Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/paulo-santos-ds/visao_computacional
O sistema utiliza inteligência artificial para analisar documentos e características físicas dos visitantes, garantindo que apenas maiores de 18 anos possam acessar as áreas de jogos
https://github.com/paulo-santos-ds/visao_computacional
keras numpy pandas plotly python restnet50 sklearn tensorflow
Last synced: 9 days ago
JSON representation
O sistema utiliza inteligência artificial para analisar documentos e características físicas dos visitantes, garantindo que apenas maiores de 18 anos possam acessar as áreas de jogos
- Host: GitHub
- URL: https://github.com/paulo-santos-ds/visao_computacional
- Owner: paulo-santos-ds
- Created: 2024-11-21T18:32:36.000Z (2 months ago)
- Default Branch: main
- Last Pushed: 2024-11-21T19:11:39.000Z (2 months ago)
- Last Synced: 2024-11-21T19:35:52.067Z (2 months ago)
- Topics: keras, numpy, pandas, plotly, python, restnet50, sklearn, tensorflow
- Homepage:
- Size: 12.7 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Verificação de Idade para entrada no cassino Boa Sorte
## 📋 Descrição do Projeto
Gerente de segurança do cassino Boa Sorte, implementou um rigoroso sistema de verificação de idade para impedir a entrada de menores. O sistema utiliza inteligência artificial para analisar documentos e características físicas dos visitantes, garantindo que apenas maiores de 18 anos possam acessar as áreas de jogos. Os funcionários do estabelecimento foram treinados para seguir protocolos rígidos de identificação e verificando a idade dos clientes automaticamente.
## Objetivo
Desenvolver um modelo de machine learning capaz de estimar a idade de uma pessoa a partir de uma foto, auxiliando no processo de acesso ao estabelecimento.
## 🛠️ Ferramentas e Bibliotecas Utilizadas
- Python
- numpy
- Pandas
- TensorFlow
- Keras
- sklearn
- ResNet-50
- Plotly
## 🔍 Metodologia
- Análise exploratória de dados
- Treinamento de modelo de aprendizado profundo
- Avaliação de desempenho usando Mean Absolute Error (MAE)
## Resultados
- Modelo: ResNet-50
- MAE de Teste: 7,9925
- Status: Aprovado (MAE abaixo de 8)
## Conclusão
EAM (Mean Absolute Error): O EAM, ou Erro Médio Absoluto, é uma métrica que mede a diferença média absoluta entre as previsões do modelo e os valores reais. Um EAM de 7.9925 indica que, em média, as previsões do modelo apresentam um erro
absoluto de aproximadamente 7,99 unidades em relação aos valores observados. O objetivo é minimizar essa métrica o máximo possível, garantindo previsões mais precisas.
Test EAM: O valor de 7.9925 foi calculado no conjunto de teste, indicando a capacidade do modelo de generalizar para dados que não foram utilizados durante o treinamento. Isso significa que, em média, o modelo erra por cerca de 7,99
unidades ao prever os valores no conjunto de teste.
Progresso do Modelo: O modelo ResNet-50 está mostrando progresso durante o treinamento, com uma redução consistente na perda ao longo das épocas. Isso sugere que ele está aprendendo de forma eficaz a capturar os padrões presentes nos
dados.
## Próximos Passos
- Refinamento do modelo
- Redução do erro de predição
- Integração com sistemas de checkout
## Requisitos
- Plataforma GPU para treinamento
- Conjunto de dados de imagens com idades
## 🚀 Como Usar
1. Clone o repositório
```bash
https://github.com/paulo-santos-ds/visao_computaional
```
2. Extrair o arquivo (faces.zip)
```bash
https://github.com/paulo-santos-ds/visao_computacional/blob/main/faces.zip
```
3. Instale as dependências
```bash
pip install -r requirements.txt
```
4. Execute o notebook principal
```bash
visao_computacional.ipynb
```