Detecção de Imagens com Deep Learning utilizando TensorFlow e Keras – Mãos à Obra com Red Hat #8

Este tutorial irá guiá-lo pelo processo de reconhecimento de imagens com Deep Learning usando TensorFlow e Keras. Vamos usar o ambiente de desenvolvimento Mão no Código by Red Hat #8 para executar nosso código e treinar um modelo de identificação de imagens.

Passo 1: Preparação do Ambiente

Antes de começarmos, certifique-se de ter o Mão no Código #8 instalado em seu computador. Você pode encontrar instruções sobre como fazer isso no site oficial do projeto. Após a instalação, abra o ambiente de desenvolvimento e vamos começar.

Passo 2: Carregando o Conjunto de Dados

Neste tutorial, usaremos o conjunto de dados CIFAR-10, que consiste em 60.000 imagens coloridas de 32×32 pixels divididas em 10 classes diferentes. Vamos carregar o conjunto de dados usando o TensorFlow.

from tensorflow.keras.datasets import cifar10

(x_train, y_train), (x_test, y_test) = cifar10.load_data()

Passo 3: Pré-processamento dos Dados

Antes de alimentar os dados para o modelo, é importante pré-processá-los. Vamos normalizar os valores dos pixels das imagens para escalá-los entre 0 e 1.

x_train = x_train / 255.0
x_test = x_test / 255.0

Além disso, precisamos converter os rótulos em um formato one-hot encoding para que nosso modelo possa interpretá-los corretamente.

from tensorflow.keras.utils import to_categorical

y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)

Passo 4: Construindo o Modelo

Agora vamos construir nosso modelo de rede neural convolucional usando o Keras. Vamos definir uma arquitetura simples com algumas camadas convolucionais e de pooling.

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(256, activation='relu'))
model.add(Dense(10, activation='softmax'))

Passo 5: Compilando e Treinando o Modelo

Agora que o modelo está construído, precisamos compilá-lo com uma função de perda e um otimizador.

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

Em seguida, podemos treinar o modelo com o conjunto de dados de treinamento.

model.fit(x_train, y_train, batch_size=64, epochs=10, validation_data=(x_test, y_test))

Passo 6: Avaliando o Modelo

Depois que o modelo é treinado, podemos avaliá-lo com o conjunto de dados de teste para ver como ele se sai em relação a dados novos.

loss, accuracy = model.evaluate(x_test, y_test)
print(f'Acurácia do modelo: {accuracy}')

Parabéns! Você concluiu com sucesso o tutorial de reconhecimento de imagens com Deep Learning usando TensorFlow e Keras no ambiente Mão no Código by Red Hat #8. Experimente ajustar a arquitetura do modelo ou os parâmetros do treinamento para ver se você pode melhorar ainda mais a precisão do modelo. Divirta-se codando!