Deep Learning para classificação de dígitos manuscritos usando Redes Neurais Convolucionais (CNN) no dataset MNIST.

Sobre o Projeto

DeepVisionNet é uma implementação moderna e profissional de classificação de dígitos manuscritos utilizando TensorFlow/Keras. O projeto inclui:

• Arquitetura CNN otimizada com BatchNormalization e Dropout
• Sistema de logging completo para rastreamento de experimentos
• Callbacks avançados (EarlyStopping, ModelCheckpoint, ReduceLROnPlateau)
• Visualizações automáticas de métricas de treinamento
• Argumentos de linha de comando para configuração flexível
• Código orientado a objetos e modular
• Tratamento robusto de erros

Arquitetura do Modelo

Input (28x28x1)
    ↓
Conv2D (32 filters, 3x3) + ReLU + BatchNorm
    ↓
MaxPooling2D (2x2)
    ↓
Conv2D (64 filters, 3x3) + ReLU + BatchNorm
    ↓
MaxPooling2D (2x2)
    ↓
Flatten
    ↓
Dense (128 units) + ReLU
    ↓
Dropout (0.5)
    ↓
Dense (10 units) + Softmax

Parâmetros totais: ~200K parâmetros treináveis

Resultados Esperados

• Acurácia de Teste: ~99.0-99.5%
• Loss de Teste: ~0.03-0.05
• Tempo de Treinamento: ~2-5 minutos (CPU) / ~30-60s (GPU)

Instalação

Requisitos

• Python 3.8 ou superior
• pip

Passo a Passo

1. Clone o repositório:

git clone https://github.com/seu-usuario/DeepVisionNet.git
cd DeepVisionNet

2. Crie um ambiente virtual (recomendado):

python -m venv venv

# Windows
venv\Scripts\activate

# Linux/Mac
source venv/bin/activate

3. Instale as dependências:

pip install -r requirements.txt

Uso

Treinamento Básico

Execute o script com as configurações padrão:

python DeepVisionNet.py

Treinamento Personalizado

Configure hiperparâmetros via argumentos de linha de comando:

python DeepVisionNet.py --epochs 30 --batch-size 256 --learning-rate 0.0005 --output-dir custom_results

Argumentos Disponíveis

Argumento	Tipo	Padrão	Descrição
--epochs	int	20	Número de épocas de treinamento
--batch-size	int	128	Tamanho do batch
--learning-rate	float	0.001	Taxa de aprendizado
--output-dir	str	results	Diretório para salvar resultados

Estrutura de Saída

Após o treinamento, os seguintes arquivos serão gerados no diretório results/:

results/
├── model_best_YYYYMMDD_HHMMSS.keras    # Melhor modelo durante treinamento
├── model_final.keras                    # Modelo final
├── model_summary.txt                    # Resumo da arquitetura
├── training_history.png                 # Gráficos de loss e accuracy
├── training_log_YYYYMMDD_HHMMSS.csv    # Log CSV do treinamento
└── training.log                         # Log completo de execução

Features Avançadas

Callbacks Implementados

1. ModelCheckpoint: Salva o melhor modelo baseado na validação
2. EarlyStopping: Interrompe treinamento se não houver melhoria
3. ReduceLROnPlateau: Reduz learning rate quando métrica estagna
4. CSVLogger: Registra métricas em arquivo CSV

Logging

Sistema de logging em dois níveis:

• Console: Informações principais do progresso
• Arquivo: Log detalhado com timestamps

Visualizações

Gráficos automáticos de:

• Acurácia (treino vs validação)
• Loss (treino vs validação)

Dataset

MNIST (Modified National Institute of Standards and Technology):

• 60.000 imagens de treino
• 10.000 imagens de teste
• 10 classes (dígitos 0-9)
• Imagens em escala de cinza 28x28 pixels

O dataset é carregado automaticamente via tf.keras.datasets.mnist.

Nota: Este projeto foi criado para fins educacionais e demonstração de boas práticas em projetos de Deep Learning.