Cats and Dogs Classify

Projeto de visão computacional para análise e comparação de modelos convolucionais a fim de classificar imagens em gato ou cachorro utilizando Transfer-learning e GRAD-CAM. Foram testados os modelos EfficientNetB3, MobileNetV2 e ResNet50, todos utilizando TensorFlow.

A seção Estrutura do Repositório contém uma descrição e link para cada pasta e arquivo do projeto.

Exemplos

As imagens passadas aos modelos foram avaliadas por eles e o resultado é mostrado através do gradiente sobreposto às figuras.

EfficientNetB3

MobileNetV2

ResNet50

Estrutura do Repositório

• assets/: pasta contendo imagens de saída dos modelos com o gradiente;

• data/: pasta gerada em tempo de execução com a base de dados de imagem;

• notebooks/: pasta contendo os arquivos dos modelos em Jupyter Notebook;

  • data_analysis.ipynb: análise inicial sobre os dados e a sua distribuição;
  • efficientNet.ipynb: definição, execução e testes do modelo EfficientNetB3;
  • mobileNet.ipynb: definição, execução e testes do modelo MobileNetV2;
  • resNet.ipynb: definição, execução e testes do modelo ResNet50.

• output/: pasta gerada em tempo de execução com os modelos e históricos de treino salvos;

  • models/: pasta contendo os modelos treinado salvos;
  • history/: pasta contendo os históricos de treinamento salvos.

• utils/: pasta contendo implementações em Python comuns à todos os modelos;

  • extract_data.py: extração dos dados e criação do DataFrame;
  • plot_heatmap.py: plotagem de gráficos e imagens para análise dos resultados;
  • split_data.py: divisão dos dados em treino, teste e validação.

• .gitignore: arquivo de instrução do Git informando quais arquivos e pastas devem ser ignorados;

• Dockerfile: arquivo de instrução para a criação da imagem Docker para o projeto;

• LICENSE: arquivo informando qual a licença de software vigente no projeto;

• README.md: arquivo de ajuda e instrução;

• requirements.txt: arquivo de instrução contendo as bibliotecas necessárias para o projeto.