Este proyecto realiza el reconocimiento de imágenes de naves espaciales utilizando la red neuronal MobileNetV2 de TensorFlow. El programa procesa imágenes, las analiza y guarda los resultados junto con la fecha y hora del reconocimiento en un archivo de texto.

Antes de ejecutar el programa, asegúrate de tener instalados los siguientes paquetes de Python:

• tensorflow
• numpy
• opencv-python
• matplotlib

pip install tensorflow numpy opencv-python matplotlib

O

1. clona el repositorio:

git clone https://github.com/0xfabrica/rocket-script cd rocket-script

2. Ejecuta el programa:

python reconocimiento_naves.py

3.Introduce la ruta de la imagen que deseas analizar cuando el programa lo solicite. El programa procesará la imagen, realizará el reconocimiento y mostrará la imagen junto con las predicciones. Además, guardará los resultados en un archivo de texto resultado_red.txt, añadiendo la fecha y hora del reconocimiento.

Carga y preprocesamiento de imágenes: El programa carga imágenes desde una ruta especificada, convierte el color de BGR a RGB, redimensiona la imagen a 224x224 píxeles y normaliza los valores de los píxeles. Visualización de imágenes: Muestra la imagen procesada utilizando Matplotlib. Reconocimiento de imágenes: Utiliza la red neuronal MobileNetV2 preentrenada con los pesos de ImageNet para predecir el contenido de la imagen. Guardado de resultados: Escribe las predicciones junto con la fecha y hora del reconocimiento en el archivo resultado_red.txt, añadiendo nuevas entradas al final del archivo para preservar los resultados anteriores.

Después de ejecutar el programa y analizar una imagen, el archivo resultado_red.txt podría contener algo como esto:

Fecha y hora del reconocimiento: 2024-07-12 14:35:22 espacio_nave: 97.53% cohete: 85.21% satélite: 70.34%

Fecha y hora del reconocimiento: 2024-07-13 09:47:10 espacio_nave: 96.45% cohete: 88.11% satélite: 72.25%

Las contribuciones son bienvenidas. Si deseas mejorar este proyecto, por favor, sigue estos pasos:

1. Haz un fork del repositorio
2. Crea una nueva rama (git checkout -b mejora-nueva-funcionalidad).
3. Realiza los cambios necesarios y haz commit (git commit -am 'Añadir nueva funcionalidad').
4. Sube los cambios a tu rama (git push origin mejora-nueva-funcionalidad).
5. Crea un Pull Request.