Entrar Ainda não tem acesso?

Importante

Você está vendo a versão anterior da nova experiência da Alura que estamos preparando para você. Em breve, ela ganha uma identidade visual novinha totalmente pensada em potencializar seus estudos!

1
resposta

Faça como eu fiz: identificando objetos com MobileNetV2

Referente ao curso Fundamentos de IA: investigando algoritmos e abordagens de machine learning, no capítulo Processando imagens e textos e atividade Faça como eu fiz: identificando objetos com MobileNetV2

por Estudante
| 27.3k xp | 118 posts

import tensorflow as tf
from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.applications.mobilenet_v2 import preprocess_input, decode_predictions
from tensorflow.keras.preprocessing import image
import numpy as np

model = MobileNetV2(weights='imagenet')

img_path = 'seu_arquivo.jpg' # substitua pelo caminho da sua imagem
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)

preds = model.predict(x)

print('Classe prevista:', decode_predictions(preds, top=1)[0][0])

1 resposta
por Daniel Nogueira
| 8337.5k xp | 7538 posts
Alura Scuba Team Professor Tutor @FIAP • Analista SE @Alura

Olá, Penha! Como vai?

Parabéns pela resolução da atividade!

Vi que você explorou o MobileNetV2 para classificação com Python, utilizou muito bem o pré-processamento de imagens para adequação e ainda compreendeu a importância da decodificação das previsões para interpretar os resultados.

Continue postando as suas soluções, com certeza isso ajudará outros estudantes e tem grande relevância para o fórum.

Uma dica interessante para o futuro é exibir mais de uma classe prevista para analisar alternativas do modelo. Assim: 

resultado = decode_predictions(preds, top=3)
for i, res in enumerate(resultado[0]):
    print(f"Top {i+1}: {res[1]} ({res[2]*100:.2f}%)")

Isso mostra as três classes mais prováveis com suas respectivas probabilidades.

Se quiser aprofundar ainda mais, algumas boas práticas são:

  • Testar diferentes arquiteturas pré-treinadas: como ResNet ou Inception para comparar desempenho.
  • Aplicar técnicas de data augmentation: melhora a robustez do modelo em imagens variadas.
  • Explorar transfer learning: ajustar o modelo para datasets específicos além do ImageNet.

Ah, uma pergunta: você prefere analisar várias classes previstas para entender melhor o comportamento do modelo ou acha mais útil focar apenas na classe mais provável?

Abraço e bons estudos!

AluraConte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!

Tópicos relacionados

Mostrar mais tópicos Mostrar menos tópicos

Conteúdos Alura com o tema

Trilhas por carreira

Carreiras de IA

Carreiras de Dados

Carreiras de Cyber

Carreiras de DevOps & Cloud

Carreiras de UX & UI

Carreiras de Mobile & Front-End

Carreiras de Back-End

Carreiras de Negócios

Cursos universitários FIAP

Graduação | Pós-graduação | MBA