Projeto de classificação de imagens

Neste projeto, criaremos uma rede CNN simples para classificar imagens em categorias. A classificação de imagens consiste em prever a categoria ou o rótulo de uma imagem de entrada.

Conjunto de dados para classificação

Usaremos o conjunto de dados CIFAR-10, que contém 60.000 imagens distribuídas em 10 categorias, como aviões, carros, pássaros e gatos. Cada imagem tem 32×32 pixels e possui 3 canais de cor (RGB).

Carregando o conjunto de dados

Carregaremos o conjunto de dados CIFAR-10 usando TensorFlow:

import tensorflow as tf
from tensorflow.keras.datasets import cifar10

# Load dataset
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# Normalize the pixel values to [0, 1]
x_train = x_train / 255.0
x_test = x_test / 255.0

print("Training data shape:", x_train.shape)

Criando o modelo CNN

Definiremos uma arquitetura CNN com camadas convolucionais, de agrupamento e totalmente conectadas:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# Define the CNN model
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

Compilando o modelo

Compilamos o modelo com:

• Função de perda: Entropia cruzada categórica para classificação multiclasse.
• Otimizador: Otimizador Adam para um aprendizado eficiente.
• Métricas: Acurácia para avaliar o desempenho.

# Compile the model
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

Treinando o modelo

Treinamos o modelo usando os dados de treinamento durante 10 épocas. Durante o treinamento, o modelo aprende a classificar imagens em categorias.

# Train the model
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

Avaliando o modelo

Após o treinamento, avaliamos o modelo com os dados de teste para verificar sua acurácia:

# Evaluate the model
loss, accuracy = model.evaluate(x_test, y_test)
print(f"Test Accuracy: {accuracy * 100:.2f}%")

Fazendo previsões

Podemos usar o modelo treinado para fazer previsões sobre novas imagens:

# Predict the category of a test image
import numpy as np

sample_image = x_test[0]
sample_label = y_test[0]

prediction = np.argmax(model.predict(sample_image[np.newaxis, ...]))
print(f"Predicted Label: {prediction}, Actual Label: {sample_label[0]}")

Desafios da classificação de imagens

Entre os desafios comuns estão:

• Sobreajuste: O modelo tem bom desempenho nos dados de treinamento, mas baixo desempenho em dados novos.
• Desequilíbrio entre classes: Representação desigual das categorias no conjunto de dados.
• Custo computacional: O treinamento de redes profundas exige recursos significativos.

Resumo e próximos passos

Neste projeto, nós:

• Criamos e treinamos uma rede CNN para classificação de imagens usando o conjunto de dados CIFAR-10.
• Aprendemos a carregar, pré-processar e avaliar o conjunto de dados.
• Discutimos os desafios das tarefas de classificação de imagens.

Em seguida, exploraremos técnicas de aumento de dados para melhorar o desempenho do modelo gerando variações das imagens de treinamento.