Projeto 2

No nosso segunto projeto avaliativo, que corresponderá a 20% da nota final do curso, aplicaremos aprendizado profundo com Keras para classificar fotos de satélite de locais de votação no Brasil. Com base em 5 mil imagens, que poderão ser usadas para treino e teste, o objetivo final é ter um classificador que possa ser utilizado para predizer outra base de validação de 500 imagens.

Para este projeto, você pode usar a arquitetura de modelo que quiser, com hiper-parâmetros que julgar adequados. O único requisito é usar Keras e não utilizar modelos pré-treinados (transfer learning).

Dados

Usaremos um conjunto de 5000 imagens de satélite de locais de votação no Brasil que estão no GitHub do curso. Baixe eles no seu computador (a maneira mais fácil é clonar o repositório inteiro de datasets, ou então clicar em Download ZIP no botão verde no canto superior direito do repositório).

A pasta está organizada da seguinte forma:

mapas
└───treino
│   └───rural
│   └───urbano
└───teste
│   └───rural
│   └───urbano
└───validacao
│   └───rural
│   └───urbano

Dentro da pasta treino há 4000 imagens e, dentro de teste e validacao, 500 em cada. Cada uma dessas pastas está dividida em rural e urbano, indicando o label das imagens. Para carregá-las, basta usar a função image_dataset_from_directory que vimos em aula.

Objetivo

O objetivo central dessa atividade é treinar um modelo de deep learning que consiga classificar imagens de locais de votação como sendo URBANAS ou RURAIS.

Entrega

A entrega deverá ser feita na pasta do GitHub de cada um contendo:

  • Um notebook ou script com o código utilizado;

  • Um documento (pode ser um PDF compilado pelo notebook, mas também pode ser um README.md) detalhando a metodologia utilizada:

    • Arquitetura utilizada
    • Hiper-parâmetros utilizados
    • Resumo dos resultados obtidos
    • Predição para a base de validação com imagens de satélite sem labels