{"id":50954850,"url":"https://github.com/peulearning/notebooks_tcc","last_synced_at":"2026-06-18T05:30:49.304Z","repository":{"id":349382790,"uuid":"1199995181","full_name":"peulearning/notebooks_tcc","owner":"peulearning","description":null,"archived":false,"fork":false,"pushed_at":"2026-06-18T03:20:49.000Z","size":30286,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":0,"default_branch":"main","last_synced_at":"2026-06-18T05:13:57.799Z","etag":null,"topics":[],"latest_commit_sha":null,"homepage":null,"language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/peulearning.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null,"notice":null,"maintainers":null,"copyright":null,"agents":null,"dco":null,"cla":null}},"created_at":"2026-04-02T23:35:54.000Z","updated_at":"2026-06-18T03:20:53.000Z","dependencies_parsed_at":null,"dependency_job_id":null,"html_url":"https://github.com/peulearning/notebooks_tcc","commit_stats":null,"previous_names":["peulearning/notebooks_tcc"],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/peulearning/notebooks_tcc","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/peulearning%2Fnotebooks_tcc","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/peulearning%2Fnotebooks_tcc/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/peulearning%2Fnotebooks_tcc/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/peulearning%2Fnotebooks_tcc/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/peulearning","download_url":"https://codeload.github.com/peulearning/notebooks_tcc/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/peulearning%2Fnotebooks_tcc/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":34478105,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-05-26T15:22:16.424Z","status":"online","status_checked_at":"2026-06-18T02:00:06.871Z","response_time":128,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":[],"created_at":"2026-06-18T05:30:45.727Z","updated_at":"2026-06-18T05:30:49.290Z","avatar_url":"https://github.com/peulearning.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# 📊 Projeto de TCC: HealScan - Visão Computacional\n\n\u003cdiv align=\"center\"\u003e\n  \u003cimg src=\"https://img.shields.io/badge/python-3670A0?style=for-the-badge\u0026logo=python\u0026logoColor=ffdd54\" alt=\"Python\"\u003e\n  \u003cimg src=\"https://img.shields.io/badge/Colab-F9AB00?style=for-the-badge\u0026logo=googlecolab\u0026color=525252\" alt=\"Google Colab\"\u003e\n  \u003cimg src=\"https://img.shields.io/badge/Keras-%23D00000.svg?style=for-the-badge\u0026logo=Keras\u0026logoColor=white\" alt=\"Keras\"\u003e\n  \u003cimg src=\"https://img.shields.io/badge/TensorFlow-%23FF6F00.svg?style=for-the-badge\u0026logo=TensorFlow\u0026logoColor=white\" alt=\"TensorFlow\"\u003e\n\u003c/div\u003e\n\n---\n\n## 🧠 Sobre o Projeto\n\nEste repositório contém uma coleção de notebooks desenvolvidos em Python voltados para a construção, treinamento e avaliação de modelos de **Visão Computacional**, com foco em aplicações reais e classificação de imagens (foco no projeto **HealScan**).\n\nOs experimentos foram realizados utilizando o **Google Colab**, permitindo o uso de recursos computacionais acelerados (GPU/TPU), o que facilitou o treinamento e a iteração rápida de redes neurais profundas.\n\n\u003e **💡 Objetivo Principal:** Explorar e aplicar técnicas modernas de Deep Learning para Visão Computacional, criando modelos robustos, eficientes e otimizados que possam ser utilizados em aplicações práticas (como integração mobile *offline-first*), especialmente em contextos que exigem alta precisão de classificação.