Guía Doctor MaízGuía de estudio integral del proyecto

Arquitectura, datos, entrenamiento, explicabilidad y defensa técnica de corn-leaf-desease-project — para que un nuevo integrante pueda comprender, modificar y defender el sistema.

Empezar por el resumen ejecutivo

Plan de onboarding (5 semanas)

Banco de preguntas

🌽

Qué es el proyecto

Clasificador de 9 clases de enfermedades, plagas y deficiencias nutricionales en hojas de maíz, orientado a Edge AI offline (TFLite Int8 en Android) para agricultores de subsistencia en El Salvador.

🧠

No solo el "qué", también el "por qué"

Cada componente se explica con sus alternativas, trade-offs, riesgos y consecuencias de modificarlo o eliminarlo. La meta es defender el proyecto ante profesores, jurados e ingenieros senior.

🗺️

De extremo a extremo

Desde las 8 fuentes de datos crudas hasta los reportes LIME + Grad-CAM, pasando por deduplicación SHA-256, splits estratificados, WeightedRandomSampler, transfer learning con AdamW y versionado de runs.

🎓

Pensada para onboarding

Plan de estudio de 5 semanas, glosario para desarrolladores sin experiencia en ML, banco de preguntas con respuestas modelo (de nivel básico a defensa académica) y guía de objeciones frecuentes.

Cómo usar esta guía

Si eres...	Empieza por...
Nuevo en el equipo y nuevo en ML	Glosario → Resumen ejecutivo → Plan de onboarding
Desarrollador con experiencia en ML	Resumen ejecutivo → Flujo del sistema → Análisis de código
Preparándote para una defensa/examen	Decisiones técnicas → Banco de preguntas → Guía de defensa
Vas a modificar el sistema	Mapa del repositorio → Análisis de código → ¿Qué pasaría si...? → Riesgos

Fuente de verdad

Esta guía describe el repositorio corn-leaf-desease-project tal como está en julio de 2026 (rama con baselines funcionales sobre 9 clases y loop principal de train.py pendiente). Ante cualquier discrepancia, el código manda: los archivos citados incluyen su ruta exacta para que verifiques directamente.