Carregando
0x70Lição 8 de 16

Classifique imagens aprendendo com exemplos

Veja por que as regras escritas à mão falham e depois classifique as imagens comparando-as com exemplos rotulados.

20 min Questionário com 6 perguntas 1 exercício de código
Ao final desta lição, você saberá
  • Explique por que é tão difícil reconhecer objetos com regras escritas à mão
  • Classifique uma imagem com um classificador vizinho mais próximo
  • Use imagens separadas de treinamento e teste

Classificação de imagens atribui um rótulo a uma imagem inteira: gato, cachorro, carro. Você faz isso sem esforço, mas tente escrever as regras: “gato tem orelhas e bigodes pontudos”... visto de que lado? Sob que luz? Meio escondido atrás de um sofá? O mesmo gato produz grades de pixels totalmente diferentes de uma foto para outra.

Experimente

Até 15 XP

Por que os pixels são difíceis

Cada foto abaixo ainda é “um gato”, mas seus pixels parecem completamente diferentes de uma foto típica de gato. Nomeie o desafio que cada um mostra.

0 de 6 classificadosPontuação 0/0
  • “Um gato fotografado diretamente atrás”

  • “Um gato preto em um quarto escuro à noite”

  • “Apenas o rabo de um gato saindo debaixo do cobertor”

  • “Um gato malhado deitado em um tapete com estampa de malhado”

  • “Um gato sob forte luz solar com sombras profundas”

  • “Um gato espiando pelo batente de uma porta”

Aprenda com exemplos

Em vez de regras, dê ao computador muitos exemplos rotulados e deixe-o comparar. O classificador aprendido mais simples é vizinho mais próximo: para rotular uma nova imagem, encontre a imagem de treinamento mais semelhante e copie seu rótulo. A similaridade pode ser a distância L1 - some as diferenças absolutas entre os pixels correspondentes.

As notas do curso CS231n de Stanford usam exatamente esse classificador para introduzir a classificação de imagens. Funciona para imagens pequenas e organizadas, mas a distância bruta dos pixels é facilmente enganada: uma imagem deslocada ou mais escura parece “distante”, embora mostre a mesma coisa. É por isso que os classificadores modernos aprendem recursos.

l1_distance.py
first = [0, 255, 0, 255]
second = [0, 200, 50, 255]
print(sum(abs(a - b) for a, b in zip(first, second)))
Saída
105

Principais conclusões

  • Ponto de vista, iluminação, oclusão e desordem tornam as regras de reconhecimento escritas à mão inúteis.

  • Vizinho mais próximo rotula uma imagem como seu exemplo de treinamento mais semelhante, usando uma distância de pixel como L1.

  • A distância bruta dos pixels é frágil - é por isso que os modelos modernos aprendem recursos.

Quiz da aula

6 perguntas · aprovação com 5 acertos · até 50 XP

Ao passar, você conclui a aula e mantém sua sequência. As perguntas erradas voltarão em sessões de revisão.

Pratique: aplique visão computacional com Python

Use pequenas matrizes de pixels para explorar conceitos de visão, execute seu código com imagens de exemplo e relacione cada resultado à ideia maior de visão computacional.

Exercício 1

Construa um classificador de vizinho mais próximo

+25 XP

A primeira linha é N. Cada uma das próximas N linhas é um rótulo seguido por uma lista JSON de pixels, como cat [0, 255, 0]. A última linha é uma lista JSON de pixels a serem classificados. Imprima a etiqueta da imagem de treinamento com a menor distância L1 (empate: a imagem de treinamento anterior).

  • Brilhante bate escuro
  • Correspondência de padrões
main.py
Carregando editor…

O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.

Dúvidas sobre esta lição

Travou em algum ponto? Pergunte. Descobriu algo? Compartilhe. Explicar também é uma ótima forma de aprender.

Carregando publicações…