Classificação de Imagens: Liquidificadores vs Batedeiras

Este projeto utiliza redes neurais convolucionais (CNNs) com o modelo pré-treinado MobileNetV2 para classificar imagens de dois tipos de objetos: liquidificadores e batedeiras. O código foi desenvolvido em Python utilizando o TensorFlow e pode ser facilmente executado em ambientes como Google Colab.

Objetivo

O objetivo deste projeto é construir um modelo de aprendizado de máquina para classificar imagens de liquidificadores e batedeiras usando uma rede neural profunda (CNN) com a ajuda de um modelo pré-treinado.

Como Funciona

1. Carregamento do Dataset: O dataset contém imagens de liquidificadores e batedeiras, organizadas em pastas para cada classe. O código descompacta automaticamente o arquivo .zip contendo as imagens.
2. Pré-processamento das Imagens: As imagens são redimensionadas para o formato (160, 160) e divididas em conjuntos de treinamento e validação.
3. Modelo Pré-Treinado: Utiliza-se o modelo MobileNetV2 pré-treinado com pesos do ImageNet. A camada de classificação é substituída para se ajustar às classes de "liquidificador" e "batedeira".
4. Treinamento do Modelo: O modelo é treinado utilizando o conjunto de treinamento e validado com o conjunto de validação.
5. Avaliação e Teste: Após o treinamento, o modelo é avaliado e as acurácias de treinamento e validação são visualizadas. O modelo também pode ser testado com imagens reais carregadas pelo usuário.

Como Executar

Para executar o código diretamente no Google Colab:

1. Clique no link abaixo para abrir o notebook no Google Colab.
2. Faça o upload do arquivo .zip contendo as imagens (o código automaticamente descompactará o arquivo).
3. Execute as células para treinar e testar o modelo.

Executar no Google Colab

Pré-requisitos

Antes de executar o código, você precisará de um ambiente com os seguintes pacotes Python, caso prefira não utilizar o Google Colab:

• TensorFlow 2.x
• Matplotlib (para visualização dos resultados)

Esses pacotes podem ser instalados com o seguinte comando:

pip install tensorflow matplotlib

Estrutura do Repositório

/liquidificador_e_batedeira.zip         # Arquivo zip contendo o dataset contendo du classes (Você pode utilizar outras imagens e classes se preferir)
/transfer_learning_challenge.ipnb       # Código do modelo em um notebook Colab
/transfer_learning_challenge.py         # Código Python (Gerado automáticamente pelo Google Colab)
README.md                               # Este arquivo

Como Usar

1. Carregar as Imagens: Prepare um arquivo .zip contendo as imagens organizadas em duas pastas: liquidificador/ e batedeira/. Você pode usar o código para descompactá-lo no ambiente.

2. Treinamento do Modelo: O modelo será treinado automaticamente com 80% das imagens e validado com 20% das imagens.

3. Testando com Imagens Reais: O modelo pode ser testado com imagens reais. Faça o upload de uma imagem de liquidificador ou batedeira e o modelo irá prever a classe com base na imagem fornecida.

Contribuindo

Contribuições são bem-vindas! Se você tiver melhorias ou correções, por favor, envie um pull request.