🏗️ Arquitetura da Rede Convolucional
A CNN aplica
convoluções que detectam padrões locais (bordas, cantos), seguidas de pooling que reduz dimensionalidade preservando características importantes. As camadas finais densas combinam essas features para classificar.
Entrada (24×24×1)
Conv2D + ativação
Pooling
Flatten
Dense (oculta)
Saída (softmax)
📉 Curvas de Treinamento
Acompanhe a evolução do erro (
loss) e da acurácia em cada época, no conjunto de treino e validação. Curvas afastadas indicam overfitting.
Loss × Época
Acurácia × Época
🎨 Filtros Aprendidos
Os filtros são os kernels que a rede aprendeu durante o treinamento. Cada filtro detecta um padrão específico — bordas verticais, diagonais, cantos. Valores claros = ativação positiva, escuros = negativa.
🎨
Treine a rede para visualizar os filtros aprendidos
Cada filtro 3×3 ou 5×5 será mostrado como uma pequena imagem.
🔍 Feature Maps (mapas de ativação)
Aqui você vê o que cada filtro "vê" ao processar uma imagem de entrada. Note como filtros diferentes destacam aspectos distintos da imagem (ex.: bordas horizontais, diagonais, manchas).
🔍
Treine a rede para visualizar os feature maps
Uma imagem de teste será propagada por cada camada convolucional.
📊 Métricas de Avaliação
Resultados no conjunto de teste: precisão, recall e F1-score por classe, além da matriz de confusão.
Acurácia
—
Loss (teste)
—
Macro F1
—
Parâmetros treináveis
—
Matriz de Confusão
Treine a rede primeiro
Relatório de Classificação
Treine a rede primeiro
✏️ Desenhar e Prever
Desenhe uma forma à mão e veja a rede classificando em tempo real. Após treinar, qualquer rabisco será reduzido a 24×24 e propagado pela CNN.
Visualização 24×24 (entrada da rede):
Predição da rede
Treine a rede e desenhe algo
📋 Amostras do Conjunto de Teste
Predições reais sobre amostras de teste. Borda verde = correto, vermelha = erro.
📋
Treine a rede para ver predições