Aplicação prática de Redes Convolucionais

Atividade com prazo de entrega até 18/06

1. Objetivo

Utilizar redes neurais convolucionais para tarefas de visão computacional.

2. Enunciado

A atividade ponderada desta sprint consiste em duas partes:

1. Modelo convolucional treinado para detectar algarismos numéricos escritos manualmente;
2. Backend que apresente duas rotas:
   • Uma rota que receba uma imagem de um algarismo e retorne o valor do algarismo. Não é necessário tratar os casos que nenhum foi encontrado, utilizar como referencia o modelo de aula;
   • Uma rota que exiba uma página HTML com um formulário para envio de uma imagem e exiba o valor do algarismo encontrado.

O processo de treinamento do modelo convolucional deve estar no repositório, pode ser por arquivo Python ou notebook. Este modelo deve ser salvo em um arquivo chamado pesos.h5. O backend deve ser feito em Flask.

3. Padrão de entrega

ATENÇÃO

Esses são os critérios mínimos para que eu considere a atividade como entregue. Fique atento, pois o não cumprimento de qualquer um desses critérios pode, no melhor dos casos, gerar um desconto de nota e, no pior deles, invalidar a atividade.

1. A atividade deve ser feita em um repositório aberto no Github. Seu link deve ser fornecido no card da adalove;
2. No README do repositório deve ter instruções claras de como instalar e rodar o sistema criado, comandos em blocos de código e uma expliação sucinta do que fazem;
3. Ainda no README, deve haver um vídeo gravado demonstrando plenamente o funcionamento do sistema criado;

4. Padrão de qualidade

4.1. Modelo (até 5,0 pontos)

Supera (4,0 - 5,0)	Atende (3,0 - 4,0)	Quase lá (1,5 - 3,0)	Insuficiente (0,5 - 1,5)	Desalinhado (0,0 - 0,5)
Além de fazer um bom modelo e exportá-lo, fez uma versão de modelo linear para resolver o mesmo problema e comparou as duas em termos de tempo de treinamento, desempenho e tempo de inferência.	Treinou um bom modelo e exportou ele em um arquivo compatível com a implementação do backend	Treinou um modelo capaz de reconhecer dígitos com acurácia de pelo menos 95%	Fez o treinamento da CNN mas ainda não está com bons resultados	Entrega fora de contexto.

4.2. Backend (at́é 4,0 pontos)

Supera (3,0 - 4,0)	Atende (2,0 - 3,0)	Quase lá (1,0 - 2,0)	Insuficiente (0,5 - 1,0)	Desalinhado (0,0 - 0,5)
Existe uma API com as rotas especificadas e uma implementação distinta para o modelo linear e o modelo convolucional.	Além de implementar uma API com as rotas especificadas para o modelo convolucional, há uma documentação explicando o que cada rota faz.	Implementou uma API com as rotas especificadas, mas não há documentação	Não implementou corretamente ou de forma completa as rotas especificadas no enunciado da atividade.	Entrega fora de contexto.

4.3. Interface (até 1,0 ponto)

Fez uma interface de usuário em que é possível enviar uma imagem de algarismo e receber o resultado da predição? 1,0 ponto =D