Projetos em Visão Computacional

Este repositório contém projetos pessoais e acadêmicos desenvolvidos para aprimorar minhas habilidades em processamento de imagens e visão computacional. Os projetos foram criados como parte do meu estudo de frameworks como OpenCV e dlib.

---

Detecção de Faces com CNN

Este projeto demonstra a detecção de faces em uma imagem estática utilizando uma Rede Neural Convolucional (CNN) pré-treinada da biblioteca dlib. O modelo utilizado é o mmod_human_face_detector.dat, conhecido por sua alta precisão.

Tecnologias:

• Python
• OpenCV
• dlib

Como Executar:

1. Garanta que você tenha o ambiente virtual ativado e as bibliotecas necessárias instaladas.
2. Baixe o arquivo de pesos mmod_human_face_detector.dat e coloque-o na pasta Visao_Computacional_Guia_Completo/Weights/.
3. Execute o script no terminal:

   python cnn_face_detection.py

---

Detecção de Faces com HOG

Neste projeto, a detecção de faces é realizada utilizando o algoritmo Histogram of Oriented Gradients (HOG) do dlib. Este método é uma abordagem clássica e eficiente, que serve como uma excelente base para entender os fundamentos da detecção de objetos.

Tecnologias:

• Python
• OpenCV
• dlib

Como Executar:

1. Garanta que o ambiente virtual esteja ativado e as dependências instaladas.
2. Execute o script no terminal:

   python hog_face_detection.py

03-Classificador-Gatos-e-Cachorros

Este projeto é um classificador de imagens que utiliza Redes Neurais Convolucionais (CNN) com o framework TensorFlow/Keras para distinguir entre imagens de cães e gatos. O modelo foi treinado com o dataset cat_dog_2.zip e demonstra as etapas de pré-processamento de imagens, construção e treinamento de uma CNN e avaliação de desempenho.

Tecnologias e Dependências

• Python
• TensorFlow
• Keras
• OpenCV
• NumPy
• Matplotlib
• Seaborn

Como Executar

1. Pré-requisitos: Garanta que você tenha um ambiente virtual Python configurado e as bibliotecas necessárias instaladas.

   •   pip install tensorflow opencv-python numpy matplotlib seaborn

2. Dataset: Este projeto utiliza o dataset cat_dog_2.zip. Por ser um arquivo grande, ele não está incluído neste repositório. Faça o download a partir do link abaixo e coloque-o na mesma pasta do script classificador_gatos_cachorros.py.

   • Link para download do dataset: Link para o dataset

3. Execução: Abra o terminal na pasta do projeto e execute o script.

   •   python classificador_gatos_cachorros.py

   • O script irá extrair o dataset, treinar o modelo e exibir a matriz de confusão e a acurácia. O modelo treinado será salvo na mesma pasta, nos arquivos network.json e weights.hdf5.

Sobre o Modelo

A arquitetura da rede neural consiste em camadas convolucionais e de pooling para extrair características das imagens, seguidas por camadas densas para a classificação final.

Avaliação de Desempenho

O projeto inclui a avaliação do modelo usando métricas como acurácia, matriz de confusão e relatório de classificação, demonstrando a capacidade do modelo de generalizar para novas imagens.

Teste com Imagem Única

Ao final da execução, o script carrega uma imagem de teste e utiliza o modelo treinado para fazer uma predição, mostrando o resultado final.

04-Deteccao-Objetos-YOLOv4

Este projeto demonstra a detecção de objetos em imagens e vídeos usando o modelo YOLOv4 (You Only Look Once) e o framework Darknet. O YOLOv4 é um algoritmo de detecção de objetos em tempo real que utiliza aprendizado profundo para identificar múltiplas instâncias de objetos em uma única imagem.

Tecnologias e Pré-requisitos

• Sistema Operacional: Linux (Recomendado) ou WSL (Windows Subsystem for Linux) no Windows.
• Framework: Darknet
• Linguagens/Bibliotecas: C, Python, OpenCV, Matplotlib

Configuração do Ambiente

1. Clone o Repositório Darknet:

   • Abra o terminal e clone o repositório oficial do Darknet:

   git clone [https://github.com/AlexeyAB/darknet](https://github.com/AlexeyAB/darknet)

2. Ajuste o Makefile:

   • Navegue para a pasta darknet no seu terminal:

   cd darknet/

   • Edite o arquivo Makefile para habilitar o suporte à GPU, OpenCV e CUDNN (se tiver uma placa de vídeo NVIDIA compatível):

   # Abra o Makefile em um editor de texto e mude:
   # GPU=0  -> GPU=1
   # CUDNN=0 -> CUDNN=1
   # OPENCV=0 -> OPENCV=1

3. Compile o Darknet:

   • No terminal, compile o projeto:

   make

4. Download dos Pesos do Modelo:

   • Os pesos do YOLOv4 são muito grandes e não estão incluídos no repositório. Faça o download e coloque o arquivo na pasta darknet/.
   • Link para download: yolov4.weights (245MB)

   # Ou use o comando wget no terminal:
   # wget [https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights](https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights)

Como Executar a Detecção

Detecção em Imagem

1. Abra o terminal na pasta darknet/.

2. Execute o comando darknet detect, especificando o arquivo de configuração, os pesos e a imagem.

   • ./darknet detect cfg/yolov4.cfg yolov4.weights data/person.jpg

   • Após a execução, a imagem com as detecções será salva como predictions.jpg.

3. Para visualizar a imagem, você pode usar o script deteccao_yolo_local.py (dentro da pasta 04-Deteccao-Objetos-YOLOv4/) com os comandos:

   • cd ../04-Deteccao-Objetos-YOLOv4/
     python deteccao_yolo_local.py

Detecção em Vídeo (Em Tempo Real)

1. Coloque um arquivo de vídeo na pasta darknet/ (ou em qualquer pasta com um caminho acessível).
2. Execute o comando darknet detector demo, especificando o arquivo de dados, a configuração, os pesos e o caminho para o vídeo.

   • ./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -dont_show <caminho_para_o_video>

---