En desarrollo

Segmentación Semántica con U-Net & DeepLab: Cartografía IGAC

Pipeline completo de deep learning para segmentar cartografía básica oficial del IGAC. Entrena U-Net, DeepLab y más sobre 3 municipios colombianos con metodología reproducible.

PythonU-NetDeepLabPyTorchIGACColombiaSegmentación

Descripción

Proyecto end-to-end de segmentación semántica aplicado a cartografía básica oficial del IGAC (Instituto Geográfico Agustín Codazzi) de Colombia. Entrena modelos estado del arte (U-Net, DeepLab, SegFormer) sobre datos de 3 municipios: Madrid, Mosquera y Fusagasugá. Segmenta 6 clases cartográficas: agua, vegetación, caminos, vías, construcciones y áreas comunes. Incluye etiquetado, entrenamiento, postprocesamiento, validación métrica y metodología completa documentada. Ideal para aprender deep learning geoespacial con datos reales y oficiales de LATAM.

Características

🗺️ Datos Oficiales IGAC: cartografía básica de 3 municipios colombianos (Madrid, Mosquera, Fusagasugá)
🏷️ 6 Clases Cartográficas: agua, vegetación, caminos, vías, construcciones, áreas comunes
🏗️ Arquitecturas Estado del Arte: U-Net, DeepLab v3+, SegFormer, y más comparativas
📊 Pipeline Completo: etiquetado → entrenamiento → postprocesamiento → validación
🧪 Metodología Reproducible: documentación paso a paso para replicar en otros municipios/países
📈 Métricas Rigurosas: IoU, F1-Score, Precision/Recall por clase y global
🔧 Postprocesamiento Geoespacial: filtros morfológicos, CRF, simplificación de polígonos
✅ Validación Cruzada: evaluación en municipios no vistos durante entrenamiento
💾 Exportación GIS: predicciones a GeoJSON, Shapefile, GeoTIFF para uso en SIG
📚 Notebooks Educativos: tutorial completo para aprender segmentación semántica aplicada

Stack Tecnológico

PyTorch 2.x: framework principal para U-Net, DeepLab v3+, SegFormersegmentation_models.pytorch: implementaciones preentrenadas de arquitecturasAlbumentations: data augmentation especializado (rotaciones, flips, cambios de color)Rasterio / GDAL: carga y procesamiento de imágenes geoespacialesGeoPandas / Shapely / Fiona: manejo de geometrías y exportación GISQGIS / Label Studio: herramientas de etiquetado manual de clasesWeights & Biases: tracking de experimentos, métricas y visualizacionesscikit-image / OpenCV: postprocesamiento morfológico (erosión, dilatación, CRF)Jupyter Notebooks: entorno de desarrollo y documentación interactiva

Desafíos

• 🏷️ Etiquetado Preciso: etiquetar 6 clases en cartografía de 3 municipios requiere criterio experto
• ⚖️ Desbalance de Clases: agua y construcciones abundan, caminos/áreas comunes son minoritarias
• 🔍 Bordes Precisos: límites entre vías/caminos y construcciones/vegetación son difusos
• 🌍 Generalización: modelo entrenado en Madrid debe funcionar en Mosquera y Fusagasugá
• 💾 Manejo de Memoria: imágenes de alta resolución (ortofoto IGAC) requieren estrategias de patches
• 🧹 Postprocesamiento: ruido en predicciones necesita filtros morfológicos sin perder detalle

Lecciones Aprendidas

• 🗺️ Uso de Datos Oficiales LATAM: IGAC como fuente confiable y reproducible para proyectos GeoAI
• 🏗️ Comparativa de Arquitecturas: U-Net vs DeepLab v3+ vs SegFormer en cartografía
• 🔧 Pipeline MLOps Geoespacial: desde raw data hasta GeoJSON exportable a QGIS
• 📊 Evaluación Multi-Métrica: IoU, F1, Precision/Recall por clase para diagnóstico detallado
• 🧪 Metodología Científica: documentar proceso para que otros repliquen en sus regiones
• 🎓 Educación Práctica: aprender segmentación semántica con datos reales, no sintéticos
• 🌎 Impacto Territorial: modelos útiles para actualización automática de cartografía básica

¿Te interesa colaborar en este proyecto?

Únete a la comunidad