Como classificar cães e gatos no Orange Canvas

TL;DR
Para classificar imagens de cães e gatos no Orange Canvas, importe as fotos, gere representações numéricas com Inception V3 e treine um classificador. Na comparação com aproximadamente 2.000 imagens e validação cruzada de 10 partes, a rede neural alcançou 99,5% de acurácia, contra 99,4% da regressão logística. O modelo escolhido classificou corretamente as quatro imagens novas usadas na demonstração.
Transcript
e olha só hoje eu vou mostrar para você como é que você pode fazer classificação de imagens usando hora de cama é cão ou gato vamos ver tudo bem então o que eu vou fazer aqui agora eu tenho aqui uma base de dados né e mais ou menos duas mil imagens tá bom 2000 imagens de cães e gatos aqui ó essa base aqui dentro aqui de treinamento né e aí tem um c... Read More
Key Insights
- O complemento Image Analytics precisa ser instalado para disponibilizar os componentes de análise de imagens.
- A base de treinamento reúne aproximadamente 2.000 imagens, organizadas nas categorias de cães e gatos.
- O Image Embedding usa Inception V3 para transformar as imagens em representações numéricas.
- A rede neural utiliza uma configuração de 32 neurônios para aprender com as representações das imagens.
- A validação cruzada de 10 partes compara os resultados da regressão logística e da rede neural.
- A rede neural alcança 99,5% de acurácia, enquanto a regressão logística apresenta 99,4% na avaliação.
- As imagens novas precisam passar pelo Image Embedding antes de receber classificações no Predictions.
- As quatro imagens novas são classificadas corretamente, incluindo as fotos da cachorrinha Mafalda.
Install to Summarize YouTube Videos and Get Transcripts
Explore YouTube Video Summarizer or Get YouTube Transcript Extractor
Questions & Answers
Q: Como montar um fluxo de classificação de cães e gatos no Orange Canvas?
O fluxo demonstrado começa com a importação de aproximadamente 2.000 imagens de cães e gatos, organizadas em pastas de treinamento. Depois, o componente Image Embedding transforma essas imagens em representações numéricas usando Inception V3. Essas representações são conectadas ao Test and Score, que recebe os algoritmos de regressão logística e rede neural para comparação. A avaliação utiliza validação cruzada de 10 partes. Após escolher a rede neural, o fluxo conecta as representações de treinamento diretamente ao algoritmo e encaminha o modelo ao Predictions para classificar imagens novas.
Q: Como habilitar os componentes de análise de imagens no Orange Canvas?
Para disponibilizar os componentes utilizados na demonstração, é necessário instalar o complemento de análise de imagens do Orange Canvas. O procedimento apresentado consiste em abrir Options, acessar Add-ons e adicionar o complemento Image Analytics. Depois da instalação, o programa deve ser reiniciado. Com os componentes disponíveis, o fluxo pode importar as imagens, gerar suas representações numéricas e visualizar os arquivos carregados. Essa preparação é relevante para quem abre o programa e não encontra os componentes mostrados, pois a demonstração depende desse complemento para trabalhar com a base de cães e gatos.
Q: O que o Image Embedding faz com as imagens de cães e gatos?
O Image Embedding transforma as imagens em representações numéricas que serão usadas pelos algoritmos de classificação. Na configuração apresentada, essa transformação utiliza Inception V3. Ao abrir a tabela de dados depois do processamento, aparecem as imagens acompanhadas dos números gerados para representá-las. O apresentador explica que a etapa de convolução já foi realizada nesse componente, antes do treinamento do classificador. O mesmo procedimento é aplicado às imagens novas. Ele também observa que a primeira execução pode demorar mais, enquanto sua demonstração ocorre rapidamente porque o processamento já havia sido executado antecipadamente.
Q: Como comparar regressão logística e rede neural para classificar imagens?
