Classificação de Imagens com Transfer Learning

Cães vs. Gatos usando CNN e VGG16

---

📌 Sobre o Projeto

Este projeto explora, de forma prática, o uso de Transfer Learning para classificação de imagens, comparando o desempenho de dois modelos:

• Uma Rede Neural Convolucional (CNN) treinada do zero
• Um modelo baseado na VGG16, pré-treinada no dataset ImageNet

O objetivo é evidenciar os ganhos em desempenho, velocidade de treinamento e generalização ao utilizar modelos pré-treinados.

---

🎯 Objetivo

Avaliar o impacto do Transfer Learning na tarefa de classificação de imagens entre cães e gatos, considerando:

• Acurácia
• Estabilidade do treinamento
• Capacidade de generalização

Especialmente em cenários com volume limitado de dados.

---

🛠️ Tecnologias Utilizadas

• Python
• TensorFlow / Keras
• NumPy
• Matplotlib
• Google Colab

---

🧠 Metodologia

1. Pré-processamento dos Dados

• Dataset: Kaggle Cats and Dogs

• Redimensionamento das imagens para 224x224

• Normalização dos pixels (0–1)

• One-hot encoding das classes

• Divisão dos dados:

  • Treino: 70%
  • Validação: 15%
  • Teste: 15%

• Limite de 500 imagens por classe para otimização de recursos

---

2. CNN Treinada do Zero

• Arquitetura sequencial com:

  • Camadas convolucionais
  • MaxPooling
  • Dropout
  • Camadas densas

• Função de perda: categorical_crossentropy

• Otimizador: Adam

• Treinamento por 10 épocas

---

3. Transfer Learning com VGG16

• Uso da arquitetura VGG16 pré-treinada na ImageNet
• Camadas convolucionais congeladas
• Substituição da camada final por um classificador Dense + Softmax
• Treinamento apenas da nova camada de saída
• Treinamento por 10 épocas

---

📊 Resultados

Modelo	Acurácia de Teste	Loss
CNN do Zero	63.33%	0.661
VGG16 (Transfer Learning)	88.67%	0.326

🔎 Observações

• O modelo com Transfer Learning apresentou aprendizado mais rápido e estável
• Melhor desempenho mesmo com menos dados
• A CNN treinada do zero apresentou maior dificuldade de convergência

---

🚀 Como Executar

1. Abra o notebook no Google Colab

2. Execute todas as células em sequência

3. Para testar com imagens próprias:

   • Substitua dog_test.jpg ou cat_test.jpg
   • Execute a célula de predição

---

✅ Conclusão

O uso de Transfer Learning mostrou-se altamente eficiente para problemas de visão computacional, entregando melhores resultados com menor custo computacional. A VGG16 demonstrou excelente capacidade de generalização, mesmo com um conjunto de dados reduzido.

---

📎 Referências

• Dataset: Kaggle Cats and Dogs
• Modelo: VGG16 (ImageNet)
• Documentação TensorFlow / Keras