En el mercado de la moda en línea en constante expansión, las empresas del sector de ventas de ropa se enfrentan a oportunidades de crecimiento sustanciales. Para aprovechar este potencial, es crucial implementar métodos efectivos para identificar con precisión los artículos de ropa. Esto implica una comprensión profunda de las preferencias del cliente, los mercados de nicho, estrategias de ventas personalizadas y una experiencia de usuario mejorada. Los sistemas de inteligencia artificial (IA) que pueden reconocer y categorizar artículos de ropa juegan un papel crucial en el logro de estos objetivos, empoderando a las empresas para aumentar las ventas y obtener valiosos conocimientos sobre los clientes. Sin embargo, el desafío radica en clasificar con precisión los diversos artículos de vestimenta en un paisaje de moda que evoluciona rápidamente. Las variaciones en estilos, colores y patrones dificultan la categorización consistente de la ropa. Además, la calidad de las imágenes proporcionadas por los usuarios varía ampliamente, y el desorden de fondo puede complicar aún más la tarea de clasificación precisa. Los sistemas existentes pueden tener dificultades para proporcionar el nivel de precisión necesario para satisfacer las expectativas del cliente. Para abordar estos desafíos, es esencial un meticuloso proceso de preparación de datos. Esto incluye una cuidadosa organización de datos, la aplicación de técnicas de eliminación de fondo como el algoritmo GrabCut y el cambio de tamaño de las imágenes para lograr uniformidad. La solución propuesta implica un enfoque híbrido, combinando las fortalezas de las arquitecturas ResNet152 y EfficientNetB7. Esta fusión de técnicas tiene como objetivo crear un sistema de clasificación capaz de distinguir de manera confiable entre varios artículos de ropa. La innovación clave en este estudio es el desarrollo de un modelo de Aprendizaje de Dos Objetivos que aprovecha las capacidades de ambas arquitecturas, ResNet152 y EfficientNetB7. Este enfoque de fusión mejora la precisión de la clasificación de artículos de ropa. El conjunto de datos meticulosamente preparado sirve como base para este modelo, asegurando que pueda manejar de manera efectiva diversos artículos de ropa. La metodología propuesta promete un enfoque novedoso para la identificación de imágenes y la extracción de características, lo que lleva a una impresionante precisión de clasificación del 94%, junto con estabilidad y robustez.