Projeto 4 de TI327 - Tópicos em Inteligência Artificial

🧑‍🎓 Integrantes

• Anna Clara Ferraz - 23306
• Vinícius Dos Santos Andrade - 22333

---

📝 Descrição

Este projeto consiste no desenvolvimento de uma rede neural convolucional (CNN) para a classificação de sinais de trânsito utilizando o conjunto de dados GTSRB (German Traffic Sign Recognition Benchmark). O objetivo é treinar um modelo capaz de reconhecer e classificar imagens de sinais de trânsito em 43 categorias distintas, contribuindo para avanços na área de visão computacional aplicada ao trânsito e segurança viária.

---

🚀 Tecnologias Utilizadas

• Python 3
• TensorFlow 2
• NumPy
• Pillow (PIL)
• scikit-learn

---

📂 Estrutura do Projeto

• traffic.py: Script principal para treinamento da rede neural.
• test_model.py: Script para testar o modelo treinado em novas imagens.
• gtsrb/: Diretório contendo o conjunto de dados organizado em subpastas por classe.
• saved_model/: Diretório onde o modelo treinado é salvo.
• requirements.txt: Arquivo contendo todas as dependências necessárias.
• README.md: Documentação do projeto.

---

🔧 Instalação e Execução

📋 Pré-requisitos

Antes de iniciar, certifique-se de que você tem o Python 3 instalado em seu sistema. Além disso, é recomendado utilizar um ambiente virtual para gerenciar as dependências do projeto.

🛠️ Configurando o Ambiente

1. Clone o Repositório ou Baixe os Arquivos do Projeto:

   git clone https://github.com/seu-usuario/seu-repositorio.git
   cd seu-repositorio

2. Crie um Ambiente Virtual (Opcional, mas Recomendado):

   python -m venv .venv

3. Ative o Ambiente Virtual:

   • Windows:

     .venv\Scripts\activate

   • macOS/Linux:

     source .venv/bin/activate

4. Instale as Dependências Usando o requirements.txt:

   pip install -r requirements.txt

---

🗄️ Preparação do Conjunto de Dados

1. Download do GTSRB Dataset:

   • Baixe o conjunto de dados GTSRB e extraia-o no diretório gtsrb/.

2. Organização do Conjunto de Dados:

   • Certifique-se de que os dados estão organizados em subpastas por classe.

---

🚀 Treinamento do Modelo

• Execute o script traffic.py para iniciar o treinamento da rede neural.

  python traffic.py

• O modelo será salvo no diretório saved_model/ após o término do treinamento.

---

📈 Avaliação do Modelo

Após o treinamento, o modelo será avaliado no conjunto de teste, e as métricas de desempenho serão exibidas no terminal.

---

🧪 Testando o Modelo Treinado

Para testar o modelo em novas imagens, utilize o script test_model.py.

1. Prepare uma Imagem de Teste:

   • Certifique-se de que a imagem está no formato suportado (por exemplo, .ppm, .jpg, .png).
   • Redimensione a imagem para as dimensões adequadas se necessário (30x30 pixels).

2. Execute o Script de Teste:

   python test_model.py

   • O script exibirá a imagem com a classe prevista e a confiança da previsão, além de imprimir as informações no terminal.

---

📊 Resultados Obtidos

• Acurácia de Treinamento: [Insira a acurácia alcançada durante o treinamento, por exemplo, 98%].

• Desempenho do Modelo:

  • O modelo demonstrou alta precisão na classificação de sinais de trânsito, evidenciando a eficácia de redes neurais convolucionais para tarefas de visão computacional.

---

🗂️ Estrutura dos Scripts

traffic.py

• Descrição: Script responsável pelo treinamento do modelo.
• Funcionalidades:
  • Carregamento e pré-processamento dos dados.
  • Construção e compilação da rede neural.
  • Treinamento e avaliação do modelo.
  • Salvamento do modelo treinado.

test_model.py

• Descrição: Script utilizado para testar o modelo treinado em novas imagens.
• Funcionalidades:
  • Carregamento do modelo salvo.
  • Pré-processamento da imagem de teste.
  • Realização da previsão e exibição dos resultados.

---

🤝 Contribuições

Contribuições para o aprimoramento deste projeto são bem-vindas. Sinta-se à vontade para abrir issues ou enviar pull requests.

---

📚 Referências

• GTSRB Dataset: German Traffic Sign Recognition Benchmark
• TensorFlow Documentation
• Keras Documentation
• scikit-learn Documentation
• Pillow Documentation

---

📋 Licença

Este projeto utiliza a licença MIT.

---

📞 Contato

• Anna Clara Ferraz - annaclara2006ferraz@gmail.com
• Vinícius Dos Santos Andrade - vinicius_andrade2010@hotmail.com

---