Implementación de MobileNet con TensorFlow.js y Flask

# Introducción

Este proyecto te guía a través del proceso de implementar un modelo MobileNetV2 pre-entrenado utilizando TensorFlow.js dentro de una aplicación web Flask. MobileNetV2 es una red neuronal profunda ligera utilizada principalmente para la clasificación de imágenes. TensorFlow.js permite ejecutar modelos de aprendizaje automático directamente en el navegador, lo que permite crear aplicaciones web interactivas. Flask, un marco web de Python, servirá como el backend para alojar nuestra aplicación. Al final de este proyecto, tendrás una aplicación web en funcionamiento que clasifique imágenes en tiempo real utilizando el modelo MobileNetV2.

## 👀 Vista previa

<video src="https://file.labex.io/namespace/718bace8-27a3-4200-a588-dde4041ceeb9/ml/project-deploying-mobilenet-with-tensorflowjs-and-flask/lab-1/es/assets/predict.mp4" width="100%" autoplay loop muted></video>

## 🎯 Tareas

En este proyecto, aprenderás:

- Cómo exportar un modelo MobileNetV2 pre-entrenado de Keras a un formato compatible con TensorFlow.js.
- Cómo crear una aplicación Flask simple para servir tu contenido web y modelo.
- Cómo diseñar una página HTML para subir y mostrar imágenes para su clasificación.
- Cómo utilizar TensorFlow.js para cargar el modelo exportado en el navegador.
- Cómo preprocesar imágenes en el navegador para que coincidan con los requisitos de entrada de MobileNetV2.
- Cómo ejecutar el modelo en el navegador para clasificar imágenes y mostrar los resultados.

## 🏆 Logros

Después de completar este proyecto, podrás:

- Convertir un modelo Keras pre-entrenado en un formato que se puede utilizar con TensorFlow.js, lo que permite que los modelos de ML se ejecuten en el navegador.
- Configurar una aplicación Flask y servir contenido HTML y archivos estáticos.
- Integrar TensorFlow.js en una aplicación web para realizar tareas de aprendizaje automático en el lado del cliente.
- Preprocesar imágenes en JavaScript para que sean compatibles con los requisitos de entrada de los modelos de aprendizaje profundo.
- Realizar predicciones utilizando un modelo de aprendizaje profundo en el navegador y mostrar los resultados dinámicamente en la página web.