O projeto tem como objetivo solucionar desafios complexos em visão computacional, empregando técnicas como processamento de imagens, segmentação, deep Learning e transfer Learning. O foco é aprimorar a precisão e eficiência na análise de imagens, maximizar o aproveitamento de recursos limitados e implementar modelos avançados de modo eficiente.
EXEMPLOS DE APLICAÇÃO:
- Na medicina: detecção de câncer por meio de análise de imagens de exames médicos;
- Na agricultura: contagem de frutos em árvores para avaliação da produção agrícola;
- Em instituições bancárias : Verificação facial para autenticação de identidade em transações financeiras.
RECURSOS DE INFRAESTRUTURA OBRIGATÓRIOS:
- Python: Linguagem de programação versátil e de alto nível;
- TensorFlow: Framework de deep learning de código aberto;
- PyTorch: Framework de deep learning com foco em flexibilidade;
- OpenCV: Biblioteca de visão computacional de código aberto;
- NumPy: Biblioteca essencial para computação numérica em Python;
- Scikit-learn: Biblioteca de aprendizado de máquina em Python;
- GPUs: Unidade de processamento gráfico para aceleração computacional;
- Clusters: Conjuntos de computadores interconectados para processamento paralelo;
- Cloud: Plataformas de computação escalável baseadas na nuvem;
- Google Colab Pro Plus: ambiente de desenvolvimento em cloud e colaborativo;
- Docker: Tecnologia de contêiner para implantação de aplicativos;
- Git: Ferramenta de repositório e controle de versionamento.
FINALIZAÇÃO E ENTREGA DO PROJETO:
Todos os protótipos gerados durante o projeto são entregues ao final da 10° semana.
