Este projeto utiliza Redes Neurais Convolucionais (CNNs) para classificar imagens em duas categorias: gatos e cachorros. O objetivo é desenvolver um modelo capaz de identificar com precisão a categoria de uma imagem desconhecida.
- TensorFlow: Para a construção e treinamento da CNN.
- Matplotlib: Para visualização de imagens e gráficos.
- NumPy: Manipulação de arrays e operações matemáticas.
GatoECachorroModelo.ipynb: Contém o código para a construção, treinamento e avaliação do modelo.GatoECachorroTeste.ipynb: Oferece um ambiente para testar o modelo treinado com novas imagens.
As imagens são carregadas usando a classe ImageDataGenerator do TensorFlow, que facilita o carregamento, transformação e aumento de imagens. Esta classe também é usada para realizar aumento de dados em tempo real, uma técnica que gera variações das imagens de treinamento para melhorar a generalização do modelo.
O modelo é uma CNN composta por várias camadas convolucionais seguidas por camadas totalmente conectadas. As camadas convolucionais são responsáveis por extrair características das imagens, enquanto as camadas totalmente conectadas classificam a imagem com base nessas características.
O modelo é treinado usando o conjunto de dados "Cats and Dogs" filtrado. Durante o treinamento, a precisão e a perda são monitoradas em conjuntos de treinamento e validação.
- Abra
GatoECachorroModelo.ipynb. - Execute todas as células sequencialmente para carregar os dados, construir o modelo, treinar e avaliar o desempenho.
- Ao final do treinamento, o modelo é salvo para uso posterior.
- Abra
GatoECachorroTeste.ipynb. - Execute as células para carregar o modelo treinado.
- Faça o upload de imagens de gatos ou cachorros para testar o modelo em tempo real.
Após o treinamento, é essencial revisar a precisão e a perda do modelo no conjunto de treinamento e validação. Isso ajuda a identificar qualquer sinal de sobreajuste ou subajuste. Gráficos e métricas detalhadas podem ser encontrados em GatoECachorroModelo.ipynb.