A comparação é feita conectando as representações numéricas das imagens ao Test and Score e adicionando os dois algoritmos: regressão logística e rede neural. A regressão logística é usada para distinguir as categorias de gato e cachorro. Para a rede neural, o apresentador utiliza uma configuração de 32 neurônios e explica que ela trabalha com as representações já produzidas pelo Image Embedding. A avaliação usa validação cruzada de 10 partes. A regressão logística apresenta 99,4% de acurácia, enquanto a rede neural chega a 99,5%, sendo escolhida para a etapa de previsão.
Q: O que a matriz de confusão mostra sobre os erros dos classificadores?
A matriz de confusão é conectada ao fluxo de avaliação para examinar os erros de classificação de cada algoritmo. Na regressão logística, o apresentador identifica 10 cachorros e três gatos que não foram classificados corretamente. Ao observar a rede neural, ele menciona cinco e seis casos incorretos, sem deixar igualmente clara a associação de cada número à categoria correspondente. Essa inspeção complementa a comparação de acurácia apresentada no Test and Score. Considerando os resultados mostrados, a rede neural é selecionada para classificar as imagens novas, pois apresenta acurácia ligeiramente superior à regressão logística.
Q: Como usar o modelo treinado para classificar imagens novas no Orange Canvas?
As imagens novas são importadas em um fluxo que repete a preparação realizada com os dados de treinamento. Primeiro, o componente de importação carrega os arquivos. Depois, outro Image Embedding gera suas representações numéricas. O apresentador conecta as representações de treinamento diretamente à rede neural escolhida, permitindo que ela seja treinada para fornecer o modelo ao Predictions. As representações das imagens novas também são conectadas ao Predictions. Ao abrir esse componente, aparecem as categorias previstas para cada arquivo. Na demonstração, esse procedimento é aplicado a quatro imagens, com classificações corretas.
Q: Qual foi o resultado da classificação das fotos novas de gatos e cachorros?
O teste com imagens novas utiliza quatro arquivos: dois de gatos e dois de cachorros, incluindo fotos da cachorrinha Mafalda. Depois da importação, os arquivos passam pelo Image Embedding para receber representações numéricas, que são encaminhadas ao Predictions junto com o modelo da rede neural. Os resultados apresentados classificam a primeira imagem como gato e a segunda também como gato. As imagens de Mafalda recebem a categoria de cachorro. O apresentador também visualiza as imagens em uma grade com os rótulos gerados, confirmando as categorias atribuídas aos arquivos utilizados nessa demonstração.
Q: Por que fotos visualmente parecidas receberam categorias diferentes na demonstração?
Na visualização em grade, o apresentador observa que uma foto de Mafalda e uma foto de gato aparecem próximas. Ele relaciona essa proximidade à semelhança da posição dos animais e também à cor, que considera muito parecida nas imagens. Apesar dessa semelhança visual, os rótulos produzidos pela rede neural distinguem corretamente os animais: Mafalda recebe a categoria de cachorro e o outro animal recebe a categoria de gato. A observação destaca o resultado obtido nesses exemplos específicos, nos quais a aparência semelhante não impediu a classificação correta mostrada pelo fluxo.
Summary & Key Takeaways
-
O fluxo começa com a instalação do complemento Image Analytics e a importação de aproximadamente 2.000 imagens de cães e gatos. O Image Embedding usa Inception V3 para gerar representações numéricas.
-
O Test and Score compara regressão logística e uma rede neural configurada com 32 neurônios, usando validação cruzada de 10 partes. As acurácias apresentadas são 99,4% e 99,5%, respectivamente.
-
Após escolher a rede neural, o fluxo gera representações para quatro imagens novas e conecta o modelo ao Predictions. Os dois gatos e os dois cachorros recebem as classificações corretas.
Read in Other Languages (beta)
Share This Summary 📚
Summarize YouTube Videos and Get Video Transcripts with 1-Click
Try YouTube Summary with ChatGPT & Claude or YouTube Transcript Generator
Explore More Summaries from Sandeco 📚






Summarize YouTube Videos and Get Video Transcripts with 1-Click
Try YouTube Summary with ChatGPT & Claude or YouTube Transcript Generator