Os dados em sua maior parte foram coletados de uma base de dados no kaggle e uma pequena parte em download pelo google images, eles estão separados em pastas com os nomes de seus artistas, e além disso, os estilos artísticos dos pintores está rotulada.Esse domínio escolhido no projeto pode possuir uma difícil aprendizagem para a rede neural por conta da possibilidade de um pintor misturar vários estilos artísticos na mesma obra, além disso deve ser levado em consideração que artistas possuem o seu próprio traço para pintar. Esses fatores agravam no desempenho da rede, dificultando em encontrar padrões e devendo ser escolhido com cautela as obras a serem analisadas, evitando colocar obras ou artistas que podem causar um ruído para a rede.

Esses exemplos mostram uma obra do Romantismo, que tem em seu foco a valorização do nacionalismo, forças criativas do indivíduo e da imaginação popular e uma obra Impressionista, que utiliza de pinceladas soltas, representação de paisagens em sua maior parte e decomposição de cores.

Informações

O total de dados a serem utilizados chega a 7870 imagens JPG, sendo elas organizadas em 10 pastas que representam as classes:

-Barroco

-Cubismo

-Expressionismo

-Impressionismo

-Pontilhismo

-PopArt

-Renascimento

-Romantismo

-Simbolismo

-Surrealismo

Distribuição dos arquivos

Dentro de cada classe as obras estão separadas em pastas que representam o seu pintor.

The Museum of Modern Art (MoMA) Collection

Esse github já foi citado anteriormente nesse projeto, mas infelizmente só estava disponível o csv dos arquivos do Museum of Modern Art.

Outras fontes

Existe um outro dataset disponível no kaggle, porém as imagens não estavam rotuladas, com isso, esse processo de organização das imagens poderia demorar muito para o desenvolvimento do projeto e não seria interessante.Também, existem vários sites que disponibilizam pinturas para download, todavia as imagens não estavam rotuladas e a grande maioria são pinturas modernas que não pertencem a alguma gênero artístico para a classificação que será usado neste projeto.

Tecnologias

Python

É uma linguagem interpretada que cresceu muito nos últimos anos,muito utilizada para estudos no segmento de inteligência artificial pela existência de várias ferramentas que auxiliam para o mesmo.Também, possui boas ferramentas para a análise e manipulação de dados, como é o caso do Pandas.

Pandas

É uma biblioteca do Python destinada a análise de dados que possui várias funcionalidades como ler e gravar dados entre estruturas de dados na memória e diferentes formatos de arquivo, alinhamento de dados e manipulação integrada de dados ausentes, fornece filtragem de dados.

Keras

Keras é capaz de rodar em cima do TensorFlow, possui fácil implementação de protótipos pela simplicidade do seu uso e tem suporte a redes convolucionais que será utilizada nesse projeto.

TensorFlow

Além de ser uma biblioteca de código aberto que pode ser utilizada no python, grandes empresas como Google,Coca Cola e Intel utilizam essa tecnologia, proporcionando em uma maior confiabilidade em seu uso e também reconhecimento.Ademais, a comunidade que utiliza a ferramenta é bem ativa e possui uma gama boa de tutoriais e fóruns de discussões.