Classificação de Condições Climáticas com CNN

Este projeto implementa uma Rede Neural Convolucional (CNN) para classificar imagens de condições climáticas. Utilizando o Multi-class Weather Dataset, o modelo é capaz de categorizar imagens em quatro classes distintas: ensolarado, chuvoso, nublado e nevando.

Características Principais

• Pré-processamento de Imagens: Uso da classe ImageDataGenerator para normalização e aumento dos dados (data augmentation), incluindo rescale, shear_range, zoom_range e horizontal_flip. Separação dos dados em conjuntos de treinamento e validação na proporção de 80/20.

• Arquitetura do Modelo: Composto por camadas convolucionais e de pooling, seguido por camadas densas e Dropout para evitar overfitting.

• Treinamento do Modelo: Implementação de um callback personalizado para early stopping quando a acurácia de treinamento e validação ultrapassam 95%.

• Visualização de Resultados: Geração de gráficos de acurácia e perda para analisar o desempenho do modelo ao longo das épocas.

• Predição em Novas Imagens: Função para carregar uma imagem externa e prever sua classe climática usando o modelo treinado.

Tecnologias Utilizadas

• Python 3
• TensorFlow e Keras
• NumPy e Pandas
• Matplotlib e Seaborn
• PIL (Python Imaging Library)

Como Utilizar

1. Clone o Repositório:

   git clone https://github.com/augustompm/Multi-class-Weather-Classification.git
   

2. Baixe e adicione o dataset no sub-diretório 'Multi-class Weather Dataset', que se encontra em:

   https://www.kaggle.com/datasets/pratik2901/multiclass-weather-dataset?resource=download
   

Agradecimento: Adaptado a partir do livro Hands-On Guide To Image Classification de Vivian Siahaan.

Este projeto está licenciado sob Creative Commons.