ViT-Base fine-tuned for Facial Gender Classification

Este modelo es un ajuste fino (fine-tuning) de google/vit-base-patch16-224 para la tarea de clasificación binaria de género a partir de imágenes faciales en entornos no controlados.

Fue desarrollado como entrega del Proyecto Final de Redes Neuronales Profundas (Universidad Central de Venezuela, 2026).

---

1. Descripción del Modelo

• Arquitectura base: Vision Transformer (ViT-Base), preentrenado sobre ImageNet-21k (14 millones de imágenes) y ajustado en ImageNet-1k.
• Tipo de modelo: Clasificador de imágenes (AutoModelForImageClassification).
• Número de parámetros: ~85,8 millones.
• Clases de salida:
  • 0: Male (Masculino)
  • 1: Female (Femenino)
• Modelo base original: google/vit-base-patch16-224
• Dataset de adaptación: nu-delta/utkface (subconjunto fijo estratificado de 18.000 imágenes).

---

2. Uso Previsto y Código de Ejemplo

El modelo está diseñado para inferencia automatizada y analítica demográfica agregada y anónima en interfaces de interacción persona-ordenador (HCI) o sistemas de visión computacional.

Fragmento de uso rápido (2 líneas con pipeline):

from transformers import pipeline

clf = pipeline("image-classification", model="tu-usuario/vit-base-utkface-gender")
prediccion = clf("https://path/a/una/imagen_rostro.jpg")
print(prediccion)

---

3. Datos y Preprocesamiento

Conjunto de Datos

Se utilizó UTKFace (nu-delta/utkface), compuesto por fotografías faciales que presentan variaciones pronunciadas de edad, etnia, iluminación y ángulo de pose.

Para garantizar la reproducibilidad y apegarse a las restricciones metodológicas del proyecto, se seleccionó un subconjunto fijo y estratificado de 18.000 imágenes fijando la semilla unificada (CEDULA = 30541929), dividido en:

• Entrenamiento (Train): 12.600 imágenes (70 %)
• Validación (Validation): 2.700 imágenes (15 %)
• Prueba (Test): 2.700 imágenes (15 %)

Preprocesamiento y Data Augmentation

• Procesador: AutoImageProcessor asociado a google/vit-base-patch16-224.
• Resolución objetivo: $224 \times 224$ píxeles, 3 canales RGB.
• Normalización: Estándar de ImageNet ($\mu = [0.5, 0.5, 0.5]$, $\sigma = [0.5, 0.5, 0.5]$).
• Aumento de datos (sólo en entrenamiento):
  • Reflexión horizontal aleatoria (RandomHorizontalFlip, $p=0.5$).
  • Rotación aleatoria moderada ($\pm 10^\circ$).
  • Fluctuaciones fotométricas de brillo y contraste (ColorJitter $\pm 10%$).

---

4. Hiperparámetros de Entrenamiento

El entrenamiento se realizó en Google Colab utilizando una GPU NVIDIA Tesla T4 con precisión mixta (FP16):

---

5. Resultados y Comparación de Regímenes

Todos los regímenes experimentales fueron evaluados sobre las mismas particiones de validación y prueba con la misma métrica rectora (Accuracy y F1-Macro):

Hallazgos clave:

• El salto de Feature Extraction (+25,1 % sobre el baseline) evidencia la potencia de las representaciones visuales transferidas desde ImageNet, optimizando únicamente 1.538 parámetros lineales.
• El Fine-tuning Completo alcanza el mejor rendimiento global (95,56 % de exactitud en prueba), adaptando los patrones de atención a las sutilezas fisonómicas faciales.

---

6. Limitaciones Conocidas y Consideraciones Éticas

1. Reducción binaria de la categoría de género: El conjunto UTKFace etiqueta el género de forma estrictamente binaria (Male / Female) a partir de apreciaciones visuales superficiales. Esta categorización no representa la diversidad de identidades no binarias ni la identidad de género autodeterminada. El modelo predice únicamente una apariencia fisonómica correlacionada estadísticamente con el dataset y no debe emplearse para clasificar la identidad personal de ningún individuo.
2. Edades tempranas e infantes: El modelo presenta una tasa de error significativamente mayor en fotografías de bebés y niños (0 a 6 años), debido a que el dimorfismo sexual secundario en rasgos faciales óseos aún no se encuentra desarrollado en esa etapa etaria.
3. Condiciones no controladas: Oclusiones severas (tapabocas, bufandas, anteojos oscuros gruesos) o iluminación extrema a contraluz pueden degradar la certeza de la inferencia.
4. Uso ético: Este modelo fue creado con propósitos estrictamente académicos y experimentales. Se desaconseja terminantemente su uso en aplicaciones de vigilancia masiva, toma de decisiones punitivas o cualquier contexto invasivo que atente contra la privacidad de las personas.