Visualizando os Notebooks
https://app.reviewnb.com/tiagodeliberali/mdc-tcc
Datas importantes
Apresentação Parcial (10/08/2019): 20% da nota.
- A Apresentação Parcial será feita de forma oral (4 a 5 minutos), com auxílio de slides (entre 5 e 10).
- A Apresentação Parcial será avaliada pelo professor e pelos monitores.
- O coordenador de cada grupo deverá submeter no Moodle um arquivo PDF com a apresentação parcial, até dia 09/08/2019.
Apresentação Final (24/08/2019): 80% da nota.
- A Apresentação Final será feita por vídeos de 4 a 5 minutos, preparados por cada grupo, que serão exibidos para a turma no dia 24/08/2019.
- A nota da Apresentação Final será dada pela média simples de duas notas: a média das notas da Banca de Avaliação (composta pelo professor e pelos monitores) e a média das notas dos alunos.
- Para cada projeto haverá notas bônus para as apresentações e para as avaliações realizadas pelos alunos.
- As apresentações serão publicadas no canal YouTube do curso (http://bit.ly/youtube-mdc).
- O coordenador de cada grupo deverá submeter no Moodle um arquivo compactado (zip) contendo um relatório (máximo de 10 páginas em formato PDF) e todos os arquivos fontes usados na realização do projeto, devidamente documentados, até dia 23/08/2019.
Fruits-360
Descrição do projeto
Esse conjunto de dados é composto de imagens de diversas frutas para classificação.
Objetivo Principal
Classificar corretamente as frutas contidas nas imagens.
Técnicas Envolvidas
- Classificação multi-classe.
- Técnicas para análise de imagem.
Desafios
Para esse projeto, alguns desafios são:
- Classificação de 64 tipos de frutas no total.
- Montar uma rede capaz de identificar características nas imagens para identificar frutas de diferentes tipos.
Conjunto de Dados
Extra Info
The following fruits are included: Apples (different varieties: Crimson Snow, Golden, Golden-Red, Granny Smith, Pink Lady, Red, Red Delicious), Apricot, Avocado, Avocado ripe, Banana (Yellow, Red, Lady Finger), Cactus fruit, Cantaloupe (2 varieties), Carambula, Cherry (different varieties, Rainier), Cherry Wax (Yellow, Red, Black), Chestnut, Clementine, Cocos, Dates, Granadilla, Grape (Blue, Pink, White (different varieties)), Grapefruit (Pink, White), Guava, Hazelnut, Huckleberry, Kiwi, Kaki, Kohlrabi, Kumsquats, Lemon (normal, Meyer), Lime, Lychee, Mandarine, Mango, Mangostan, Maracuja, Melon Piel de Sapo, Mulberry, Nectarine, Orange, Papaya, Passion fruit, Peach (different varieties), Pepino, Pear (different varieties, Abate, Kaiser, Monster, Red, Williams), Pepper (Red, Green, Yellow), Physalis (normal, with Husk), Pineapple (normal, Mini), Pitahaya Red, Plum (different varieties), Pomegranate, Pomelo Sweetie, Quince, Rambutan, Raspberry, Redcurrant, Salak, Strawberry (normal, Wedge), Tamarillo, Tangelo, Tomato (different varieties, Maroon, Cherry Red, Yellow), Walnut.
Dataset properties
Total number of images: 71125.
Training set size: 53177 images (one fruit per image).
Test set size: 17845 images (one fruit per image).
Multi-fruits set size: 103 images (more than one fruit (or fruit class) per image)
Number of classes: 103 (fruits).
Image size: 100x100 pixels.
Filename format: image_index_100.jpg (e.g. 32_100.jpg) or r_image_index_100.jpg (e.g. r_32_100.jpg) or r2_image_index_100.jpg or r3_image_index_100.jpg. "r" stands for rotated fruit. "r2" means that the fruit was rotated around the 3rd axis. "100" comes from image size (100x100 pixels).
Different varieties of the same fruit (apple for instance) are stored as belonging to different classes.
Download dataset
kaggle datasets download -d moltean/fruits
https://www.kaggle.com/moltean/fruits
Landmark Recognition
Descrição do projeto
Esse conjunto de dados é composto de imagens de pontos de referência (landmarks) naturais ou feitos pelo homem espalhados pelo mundo.
Objetivo Principal
Identificar corretamente o landmark retratado na imagem.
Técnicas Envolvidas
- Classificação multi-classe.
- Clusterização.
- Técnicas para análise de imagem.
Desafios
Para esse projeto, alguns desafios são:
- Lidar com a grande quantidade de imagens capturadas em diferentes condições (iluminação, ruído, ângulos).
- Classificar a imagem entre 100 possíveis categorias.
- Agrupar landmarks visualmente semelhantes.
Conjunto de Dados
- https://github.com/cvdfoundation/google-landmark
- http://bit.ly/mdc-landmark
- https://www.kaggle.com/c/landmark-recognition-2019
Dados processados
./azcopy copy "https://landmarkdata.blob.core.windows.net/landmarks/?sv=2018-03-28&ss=bfqt&srt=sco&sp=rwdlacup&st=2018-08-04T00%3A00%3A00Z&se=2025-08-05T00%3A00%3A00Z&sig=5OGK9y1MLco0gmF30J2IxerMBzWOZfDME31inzAQDYU%3D" "/media/slow/data" --recursive=true