Development of a set of tools for optimizing and improve the iterative process on deep learning environments

Among the growth of computer's capacity, Deep Learning's popularity has not stopped increasing. This has allowed to obtain state of the art results in fields like Computer Vision with supervised training models (ImageNet Challenge). However, these results imply a large cost in terms of resources and time, needing a large number of labelled images to work effectively. This degree thesis pretends to accelerate this process on a real environment, Sadako Technologies, a company fully dedicated to neural networks development for trash classification on recycling plants. To do so, each phase of the known as 'Iterative process' has been analysed, with the aim of reducing the overall time and optimize it. This process starts with new images arrival and goes through all tasks until a final neural network is deployed to a recycling plant.Con el desarrollo de la capacidad de computación de los ordenadores, la popularidad del Deep Learning no ha hecho más que aumentar. Y no en vano, ya que se ha alcanzado resultados nunca vistos en campos como Computer Vision con modelos de entreno supervisado (Imagenet Challenge). Sin embargo, estos resultados implican un gran coste en forma de recursos y tiempo hasta su obtención, con multitud de imágenes a etiquetar de forma manual. Este TFG pretende acelerar este proceso en un entorno real, la empresa Sadako Technologies, dedicada al desarrollo de redes neuronales para la clasificación de residuos en plantas de reciclaje. Para ello, se ha analizado las diferentes fases del conocido como "Iterative Process", que comprende desde la llegada de nuevos datos para etiquetar al desarrollo de un modelo de producción listo para ser instalado, para intentar minimizar el tiempo y lograr mayor productividad.Amb el desenvolupament de la capacitat de computació dels ordinadors, la popularitat del Deep Learning no ha fet més que créixer. No en va, ja que s'han aconseguit resultats mai obtinguts en camps com Computer Vision amb models d'entrenament supervisat (ImageNet Challenge). Aquests resultats però impliquen un gran cost en forma de recursos i temps fins la seva obtenció, amb multitud de imatges per etiquetar de forma manual. Aquest TFG pretén accelerar aquest procés en un entorn real, la empresa Sadako Technologies dedicada al desenvolupament de reds neuronals per a la classificació de residus en plantes de reciclatge. Per fer-ho, s?han analitzat les diferents fases del conegut com a "Iterative process", que comprèn des de l'arribada de noves dades per etiquetar al desenvolupament d'un model de producció a punt per ser instal·lat, per intentar minimitzar el temps y aconseguir una major productivitat