---
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
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
dataset_info:
  features:
  - name: image
    dtype: image
  - name: wbfp
    dtype: float64
  splits:
  - name: train
    num_bytes: 25344310
    num_examples: 299
  download_size: 25351063
  dataset_size: 25344310
---

# 🏋️ 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).