Cañon Varela, Edison GustavoLizarazo Paez, Juan Diego2026-03-212026-03-212026-03-21https://repositorio.ucundinamarca.edu.co/handle/20.500.12558/6260El fomento a la valoración de la biodiversidad urbana en contextos urbanos se ve limitado por la falta de herramientas que conecten al ciudadano con la información disponible en sistemas especializados. Este proyecto de abordó dicha problemática mediante el desarrollo de un sistema de reconocimiento de la flora bogotana implementado en una aplicación móvil, utilizando técnicas de aprendizaje profundo. Se aplicó el marco metodológico CRISP-ML(Q), comenzando con la construcción de un dataset propio de 4,188 imágenes curadas de 11 especies representativas de Bogotá, obtenidas de plataformas de ciencia ciudadana. . Se implementó una estrategia de aprendizaje por transferencia para entrenar y evaluar comparativamente cuatro arquitecturas de Redes Neuronales Convolucionales(CNN): ResNet-50, MobileNetV2, MobileNetV3-Large y EfficientNet-B0. El análisis cuantitativo sobre un conjunto de prueba alcanzó una exactitud del 95.47% y un F1-Score (Macro) del 94.11% en la arquitectura EfficientNetB0. Para el despliegue final en la aplicación móvil, se seleccionó y optimizó el modelo MobileNetV3-Large por su balance superior entre precisión, latencia de inferencia y tamaño reducido. El desarrollo culminó en una aplicación móvil que valida la viabilidad de crear herramientas de alta precisión para el reconocimiento de flora regional. Fostering the valuation of urban biodiversity is hampered by the lack of tools that connect citizens with information available in specialized systems. This project addressed this issue by developing a recognition system for the flora of Bogotá, implemented in a mobile application using deep learning techniques. The CRISPML(Q) methodological framework was applied, commencing with the construction of a custom dataset of 4,188 curated images from 11 representative species of Bogotá, obtained from citizen science platforms. A transfer learning strategy was implemented to comparatively train and evaluate four Convolutional Neural Network (CNN) architectures: ResNet-50, MobileNetV2, MobileNetV3-Large, and EfficientNet-B0. Quantitative analysis on a test set showed that the EfficientNetB0 architecture achieved a top accuracy of 95.47% and a Macro F1-Score of 94.11%. For the final deployment in the mobile application, the MobileNetV3-Large model was selected and optimized for its superior balance between accuracy, inference latency, and reduced size. The development culminated in a functional mobile app that validates the feasibility of creating high-precision tools for regional flora recognition.spaAttribution-NonCommercial-NoDerivs 3.0 United Stateshttp://creativecommons.org/licenses/by-nc-nd/3.0/us/Aprendizaje por transferenciaTransfer learningClasificación de imágenesImage classificationFlora bogotanaBogotá FloraRedes neuronales convolucionalesConvolutional neural networksVisión por computadorComputer visiondegree work