Criação da rede

Inicialmente, foi definido uma divisão dos dados em 6955 imagens para treino, 2232 para validação e ainda uma amostra de 100 imagens usadas somente para a previsão da rede.

A rede foi arquitetada com camadas convolucionais, maxpooling, dense ,dropout, flatten e activation ,precisando de 684728 parâmetros.

Testes

Primeiro teste

Para o primeiro teste foi definido o treinamento em 40 épocas com um batch de 40 e imagens em tamanho de 150x150.Aproximadamente na época 20 o modelo atingiu cerca 40% de precisão no treino e cerca de 16% de precisão para validação, e nas próximas épocas foi caindo até atingir 11%.

Transfer Learning

Com o resultado anterior,foi utilizado uma outra abordagem utilizando a técnica de Transfer Learning.O modelo utilizado foi o Resnet50 que é uma rede que atinge 3,57% de erro para os dados do ImageNet.Foi definido apenas 10 épocas com o batch de 32 e imagens de tamanho de 150x150.No fim, a rede atingiu uma precisão de 72% para o treino e manteve a precisão para validação de 11%,assim, foi notável um overfitting no modelo.

Alteração no batch

Utilizando o primeiro modelo com a alteração do parâmetro do batch para 140 e com o treino em 15 épocas a precisão do modelo chegou aos 20%,sendo notável uma boa identificação de 2 classes.

Discussões

O modelo ainda tem muito para melhorar, sendo necessário a realização de mais testes como uma alteração na base de dados, já que uma classe possui mais de 2500 imagens em uma base de 9000 imagens.Além disso, técnicas de data augmentation como mudança de contraste podem melhorar na identificação de padrões para outras classes.