Olá, Andressa! Como vai?
Parabéns pela resolução da atividade!
Vi que você explorou o MobileNetV2 para classificação de imagens com Python, utilizou muito bem o preprocessamento para adequar os dados e ainda compreendeu a importância da predição para identificar classes em imagens.
Uma dica interessante para o futuro é aplicar o top=3 no decode_predictions para visualizar mais opções de classes previstas. Assim:
print("Top 3 classes previstas:", decode_predictions(preds, top=3)[0])
Isso faz a exibição das três classes mais prováveis, permitindo uma análise mais completa dos resultados.
Complementando o conhecimento abordado nessa atividade, algumas boas práticas são:
- Verificação do formato da imagem: garantir que esteja compatível com o modelo.
- Interpretação dos resultados: analisar probabilidades para entender a confiança do modelo.
- Uso de diferentes arquiteturas: testar ResNet, Inception ou EfficientNet para comparar desempenho.
Alguns materiais podem estar em inglês, mas é possível compreendê-los usando o recurso de tradução de páginas do próprio navegador.
Ah, uma pergunta: Você acha mais interessante trabalhar com modelos pré-treinados para acelerar resultados ou treinar modelos do zero para maior personalização e controle dos parâmetros?
Fico à disposição! E se precisar, conte sempre com o apoio do fórum.
Abraço e bons estudos!
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!
