Carregando
0x90Lição 10 de 16

Treinar modelos de visão: dados, aumento e transferência

Saiba como os modelos de visão são treinados, por que eles se ajustam demais e como os modelos de aumento e pré-treinados ajudam.

20 min Questionário com 6 perguntas 1 exercício de código
Ao final desta lição, você saberá
  • Descreva um ciclo de treinamento e reconheça o overfitting
  • Escolha aumentos que mantenham o rótulo verdadeiro
  • Explique o aprendizado por transferência a partir de um modelo pré-treinado

Treinar um modelo de visão é um loop: mostre a ele um lote de imagens rotuladas, meça o quão erradas estão suas previsões (a perda), desloque cada peso levemente na direção que reduz a perda (gradiente descendente) e repita - milhões de vezes.

O grande perigo é o overfitting: o modelo memoriza as imagens de treinamento - incluindo suas peculiaridades, como uma marca d'água que só aparece nas fotos de uma aula - em vez de aprender a aparência dos objetos. Sua acurácia de treinamento continua aumentando enquanto sua acurácia em novas imagens estagna ou cai.

Aumento de dados

Dados mais variados são a melhor cura para o overfitting, e o aumento faz isso de graça: cópias invertidas, levemente giradas, cortadas, mais claras ou mais escuras de cada imagem de treinamento. O modelo aprende que essas mudanças não mudam o que o objeto é. Mas cada aumento deve manter o rótulo true.

Experimente

Até 15 XP

Aumento seguro?

Para cada aumento, decida se o rótulo ainda está correto posteriormente.

0 de 6 classificadosPontuação 0/0
  • “Vire a foto de um cachorro da esquerda para a direita”

  • “Vire um “6” manuscrito de cabeça para baixo”

  • “Deixe uma foto de rua um pouco mais escura”

  • “Corte uma foto para que o pássaro seja cortado da moldura”

  • “Vire uma placa de trânsito que diz “SOMENTE VIRAR À ESQUERDA” da esquerda para a direita”

  • “Gire um “4” manuscrito em 10 graus”

Experimente

Até 15 XP

Faça cópias aumentadas

Cada operação abaixo cria um novo exemplo de treinamento da mesma carta. Qual destes seria seguro para um conjunto de dados de cartas? (Dica: um F espelhado ainda é um F?)

Original: 7 × 6
Resultado: 7 × 6

Nenhuma operação ainda.

Transferir aprendizagem

Raramente você treina um modelo de visão do zero. O aprendizado de transferência começa com um modelo pré-treinado em milhões de imagens (suas camadas iniciais já detectam bordas, texturas e peças), substitui sua última camada e o ajusta em seu conjunto de dados menor. Algumas centenas de imagens rotuladas podem ser suficientes para reconhecer, digamos, os defeitos do seu produto.

Principais conclusões

  • Repetições de treinamento: prever → medir a perda → ajustar os pesos.

  • Overfitting = ótimo em imagens de treinamento, ruim em imagens novas; aumento combate isso, se os rótulos permanecerem verdadeiros.

  • Aprendizado por transferência ajusta um modelo pré-treinado, precisando de muito menos dados.

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

Conte versões distintas da imagem

+25 XP

Leia uma imagem JSON em tons de cinza. Faça quatro versões: a original, uma virada da esquerda para a direita, uma virada de cabeça para baixo e as duas viradas juntas. Imprima quantos dos quatro são diferentes entre si. (Imagens simétricas fornecem menos cópias distintas – e menos informações novas para treinamento.)

  • Sem simetria
  • Espelho simétrico
  • Totalmente simétrico
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…