Skip to content

Latest commit

 

History

History
69 lines (51 loc) · 2.97 KB

1-Documentação de Contexto.md

File metadata and controls

69 lines (51 loc) · 2.97 KB

Documentação de Contexto

Este projeto tem como objetivo principal identificar espécies de plantas a partir de imagens utilizando aprendizado de máquina e redes neurais convolucionais (CNN). O sistema foi projetado para processar e classificar imagens em oito categorias distintas com alta precisão.

Introdução

A proposta envolve o uso de técnicas de visão computacional para identificar plantas com base em características visuais, como formato das folhas, tipos de flores e outras propriedades específicas. Essa solução automatizada visa superar os desafios da identificação manual, fornecendo um método acessível, rápido e confiável para diversos públicos, como pesquisadores, agricultores e entusiastas da jardinagem.

Hierarquia do Diretório do Projeto

O projeto foi estruturado da seguinte forma:

.
├── data
│   └── flowers
│       ├── daisy
│       ├── dandelion
│       ├── rose
│       ├── sunflower
│       ├── tulip
│       ├── orchid
│       ├── lavender
│       └── hydrangea
├── data.pickle
├── detec.py
├── myclassifier.py
├── my_model.h5
├── requirements.txt
└── utils.py

Passos para Execução do Projeto

  1. Instale as Dependências
    Antes de executar qualquer script, instale as dependências do projeto usando o seguinte comando no terminal:

    pip install -r requirements.txt

  2. Faça o Download dos Arquivos Necessários
    Acesse e faça o download dos seguintes arquivos no Google Drive:

    • data.pickle: Contém os dados pré-processados (imagens e rótulos).
    • my_model.h5: Modelo treinado e salvo para classificação.
    • data : Contém o dataset de imagens para treinamento e teste.

  3. Estruture o Diretório
    Certifique-se de que a estrutura de diretórios siga o padrão listado acima, colocando o dataset dentro da pasta data/flowers.

  4. Execute os Scripts

    • utils.py: Realiza o pré-processamento das imagens e cria o arquivo data.pickle.
    • myclassifier.py: Treina o modelo utilizando CNN e salva o modelo treinado em my_model.h5.
    • detec.py: Avalia o modelo, realiza predições no conjunto de teste e exibe os resultados.

Resultados Alcançados

  • Acurácia do Modelo: 96% no conjunto de teste.
  • Validação Visual: As predições são apresentadas com comparações entre a classe real e a prevista, permitindo uma análise visual do desempenho.

Link para os Arquivos do Projeto

Acesse os arquivos necessários no Google Drive

Esses arquivos incluem o dataset, os dados pré-processados, o modelo treinado e as validações realizadas durante o desenvolvimento do projeto.