/CNN-CIFAR

Repositório dedicado a resolução do dataset CIFAR utilizando CNN

Primary LanguageJupyter Notebook

Deep Learning com CNN

Conjunto de Dados CIFAR-10

O Conjunto de Dados CIFAR (Canadian Institute for Advanced Research) é amplamente reconhecido e utilizado em visão computacional e aprendizado de máquina. Neste trabalho, utilizamos uma das versões mais conhecidas, o CIFAR-10.

Descrição do CIFAR-10:

  • Imagens: 60.000 imagens coloridas (RGB) de 32x32 pixels.

  • Classes: As imagens estão distribuídas em 10 classes, cada uma representando um tipo específico de objeto ou animal.

    1. Avião (classe 0)
    2. Automóvel (classe 1)
    3. Pássaro (classe 2)
    4. Gato (classe 3)
    5. Cervo (classe 4)
    6. Cachorro (classe 5)
    7. Sapo (classe 6)
    8. Cavalo (classe 7)
    9. Navio (classe 8)
    10. Caminhão (classe 9)

  • Distribuição de Imagens por Classe: Cada uma das 10 classes possui 6.000 imagens, proporcionando uma variedade representativa.

  • Conjunto de Treinamento e Teste: O conjunto de treinamento contém 50.000 imagens, enquanto o conjunto de teste possui 10.000 imagens.

Desafios e Relevância:

A diversidade de classes e a resolução relativamente baixa das imagens contribuem para tornar o CIFAR-10 um desafio envolvente para algoritmos de aprendizado de máquina, especialmente no contexto de classificação de imagens. Este conjunto de dados é comumente utilizado como benchmark em pesquisas e competições, proporcionando uma base sólida para avaliação de modelos e algoritmos relacionados à visão computacional.

Proposta de resolução

Não utilizar nenhum modelo pré-treinado, mas sim uma rede simples e funcional, capaz de sem treinada com maior facilidade.

Arquitetura da CNN

Alt text

Curva de Loss

Alt text

Curva de Acurácia

Alt text

Matriz de Confusão e Resultados: Validação

Alt text

Relatório de Resultados - Validação

Precision Recall F1-Score Support
0 0.8246 0.7557 0.7887 479
1 0.9465 0.8374 0.8886 486
2 0.8216 0.6667 0.7361 525
3 0.7039 0.7180 0.7109 500
4 0.7559 0.8261 0.7894 506
5 0.7071 0.7678 0.7362 478
6 0.8569 0.8787 0.8676 511
7 0.8676 0.8561 0.8618 528
8 0.8593 0.9121 0.8849 489
9 0.8265 0.9277 0.8742 498
Accuracy 0.8144 5000
Macro Avg 0.8170 0.8146 0.8138 5000
Weighted Avg 0.8173 0.8144 0.8139 5000

Matriz de Confusão e Resultados: Teste

Alt text

Relatório de Resultados - Teste

Precision Recall F1-Score Support
0 0.8462 0.7812 0.8124 521
1 0.9478 0.8482 0.8953 514
2 0.7867 0.6989 0.7402 475
3 0.7021 0.6600 0.6804 500
4 0.7500 0.8381 0.7916 494
5 0.7331 0.7682 0.7502 522
6 0.8709 0.8691 0.8700 489
7 0.8161 0.8178 0.8169 472
8 0.8587 0.9041 0.8808 511
9 0.8155 0.9243 0.8665 502
Accuracy 0.8114 5000
Macro Avg 0.8127 0.8110 0.8104 5000
Weighted Avg 0.8130 0.8114 0.8108 5000