# 📖 Exemplo de Uso - Classificador de Imagens

## 🎯 Cenário: Classificação de Gatos vs Cachorros

Este é um exemplo passo-a-passo de como usar o sistema para criar um classificador de gatos e cachorros.

### Passo 1: Configuração Inicial

1. **Definir número de classes**: 2
2. **Configurar rótulos**:
   - Classe 0: "gato"
   - Classe 1: "cachorro"

### Passo 2: Preparação dos Dados

1. **Coletar imagens**:
   - 20-30 imagens de gatos
   - 20-30 imagens de cachorros
   - Formatos suportados: JPG, PNG, JPEG

2. **Upload das imagens**:
   - Selecionar "Classe 0 - gato"
   - Fazer upload das imagens de gatos
   - Selecionar "Classe 1 - cachorro"
   - Fazer upload das imagens de cachorros

### Passo 3: Configuração do Treinamento

**Parâmetros recomendados para iniciantes**:
- **Batch Size**: 8 (para economizar memória)
- **Tamanho da imagem**: 224,224
- **Modelo**: MobileNetV2 (rápido e eficiente)
- **Épocas**: 5
- **Learning Rate**: 0.001

### Passo 4: Treinamento

1. Clicar em "⚙️ Preparar Dados"
   - Verificar se aparece algo como: "✅ Dados preparados: 35 treino, 10 validação, 5 teste"

2. Clicar em "🚀 Iniciar Treinamento"
   - Aguardar conclusão (2-5 minutos)
   - Observar a redução da loss e aumento da accuracy

### Passo 5: Avaliação

1. **Relatório de avaliação**:
   - Clicar em "📊 Avaliar Modelo"
   - Verificar precision, recall e f1-score

2. **Matriz de confusão**:
   - Clicar em "📈 Matriz de Confusão"
   - Analisar onde o modelo está errando

### Passo 6: Teste com Novas Imagens

1. Fazer upload de imagens novas (que não foram usadas no treinamento)
2. Clicar em "🔮 Predizer"
3. Verificar as predições e níveis de confiança

## 📊 Resultados Esperados

Com um dataset bem balanceado, você deve ver:

- **Accuracy**: 80-95%
- **Confiança**: 70-99% nas predições
- **Tempo de treinamento**: 2-5 minutos (CPU)

## 🚨 Dicas Importantes

### Para melhores resultados:

1. **Qualidade das imagens**:
   - Use imagens claras e bem iluminadas
   - Evite imagens muito pequenas ou borradas
   - Varie poses e ângulos

2. **Balanceamento**:
   - Use aproximadamente o mesmo número de imagens por classe
   - Mínimo de 15-20 imagens por classe

3. **Diversidade**:
   - Inclua diferentes raças
   - Varie ambientes (interno/externo)
   - Diferentes idades dos animais

### Solução de problemas comuns:

1. **"Muito poucas imagens"**:
   - Adicione mais imagens (mínimo 10 por classe)

2. **Accuracy muito baixa**:
   - Verifique se as imagens estão nas classes corretas
   - Aumente o número de épocas
   - Use mais dados de treinamento

3. **Erro de memória**:
   - Reduza o batch size para 4 ou 8
   - Use MobileNetV2 em vez de ResNet50

## 🎓 Expandindo o Projeto

Depois de dominar gatos vs cachorros, tente:

1. **Mais classes**: gatos, cachorros, pássaros
2. **Objetos**: carros, motos, bicicletas
3. **Plantas**: rosas, margaridas, tulipas
4. **Documentos**: faturas, contratos, recibos

## 📈 Métricas de Sucesso

- **Precision**: % de predições corretas para cada classe
- **Recall**: % de exemplos corretamente identificados
- **F1-Score**: Média harmônica entre precision e recall
- **Accuracy**: % geral de acertos

### Interpretação:
- **>90%**: Excelente
- **80-90%**: Muito bom
- **70-80%**: Bom
- **<70%**: Precisa melhorar (mais dados ou ajuste de parâmetros)

---

🎉 **Parabéns!** Agora você tem um classificador de imagens funcionando!