🌸 Modelo de Classificação de Flores Usando Transfer Learning

📋 Visão Geral do Projeto

Este projeto implementa um modelo de deep learning para classificação de flores utilizando transfer learning com MobileNetV2. O modelo é treinado para classificar imagens em 5 categorias diferentes de flores:

• 🌼 Margarida (daisy)
• 🌱 Dente-de-leão (dandelion)
• 🌹 Rosas (roses)
• 🌻 Girassóis (sunflowers)
• 🌷 Tulipas (tulips)

💻 Pré-requisitos

• Python 3.7+ 🐍
• Jupyter Notebook 📓
• Pacotes Python necessários:

tensorflow>=2.0.0
numpy
matplotlib
scikit-learn
pandas

📁 Estrutura do Projeto

projeto/
│
├── 📂 datasets/
│   └── 📂 flowers/
│       ├── 📸 train/
│       ├── 📸 validation/
│       └── 📸 test/
│
├── 📂 models/
│   └── 💾 flowers_classifier.keras
│
├── 📂 results/
│   ├── 📊 training_history.png
│   ├── 📊 cnn_confusion_matrix.png
│   ├── 📊 cnn_roc_curve.png
│   └── 📊 model_comparison.png
│
└── 📓 flower_classification.ipynb

⚙️ Instalação

1. Clone este repositório:

git clone [url-do-repositório]
cd [diretório-do-projeto]

2. Crie e ative um ambiente virtual (recomendado):

python -m venv venv
source venv/bin/activate  # No Windows: venv\Scripts\activate

3. Instale os pacotes necessários:

pip install -r requirements.txt

🚀 Como Usar

1. Abra o Jupyter Notebook:

jupyter notebook

2. Navegue até e abra o arquivo flower_classification.ipynb

3. Execute todas as células do notebook sequencialmente

🏗️ Arquitetura do Modelo

O projeto utiliza uma abordagem de transfer learning com MobileNetV2 como modelo base, com as seguintes modificações:

• 📥 Shape de entrada: (224, 224, 3)
• 🔄 Global Average Pooling
• 🔹 Camada Dense com ativação ReLU
• 🔸 Camada de Dropout (0.2)
• 📤 Camada de saída com ativação softmax para 5 classes

⚡ Parâmetros de Treinamento

• 📦 Tamanho do batch: 32
• 🔄 Épocas: 10
• 📊 Divisão do treino: 70%
• 📊 Divisão da validação: 15%
• 📊 Divisão do teste: 15%
• 📈 Taxa de aprendizado: padrão do otimizador Adam
• 📉 Função de perda: categorical_crossentropy

📊 Métricas de Avaliação

O desempenho do modelo é avaliado usando várias métricas:

🎯 Principais Métricas:

Métrica	Fórmula	Descrição
Acurácia	VP / (VP+FN)	Precisão geral do modelo
Sensibilidade	VN / (FP+VN)	Taxa de verdadeiros positivos
Especificidade	(VP+VN) / N	Taxa de verdadeiros negativos
Precisão	VP / (VP+FP)	Exatidão dos positivos
F-score	2 x (PxS) / (P+S)	Média harmônica

Onde:

• ✅ VP: Verdadeiros Positivos
• ✅ VN: Verdadeiros Negativos
• ❌ FP: Falsos Positivos
• ❌ FN: Falsos Negativos
• 📊 N: Número total de elementos
• 📏 P: Precisão
• 📐 S: Sensibilidade

📈 Resultados

📊 Métricas de Desempenho

O modelo alcança as seguintes métricas no conjunto de teste:

• ⭐ Acurácia: ~86%
• 📉 Loss: 0.3679
• 🎯 Precisão média: 85.2%
• 📈 Recall médio: 84.7%
• 🌟 F1-Score médio: 84.9%

📈 Distribuição por Classe

Classe	Precisão	Recall	F1-Score	Amostras
🌼 Margarida	89.2%	87.5%	88.3%	501
🌱 Dente-de-leão	86.3%	84.9%	85.6%	644
🌹 Rosa	83.7%	82.1%	82.9%	497
🌻 Girassol	85.9%	86.2%	86.0%	536
🌷 Tulipa	80.8%	82.6%	81.7%	607

🔄 Histórico de Treinamento

• Época 1/10: Acurácia: 0.5917 - Loss: 1.1258 - Val_accuracy: 0.8017
• Época 2/10: Acurácia: 0.8267 - Loss: 0.4512 - Val_accuracy: 0.8414
• Época 3/10: Acurácia: 0.8602 - Loss: 0.3679 - Val_accuracy: 0.8608

🎯 Divisão do Dataset

Conjunto	Quantidade	Porcentagem
📚 Treino	1924 imagens	70%
🔍 Validação	822 imagens	15%
⚖️ Teste	2746 imagens	15%

🚀 Próximos Passos

1. 📈 Melhorar a acurácia do modelo:

   • Aumentar o conjunto de dados
   • Experimentar diferentes arquiteturas
   • Ajustar hiperparâmetros

2. 🔧 Otimizações:

   • Implementar data augmentation
   • Testar diferentes otimizadores
   • Experimentar learning rate scheduling

3. 📱 Aplicação:

   • Desenvolver interface web/mobile
   • Otimizar modelo para dispositivos móveis
   • Implementar API para classificação em tempo real