Aprendizado de máquina

Esta aplicação utiliza Python para o processamento dos treinamentos, Electron + ReactJS para a aplicação desktop e frontend.

A comunicação entre Python e Electron ocorre via eventos, como se fosse uma bridge (IpcMain e IpcRenderer)

Informações

Utilização

Caso desejar apenas classificar as imagens não clique em executar treinamento ao abrir o programa, consta no cache da aplicação o último treinamento, realizado com todas as imagens. Apenas treine novamente se realmente desejar.

Já existe um arquivo de classificação onde o treinamento foi realizado com todas as imagens de ambos os personagens. Basta testar com uma imagem externa e classificar.

Ao executar o programa será possível realizar o treinamento com todo o dataset (este processo pode levar horas) ~ 2 horas. Ao finalizar o treinamento será exibida a matriz de confusão.

Utilizando arquivo de teste

Caso tenha treinado acidentalmente e cancelado os dados para classificação serão sobrescritos. Na pasta python/_backup_training constam os arquivos para utilizar na aplicação caso necessário.

Copie:

• data.h5 e labels.h5 → resources/python/output

Personagens escolhidos

• Apu Nahasapeemapetilon
• Marge Simpson

Apu Nahasapeemapetilon	Marge Simpson

Características analisadas

Apu Nahasapeemapetilon

• Cor da pele
• Cor da jaqueta/camiseta
• Cor da calça

Marge Simpson

• Cor da pele
• Cor do cabelo
• Cor do vestido

Extraindo características

A análise é baseada em cores com a aplicação de uma tolerância para cada um dos personagens e característica desejada. Na tabela abaixo o processo de extração de características para da Marge onde a cada etapa o range de cores estava sendo calibrado.

Range de cores

Apu Nahasapeemapetilon
Cor da pele					Cor da calça				Cor da camisa
R	145	100	200		202	189	200		36	28	60
G	66	30	130		189	175	210		104	95	150
B	35	0	50		137	119	200		17	0	35
	Alvo	Range			Alvo	Range			Alvo	Range
Marge Simpson
Cor da pele					Cor do cabelo				Cor do vestido
R	205	202	235		65	80	40		142	105	166
G	171	158	195		85	79	110		171	135	215
B	11	0	50		253	145	255		91	0	123
	Alvo	Range			Alvo	Range			Alvo	Range

Análise dos resultados

O processo de treinamento utilizando um dataset com 1914 imagens de Apu e Marge levou aproximadamente 1h 20min em um i7 8700K 4.7GHz + 48GB RAM.

Matriz de confusão

A seguinte matriz de confusão foi obtida após o treinamento utilizando todo o dataset. Os dados identificam a quantidade de falsos positivos, por exemplo.

	Apu	Marge
Apu	143 (TP)	70 (FP)
Marge	34 (FN)	423 (TN)

Apu = 0.0 ; Marge = 1.0

Análise dos dados:

• 143 imagens do personagem Apu foram encontradas onde o esperado era Apu (verdadeiro positivo) e 423 imagens da Marge foram encontradas corretamente (verdadeiro negativo);
• 70 imagens foram encontradas como Marge, porém deveriam ser Apu (falso positivo) e 34 imagens de Apu foram encontradas, porém deveriam ser Marge (falso negativo).