Reconhecimento-IA

Este projeto demonstra a criação, treinamento e implementação de um modelo de inteligência artificial utilizando Python, TensorFlow e Keras. O projeto inclui um script principal (main.py) que cria e treina o modelo, e um script de endpoint (endpoint.py) que cria um endpoint Flask para receber imagens e retornar as previsões do modelo.

Imagem de um teste de validação utilizando um dataset com 2.000 imagens.

Como instalar

1. Caso você tenha o git instalado, execute este trecho no prompt de comando dentro do diretório desejado:

git clone https://github.com/Genialogic/Reconhecimento-IA.git

2. Entre dentro da pasta do projeto:

cd ia-recognition

3. Por fim, execute o arquivo python desejado:

py main.py

ou

py endpoint.py

Como treinar um modelo

Para você treinar e criar o seu próprio modelo de reconhecimento de imagem, você deve seguir alguns passos e adicionar as imagens para o estudo do modelo.

1. Treinamento (Train)
   • Este diretório contém as pastas de classes de aprendizado do modelo, junto com as imagens para treino.
   • Acesse o diretório /dataset/train/*.jpg e adicione os arquivos de imagem para que o modelo possa analisá-los e aprender.
   • Exemplo:

/dataset/train/cats/cat01.jpg
/dataset/train/dogs/dog01.jpg

2. Validação (Validation)
   • Este diretório é usado para validar a precisão do modelo com dados que ele ainda não viu durante o treinamento.
   • Acesse o diretório /dataset/validation/*.jpg e adicione as imagens que serão usadas para validar o modelo.
   • Exemplo:

/dataset/validation/cats/cat01.jpg
/dataset/validation/dogs/dog01.jpg

Estrutura das pastas de Treinamento e Validação:

ia-recognition/
├── models/
├── specific-images/
├── uploads/
├── dataset/
│   ├── train/
│   │   ├── cats/
│   │   │   ├── cat01.jpg
│   │   │   ├── cat02.jpg
│   │   └── dogs/
│   │       ├── dog01.jpg
│   │       ├── dog02.jpg
│   ├── validation/
│       ├── cats/
│       │   ├── cat01.jpg
│       │   ├── cat02.jpg
│       └── dogs/
│           ├── dog01.jpg
│           ├── dog02.jpg
├── main.py
├── endpoint.py
└── README.md

Com esta estrutura, o modelo será capaz de diferenciar entre as classes de imagens fornecidas, como exemplo "cats" e "dogs", durante o treinamento e validação.

Note

Após o treinamento, o modelo é salvo automaticamente no formato .keras dentro do diretório /models.

Utilização do Modelo para Identificação de Imagens

Utilização via Script main.py

1. Execute o script main.py:

py main.py

2. Selecione a primeira opção quando solicitado pelo código para realizar previsões nas imagens.
3. O script irá gerar um grid de 3x3 com as previsões das imagens presentes na pasta /specific_images.

Utilização via Endpoint endpoint.py

1. Execute o script endpoint.py:

py endpoint.py

2. Envie uma requisição POST para o endpoint /recognize com a imagem que deseja identificar.
   • Passe o arquivo de imagem com o nome file no corpo da requisição.
3. O endpoint retornará uma resposta JSON com a previsão, por exemplo:

{
  message: "Gato"
}

4. A imagem enviada será salva temporariamente na pasta /uploads, processada pelo modelo, e depois excluída para não consumir espaço em disco.

Com esta configuração, você pode facilmente treinar, validar e usar seu modelo de reconhecimento de imagens tanto localmente via script quanto remotamente via um serviço web.