Upload README.md with huggingface_hub

README.md

@@ -0,0 +1,118 @@
+---
+license: cc-by-nc-4.0
+task_categories:
+  - image-classification
+tags:
+  - body-composition
+  - body-fat
+  - auto-labeled
+  - efficientnet
+  - regression
+  - torso
+  - fitness
+  - health
+pretty_name: "Gold Body Fat Dataset"
+size_categories:
+  - 1K<n<10K
+---
+
+# 🏋️ 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`](https://huggingface.co/datasets/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
+
+```python
+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
+
+```python
+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).