Data

Tools

Indexes

Applications

Experiments

Awesome

An open API service indexing awesome lists of open source software.

https://github.com/peulearning/notebooks_tcc


https://github.com/peulearning/notebooks_tcc

Last synced: 9 days ago
JSON representation

Awesome Lists containing this project

README 

          
# 📊 Projeto de TCC: HealScan - Visão Computacional





  Python

  Google Colab

  Keras

  TensorFlow




---



## 🧠 Sobre o Projeto



Este 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**).



Os 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.



> **💡 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.



---



## 🚀 Tecnologias Utilizadas



* **Linguagem & Ambiente:** 🐍 Python | ☁️ Google Colab

* **Deep Learning:** 🤖 Keras (API de alto nível do TensorFlow)

* **Manipulação de Dados:** 🔢 NumPy | Pandas

* **Visualização:** 📊 Matplotlib | Seaborn

* **Avaliação de Métricas:** 🧪 Scikit-learn



---



## 📁 Estrutura dos Notebooks (Pipeline)



Os notebooks estão organizados de forma estritamente sequencial, representando o fluxo completo de desenvolvimento e engenharia do modelo de visão computacional:



### `1.` 📂 Pré-processamento de Dados

* Carregamento e organização estrutural das imagens.

* Redimensionamento (Resizing) e Normalização dos tensores.

* Separação estratificada dos dados em conjuntos de **Treino, Validação e Teste**.



### `2.` 🔄 Data Augmentation

Aplicação de técnicas para aumentar a variabilidade do dataset, simulando condições reais e reduzindo o *overfitting*:

* Rotação, Zoom e Translação.

* *Flip* horizontal e ajuste de brilho.

* **Objetivo:** Melhorar a generalização do modelo diante de imagens inéditas.



### `3.` 🏗️ Construção dos Modelos

Exploração de diferentes arquiteturas e abordagens:

* **CNNs Customizadas:** Redes Convolucionais criadas do zero para *baseline*.

* **Transfer Learning:** Utilização de arquiteturas pré-treinadas com foco em eficiência computacional, com destaque para a **MobileNetV2**.



### `4.` 🎯 Treinamento

* Definição da topologia e dos hiperparâmetros.

* Configuração de *Loss Functions* e Otimizadores (Adam, SGD).

* Monitoramento em tempo real de métricas críticas (Acurácia e Loss).



### `5.` 📈 Avaliação de Desempenho

* Análise detalhada via **Matriz de Confusão** e Relatório de Classificação.

* Geração de curvas de aprendizado (Acurácia/Loss).

* Análise da curva ROC e cálculo da métrica AUC.



### `6.` ⚡ Otimização

* *Fine-tuning* das camadas base dos modelos de Transfer Learning.

* Ajuste fino de hiperparâmetros.

* Implementação de *Callbacks* como **Early Stopping** e **ReduceLROnPlateau** (Redução de taxa de aprendizado).



### `7.` 📦 Exportação e Testes Finais

* Salvamento dos pesos e da arquitetura dos modelos treinados (preparação para conversão para `.tflite`, por exemplo).

* Validação final com o conjunto de teste (dados nunca antes vistos pelo modelo).



---



## 📊 Resultados Alcançados



Os modelos foram rigorosamente avaliados utilizando métricas clássicas de classificação. Os destaques dos experimentos incluem:



* ✔️ **Boa capacidade de generalização** perante o conjunto de testes.

* ✔️ **Redução significativa de overfitting** após a aplicação de *Data Augmentation*.

* ✔️ **Melhoria expressiva de desempenho** ao adotar estratégias de *Transfer Learning* (MobileNetV2), equilibrando alta acurácia com baixo custo computacional.



---



## ▶️ Como Executar



1.  Acesse o [Google Colab](https://colab.research.google.com/).

2.  Faça o upload dos notebooks deste repositório (`Arquivo > Fazer upload de notebook`).

3.  Monte o seu Google Drive executando a célula correspondente, caso os datasets estejam armazenados lá.

4.  Certifique-se de alterar o tempo de execução para GPU (`Ambiente de execução > Alterar o tipo de ambiente de execução > T4 GPU`).

5.  Execute as células sequencialmente.

6.  Ajuste os diretórios de origem das imagens nos blocos de código iniciais conforme a sua estrutura de pastas.



---



## 📌 Observações



* Os notebooks foram desenvolvidos com foco educacional, experimental e acadêmico.

* 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.



---



## 👨‍💻 Autor



**Pedro Henrique Araújo Mattos Ribeiro** 

*Bacharelando em Sistemas de Informação Turma 121 - Instituto Federal do Norte de Minas Gerais Campus Januária*