\n\n---\n\n## 🚀 Tecnologias Utilizadas\n\n* **Linguagem \u0026 Ambiente:** 🐍 Python | ☁️ Google Colab\n* **Deep Learning:** 🤖 Keras (API de alto nível do TensorFlow)\n* **Manipulação de Dados:** 🔢 NumPy | Pandas\n* **Visualização:** 📊 Matplotlib | Seaborn\n* **Avaliação de Métricas:** 🧪 Scikit-learn\n\n---\n\n## 📁 Estrutura dos Notebooks (Pipeline)\n\nOs notebooks estão organizados de forma estritamente sequencial, representando o fluxo completo de desenvolvimento e engenharia do modelo de visão computacional:\n\n### `1.` 📂 Pré-processamento de Dados\n* Carregamento e organização estrutural das imagens.\n* Redimensionamento (Resizing) e Normalização dos tensores.\n* Separação estratificada dos dados em conjuntos de **Treino, Validação e Teste**.\n\n### `2.` 🔄 Data Augmentation\nAplicação de técnicas para aumentar a variabilidade do dataset, simulando condições reais e reduzindo o *overfitting*:\n* Rotação, Zoom e Translação.\n* *Flip* horizontal e ajuste de brilho.\n* **Objetivo:** Melhorar a generalização do modelo diante de imagens inéditas.\n\n### `3.` 🏗️ Construção dos Modelos\nExploração de diferentes arquiteturas e abordagens:\n* **CNNs Customizadas:** Redes Convolucionais criadas do zero para *baseline*.\n* **Transfer Learning:** Utilização de arquiteturas pré-treinadas com foco em eficiência computacional, com destaque para a **MobileNetV2**.\n\n### `4.` 🎯 Treinamento\n* Definição da topologia e dos hiperparâmetros.\n* Configuração de *Loss Functions* e Otimizadores (Adam, SGD).\n* Monitoramento em tempo real de métricas críticas (Acurácia e Loss).\n\n### `5.` 📈 Avaliação de Desempenho\n* Análise detalhada via **Matriz de Confusão** e Relatório de Classificação.\n* Geração de curvas de aprendizado (Acurácia/Loss).\n* Análise da curva ROC e cálculo da métrica AUC.\n\n### `6.` ⚡ Otimização\n* *Fine-tuning* das camadas base dos modelos de Transfer Learning.\n* Ajuste fino de hiperparâmetros.\n* Implementação de *Callbacks* como **Early Stopping** e **ReduceLROnPlateau** (Redução de taxa de aprendizado).\n\n### `7.` 📦 Exportação e Testes Finais\n* Salvamento dos pesos e da arquitetura dos modelos treinados (preparação para conversão para `.tflite`, por exemplo).\n* Validação final com o conjunto de teste (dados nunca antes vistos pelo modelo).\n\n---\n\n## 📊 Resultados Alcançados\n\nOs modelos foram rigorosamente avaliados utilizando métricas clássicas de classificação. Os destaques dos experimentos incluem:\n\n* ✔️ **Boa capacidade de generalização** perante o conjunto de testes.\n* ✔️ **Redução significativa de overfitting** após a aplicação de *Data Augmentation*.\n* ✔️ **Melhoria expressiva de desempenho** ao adotar estratégias de *Transfer Learning* (MobileNetV2), equilibrando alta acurácia com baixo custo computacional.\n\n---\n\n## ▶️ Como Executar\n\n1.  Acesse o [Google Colab](https://colab.research.google.com/).\n2.  Faça o upload dos notebooks deste repositório (`Arquivo \u003e Fazer upload de notebook`).\n3.  Monte o seu Google Drive executando a célula correspondente, caso os datasets estejam armazenados lá.\n4.  Certifique-se de alterar o tempo de execução para GPU (`Ambiente de execução \u003e Alterar o tipo de ambiente de execução \u003e T4 GPU`).\n5.  Execute as células sequencialmente.\n6.  Ajuste os diretórios de origem das imagens nos blocos de código iniciais conforme a sua estrutura de pastas.\n\n---\n\n## 📌 Observações\n\n* Os notebooks foram desenvolvidos com foco educacional, experimental e acadêmico.\n* Os resultados de acurácia e *loss* podem variar ligeiramente dependendo da semente aleatória (*seed*) e do *hardware* alocado pelo Google Colab no momento da execução.\n\n---\n\n## 👨‍💻 Autor\n\n**Pedro Henrique Araújo Mattos Ribeiro** \n*Bacharelando em Sistemas de Informação Turma 121 - Instituto Federal do Norte de Minas Gerais Campus Januária*\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fpeulearning%2Fnotebooks_tcc","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fpeulearning%2Fnotebooks_tcc","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fpeulearning%2Fnotebooks_tcc/lists"}