MOODIE · Modular Observational & Operational Design Image Explorer

Ferramenta open‑source (beta) para coleta, exploração e análise visual de grandes acervos de imagens — sem precisar programar.

MOODIE foi criado como um laboratório pedagógico que aproxima estudantes e profissionais de Design das metodologias de visão computacional, mineração de dados visuais e mapeamento de tendências.
O fluxo completo é dividido em dois notebooks independentes, porém complementares:

Sequência	Notebook (Google Colab)	Para que serve?	Abrir agora
1.	MOODIE Grabber Coleta & pré‑processamento	Faz o download em lote a partir de um CSV de links, renomeia arquivos, remove duplicatas e gera o primeiro dataset estruturado.
2.	MOODIE Image Trends Análise, cores, recomendações	Recebe uma pasta de imagens (vinda do Grabber ou sua própria), extrai features, remove duplicatas, cria mapas de cor, image‑walls e um sistema de recomendação visual Top N.

Fluxo resumido • (a) Colete ⇢ (b) Explore ⇢ (c) Recomende)
1️⃣ Grabber baixa/organiza ► 2️⃣ Trends analisa, gera paletas, painéis e recomendações.

---

✦ Funcionalidades em Destaque

① MOODIE Grabber

• Leitura de CSV com links de imagem (coluna configurável).
• Sampleamento (down‑/up‑/random) antes do download.
• Nomeação opcional (original, hex, pHash).
• Remoção de duplicatas por pHash ou chaves do CSV.
• Extração de metadados (EXIF, dimensões, domínio, tamanho).
• Saídas: pasta imagens/, dataset CSV, relatório, estrutura pronta para o módulo Trends.

② MOODIE Image Trends

• Amostragem extra (caso queira prototipar rápido).
• Extração de embeddings com VGG16 · ResNet50 · MobileNetV2 · InceptionV3 (TensorFlow).
• Deduplicação em três camadas (MD5, pHash, embedding).
• Mapas perceptuais de cor + paletas temáticas & acessíveis (simulação de daltonismo).
• Image‑walls ordenadas por similaridade, cor, ranking ou representatividade.
• Sistema de recomendação:
  • Métricas Cosseno • Euclidiana • Correlação.
  • Pesos ajustáveis para embeddings e colunas extras (média, mediana, Jaccard).
  • Usa imagem interna ou upload externo como referência.
• Dashboards automáticos (referência + wall + paletas) prontos para apresentação.
• Exportação ZIP com CSVs, painéis e imagens geradas (um clique).

---

✦ Requisitos Rápidos

Ambos os notebooks rodam 100 % no Google Colab.
Dependências (tensorflow, scikit‑learn, distinctipy, umap-learn, etc.) são instaladas automaticamente na primeira execução.

• Python ≥ 3.9 (versão do Colab).
• GPU opcional em Colab para acelerar embeddings.

---

✦ Workflow Passo‑a‑Passo

1. Prepare seu CSV (links) ou uma pasta/ZIP de imagens.
2. Abra o notebook Grabber → configure parâmetros → execute as células em ordem.
   • Resultado: pasta imagens/ + datasets/ + reports/.
3. Monte (ou revise) a pasta de imagens que será analisada.
4. Abra o notebook Trends → carregue a pasta imagens/ (e o CSV, se houver).
5. Siga as seções do Trends:
   1. Import → Features → Duplicatas → Cores → Imagewalls → Recomendações.
6. Baixe o ZIP final com dashboards, paletas e CSVs para uso em relatórios, apresentações ou moodboards.

(Você pode pular o Grabber se já tiver as imagens localmente.)

---

Sobre o Autor

Elias Bitencourt é Professor Adjunto no Curso de Design da Universidade do Estado da Bahia (UNEB), com Doutorado em Comunicação pela FACOM/UFBA e Mestrado em Cultura e Sociedade pelo IHAC/UFBA. Foi pesquisador visitante no Centro Milieux (Concordia University, Canadá) em 2019. Atualmente, coordena o Datalab/Design (CNPq) na UNEB, um centro de pesquisa em visualização de dados e metodologias digitais. Sua pesquisa investiga visualização de dados, estudos de plataformas, imaginários digitais e mediação algorítmica nas relações sociais. É pesquisador colaborador no Inova Media Lab (Universidade Nova de Lisboa) e na rede internacional Public Data Lab.

---

Status

O projeto encontra-se em fase beta e está em desenvolvimento contínuo. Contribuições, sugestões e colaborações são bem-vindas.

---

Licença

Este repositório está sob uma Licença de Uso Restrito com Atribuição (acadêmico e não‑comercial).
O conteúdo pode ser utilizado para fins acadêmicos e não-comerciais com devida atribuição ao autor.
Modificações ou redistribuição exigem permissão. Para mais detalhes, consulte o arquivo LICENSE.txt para mais detalhes.

Como citar moodie (formato APA):

Bitencourt, E. (2025). MOODIE Image Trends: Modular Observational & Operational Design Image Explorer (Versão beta) [Repositório GitHub]. Datalab/Design – Universidade do Estado da Bahia. https://github.com/datalabdesign/moodie

_{Site: datalab.org  ·  Instagram: @datalabdesign}