["wbfp"] for sample in batch]
    return {
        "image": torch.stack(images),
        "wbfp": torch.tensor(targets, dtype=torch.float32),
    }

dataloader = DataLoader(dataset, batch_size=32, collate_fn=collate_fn, shuffle=True)

📄 Licencia

Este dataset está licenciado bajo CC BY-NC 4.0 (uso no comercial).