translation

🤖 Módulo de Entrenamiento (Training Pipeline)

Este directorio contiene los cuadernos (Jupyter Notebooks) y scripts aislados responsables de la recolección de datos, extracción de keypoints (MediaPipe) y entrenamiento del modelo neuronal (LSTM) para el reconocimiento de señas.

Forma parte del ecosistema del Bilateral Translation System, separando estrictamente el ciclo de vida de experimentación (MLOps) del código de la API de producción.

📂 Archivos Principales

• Train.ipynb / RealTimeSignLanguageDetection.ipynb: Cuadernos interactivos con el flujo de machine learning paso a paso (recolección, preprocesamiento, arquitectura del modelo LSTM, entrenamiento y métricas).
• model.h5 / model_weights.h5: Los artefactos locales serializados que resultan del entrenamiento.
• upload_model.py: Script para automatizar la subida del modelo resultante al Model Registry.

🚀 Flujo de Trabajo (Hugging Face Hub)

Para evitar inflar el historial de Git con modelos pesados, hemos adoptado Hugging Face Hub como nuestro registro central de modelos. El ciclo de vida de desarrollo de un modelo es el siguiente:

1. Entrenamiento Local: Abre y ejecuta los Notebooks en tu entorno. Al finalizar, el código sobrescribirá el archivo model.h5 local.
2. Validación: Comprueba en las últimas celdas del Notebook que el confidence y el accuracy de validación sean aceptables.
3. Publicación en Hugging Face: No hagas git add model.h5. En su lugar, ejecuta el script de subida para actualizar la versión del modelo en la nube:

   python upload_model.py
   

4. Despliegue: Una vez en Hugging Face, la API (Backend) podrá descargar la última versión optimizada automáticamente durante su proceso de construcción o arranque.

🛠️ Requisitos del Entorno (Machine Learning)

El entorno para entrenar requiere dependencias mucho más pesadas que las de la API. Debes instalar:

• tensorflow
• mediapipe
• opencv-python
• numpy
• scikit-learn
• matplotlib
• huggingface_hub

Tip: Se recomienda mantener activo el entorno virtual (.venv/) aislado dentro de este directorio al trabajar con Jupyter o VSCode.

➕ Cómo añadir nuevas señas al MVP

Si necesitas que el modelo reconozca nuevas palabras:

1. Recolecta un nuevo set de carpetas con secuencias (usando OpenCV y MediaPipe).
2. Agrega la nueva etiqueta al array ACTIONS en tu código.
3. Re-entrena el modelo modificando la capa de salida (Dense layer) para ajustarse al nuevo número de clases.
4. Sube la nueva versión a Hugging Face Hub.