Guia Prático: Lab 07 — Visão Computacional com Transfer Learning

Inteligência Artificial II (IA II) — CEFET-MG

📌 Objetivo da Atividade

Neste laboratório prático, você aplicará Transfer Learning utilizando a rede profunda MobileNetV2 (pré-treinada pelo Google no dataset ImageNet com 1,4 milhão de imagens).

O código inicial que você recebeu no arquivo src/transfer_learning_starter.py contém uma CNN básica (treinada do zero). O seu objetivo é apagar esse modelo ruim e substituí-lo por uma arquitetura avançada de Transfer Learning.

Além disso, você aplicará a prática profissional de Experiment Tracking (MLOps), registrando automaticamente todas as suas hipóteses no arquivo historico_experimentos.csv e emitindo sua conclusão de engenharia no terminal.

---

⏱️ Dinâmica de Sala de Aula (60 minutos)

Etapa	Duração	Atividade Principal
Etapa 1	05 min	Rodar o modelo inicial básico (Cenário 0) e registrar o resultado ruim.
Etapa 2	15 min	Implementar a MobileNetV2 congelada (Cenário A - Padrão Ouro).
Etapa 3	20 min	Executar os Cenários de armadilha (Descongelamento e Flatten).
Etapa 4	15 min	Preencher a Conclusão de Engenharia com base no CSV acumulado.
Etapa 5	05 min	Submissão final via git commit e git push no GitLab.

---

🚀 Passo a Passo do Laboratório

🔬 Etapa 1: A Dor de Aprender do Zero (Cenário 0)

Abra o arquivo src/transfer_learning_starter.py e execute-o do jeito que está:

python src/transfer_learning_starter.py

Observe o CSV gerado no terminal. A acurácia será ruim e a loss não convergirá direito. Os testes no pytest tests/test_transfer.py vão reprovar seu modelo.

🏆 Etapa 2: A Mágica do Transfer Learning (Cenário A)

Localize a função criar_modelo_transfer() no código. Apague a CNN básica e implemente a verdadeira anatomia do Transfer Learning, conforme o quadro cirúrgico abaixo:

def criar_modelo_transfer():
    # 1. O BACKBONE (O "Cérebro" pré-treinado no ImageNet)
    base_model = MobileNetV2(
        weights='imagenet',
        include_top=False,        # <-- Remove a cabeça de 1000 classes originais
        input_shape=(96, 96, 3)
    )
    
    # 2. O CONGELAMENTO (Garante que os 2.2M pesos não sejam corrompidos)
    base_model.trainable = False  
    
    # 3. A CABEÇA ADAPTADORA (A "Especialização" para Avião vs Automóvel)
    modelo = Sequential([
        base_model,
        GlobalAveragePooling2D(), # <-- Reduz os mapas de convolução para um vetor plano
        Dense(16, activation='relu'),
        Dropout(0.3),             # <-- Previne memorização (Overfitting)
        Dense(1, activation='sigmoid') # <-- Probabilidade final (Avião=0, Auto=1)
    ])
    
    modelo.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return modelo, base_model

Altere a variável no topo do arquivo para DESCRICAO_EXPERIMENTO = "Cenário A (Padrão GAP)", execute novamente e celebre: \(>98\%\) de acurácia treinando apenas \(20.000\) parâmetros!

💣 Etapa 3: A Armadilha do Descongelamento (Cenário B)

• O que acontece se treinarmos todos os \(2,2\) milhões de pesos com o gradiente maluco da nova cabeça densa?
• Altere DESCRICAO_EXPERIMENTO = "Cenário B (Descongelado)".
• Mude base_model.trainable = True.
• Execute e veja o resultado no CSV (Atenção ao tempo de treinamento e à queda na generalização!).

💥 Etapa 4: A Explosão Dimensional (Cenário C)

• Restaure para o Cenário A (congele a base).
• Altere DESCRICAO_EXPERIMENTO = "Cenário C (Flatten)".
• Troque GlobalAveragePooling2D() por Flatten().
• Execute e observe na tabela CSV a diferença bizarra de Parâmetros Treináveis. O modelo fica enorme sem necessidade.

---

📊 O Painel de Rastreamento Acumulado

Ao final da Etapa 4, o seu terminal exibirá o painel completo:

=======================================================================================
📋 PAINEL DE EXPERIMENTOS ACUMULADOS (historico_experimentos.csv)
=======================================================================================
#   | Descrição              | Treináveis  | Épocas | Loss   | Acurácia | Status
----+------------------------+-------------+--------+--------+----------+-----------------
1   | Cenário 0 (Rede Básica)| 553,233     | 5      | 0.6931 | 55.20%   | 🔴 Reprovado
2   | Cenário A (Padrão GAP) | 20,513      | 5      | 0.0481 | 98.10%   | 🏆 Nível Ouro
3   | Cenário B (Descongel.) | 2,278,497   | 3      | 0.1241 | 91.20%   | 🟢 Aprovado
4   | Cenário C (Flatten)    | 184,336     | 4      | 0.0825 | 95.50%   | 🏆 Nível Ouro
=======================================================================================

---

🧠 Etapa 5: Conclusão de Engenharia

Com a tabela historico_experimentos.csv pronta, vá até o final do arquivo src/transfer_learning_starter.py e escreva sua conclusão na variável CONCLUSAO_ALUNO. Você deve responder: 1. Qual o impacto de congelar a base (Cenário A vs B)? 2. Qual a importância de usar GlobalAveragePooling2D em vez de Flatten()? 3. Qual experimento obteve a engenharia mais otimizada?

---

🧪 Validação e Submissão (GitLab CI/CD)

Restaure o código para o Cenário A (Padrão Ouro) e execute a telemetria do laboratório:

# 1. Avalie as suas métricas e o congelamento
pytest tests/test_transfer.py -v -s

# 2. Submeta o trabalho com o histórico preenchido
git add src/transfer_learning.py historico_experimentos.csv transfer_learning.png
git commit -m "Lab 07 finalizado com telemetria MLOps"
git push origin main