📸

Image.sys 2

Crie o seu próprio classificador de imagens no navegador · transferência de aprendizado com CNNs
Author Ramon Mayor Martins, Ph.D. // @rmayormartins // IFSC SJ - Área de Telecomunicações
← IA Tools backend: ? Carregando TF.js
ITERAR AJUSTAR DADOS OU HIPERPARÂMETROS Etapa 1 · Análise dos requisitos Análise dosrequisitos ✓ Etapa 2 · Preparação de dados Preparaçãode dados ✓ Etapa 3 · Treinamento do modelo Treinamentodo modelo ✓ Etapa 4 · Avaliação do modelo Avaliação domodelo ✓ Etapa 5 · Predição Predição ✓ Etapa 6 · Exportação Exportação ✓
Etapas do Aprendizado de Máquina Centrado no Ser Humano · Fonte: Martins et al. (2024) · clique em uma etapa para navegar
Etapa 1 de 6

Análise dos requisitos

Antes de coletar qualquer imagem, defina o problema, quem vai usar o modelo, quais classes ele deve reconhecer e o que conta como sucesso. Essas decisões orientam todas as etapas seguintes e serão registradas na ficha do modelo.

📋 Projeto

🏷️ Classes

Cada classe é uma categoria que o modelo vai aprender a separar. São necessárias pelo menos 2. Prefira classes mutuamente exclusivas e visualmente distinguíveis; considere uma classe "fundo" ou "nenhum" se o modelo vai ver cenas vazias.

🎯 Critérios de sucesso

Os critérios são verificados automaticamente na Avaliação. Definir a meta antes de treinar evita "mover a trave" depois de ver o resultado.

🖥️ Contexto de uso e restrições

✅ Checklist da etapa

    Etapa 2 de 6

    Preparação de dados

    Colete exemplos de cada classe pela webcam ou por arquivos, arraste imagens sobre um cartão, importe uma pasta (uma subpasta por classe) ou um .zip. Depois defina a divisão treino/validação/teste e o aumento de dados.

    ✂️ Divisão dos dados

    A divisão é estratificada (mesma proporção em cada classe) e determinística pela semente, para que experimentos diferentes sejam comparáveis. Treino recebe o restante.

    🖼️ Pré-processamento e aumento de dados

    O aumento de dados cria variações sintéticas só no conjunto de treino, ensinando o modelo a ignorar posição, iluminação e orientação. Validação e teste usam as imagens originais.

    🩺 Diagnóstico do conjunto

    Etapa 3 de 6

    Treinamento do modelo

    Escolha o modelo base, a arquitetura da cabeça de classificação e os hiperparâmetros. Com um modelo pré-treinado, a rede convolucional funciona como extratora de características (congelada) e apenas a cabeça aprende, exatamente como no Teachable Machine.

    🧠 Modelo base (backbone)

    🧩 Arquitetura

    congeladotreinável

    🎛️ Hiperparâmetros

    Taxa de aprendizado controla o tamanho do passo do gradiente: alta demais oscila, baixa demais demora. Early stopping interrompe quando a perda de validação para de melhorar, um antídoto contra o sobreajuste.

    🚀 Treinamento

    Aguardando.

    Perda (entropia cruzada)

    Acurácia

    🏗️ Resumo do modelo treinado

    Treine um modelo para ver as camadas e a contagem de parâmetros.
    Etapa 4 de 6

    Avaliação do modelo

    Meça o desempenho em imagens que o modelo nunca viu, compare com os critérios definidos na Etapa 1 e decida: avançar ou voltar para melhorar os dados e os hiperparâmetros. Cada treino fica registrado no histórico de experimentos.

    ↺ Iterar
    Etapa 5 de 6

    Predição

    Use o modelo em situações reais: ao vivo pela webcam ou com imagens de arquivo (arraste, escolha ou cole com Ctrl+V). Observe quando ele fica inseguro, isso revela os limites do conjunto de dados.

    🎥 Webcam ao vivo

    Câmera desligada

    📊 Saída do modelo

    Predição
    aguardando
    ligue a webcam ou envie uma imagem
    A saída softmax soma 100% entre as classes conhecidas. O modelo sempre escolhe uma delas, mesmo diante de algo totalmente novo; por isso o limiar e uma classe "fundo" ajudam.

    🖼️ Imagens de arquivo

    Etapa 6 de 6

    Exportação

    Leve o modelo para fora do laboratório: um pacote TensorFlow.js com metadados, uma página de demonstração pronta, a ficha do modelo e o histórico de experimentos.

    📦 Pacote do modelo

      🧾 Documentação e dados

      A ficha do modelo (model card) documenta objetivo, dados, desempenho por classe e limitações conhecidas. É a peça central para que outras pessoas usem o modelo com responsabilidade.

      💻 Como usar o modelo exportado