build(docker): update docker configuration and dependencies

.dockerignore

@@ -0,0 +1,17 @@
+.git
+.github
+__pycache__
+*.pyc
+*.pyo
+*.pyd
+.db
+.sqlite3
+.env
+.venv
+venv
+dataset
+trainer
+output.jpg
+README.md
+Dockerfile
+.dockerignore

.gitignore

@@ -0,0 +1,42 @@
+# Python
+__pycache__/
+*.py[cod]
+*$py.class
+*.so
+.Python
+env/
+build/
+develop-eggs/
+dist/
+downloads/
+eggs/
+.eggs/
+lib/
+lib64/
+parts/
+sdist/
+var/
+wheels/
+*.egg-info/
+.installed.cfg
+*.egg
+
+# Virtual environments
+venv/
+.venv/
+ENV/
+
+# Local configuration
+.env
+.env.example
+
+# Project specific
+dataset/
+trainer/
+output.jpg
+
+# IDEs
+.vscode/
+.idea/
+*.swp
+*.swo

Dockerfile

@@ -1,4 +1,4 @@
-FROM python:3.13.5-slim
+FROM python:3.11-slim
 
 WORKDIR /app
 
@@ -6,6 +6,8 @@ RUN apt-get update && apt-get install -y \
     build-essential \
     curl \
     git \
+    libgl1 \
+    libglib2.0-0 \
     && rm -rf /var/lib/apt/lists/*
 
 COPY requirements.txt ./

README.md

@@ -7,13 +7,61 @@ sdk: docker
 app_port: 8501
 tags:
 - streamlit
+- facial-recognition
+- opencv
 pinned: false
-short_description: Streamlit template space
+short_description: Sistema de Reconhecimento Facial com Streamlit e OpenCV
 ---
 
-# Welcome to Streamlit!
+# Sistema de Reconhecimento Facial
 
-Edit `/src/streamlit_app.py` to customize this app to your heart's desire. :heart:
+Este projeto é uma aplicação web interativa construída com Streamlit e OpenCV para coleta de dados, treinamento e reconhecimento facial.
 
-If you have any questions, checkout our [documentation](https://docs.streamlit.io) and [community
-forums](https://discuss.streamlit.io).
+## Funcionalidades
+
+1.  **Coleta de Dados:** Faça upload de fotos de uma pessoa e o sistema irá detectar e recortar as faces para criar um dataset.
+2.  **Treinamento:** Treine um modelo de reconhecimento (LBPH ou CNN opcional) usando as imagens coletadas.
+3.  **Reconhecimento:** Carregue uma imagem para identificar as pessoas cadastradas.
+
+## Como Executar
+
+### Usando Docker (Recomendado)
+
+1.  Construa a imagem:
+    ```bash
+    docker build -t facial-recognition .
+    ```
+2.  Execute o container:
+    ```bash
+    docker run -p 8501:8501 facial-recognition
+    ```
+3.  Acesse `http://localhost:8501` no seu navegador.
+
+### Localmente
+
+1.  Instale as dependências:
+    ```bash
+    pip install -r requirements.txt
+    ```
+2.  Execute o app:
+    ```bash
+    streamlit run streamlit_app.py
+    ```
+
+## Estrutura do Projeto
+
+- `streamlit_app.py`: Interface web principal.
+- `face_recognition_app.py`: Lógica de processamento de imagem e treinamento.
+- `dataset/`: Armazena as faces recortadas para treino.
+- `trainer/`: Armazena os modelos treinados.
+- `Dockerfile`: Configuração para containerização.
+- `requirements.txt`: Dependências do projeto.
+
+## Requisitos
+
+- Python 3.11
+- OpenCV (contrib)
+- Streamlit
+- NumPy
+- Pillow
+- MTCNN

requirements.txt

@@ -1,12 +1,5 @@
-ipywidgets==8.1.2
-matplotlib==3.8.4
-pandas==2.2.2
-torch==2.8.0
-torchvision==0.23.0
-tqdm==4.66.4
-
-# Adicionados para o projeto de reconhecimento facial
+streamlit==1.32.0
 opencv-contrib-python==4.8.0.76
 numpy==1.26.4
-streamlit
-pillow
+pillow==10.2.0
+mtcnn==0.1.1

test_app.py

@@ -0,0 +1,41 @@
+# Nota: Estes testes requerem Python 3.11 e as dependências do requirements.txt instaladas.
+import unittest
+import numpy as np
+import cv2
+import os
+from pathlib import Path
+from face_recognition_app import ensure_dirs, detect_faces, is_image_file
+
+class TestFacialRecognition(unittest.TestCase):
+    
+    def setUp(self):
+        ensure_dirs()
+        # Criar uma imagem de teste (preta com um quadrado branco simulando uma face)
+        self.test_img = np.zeros((400, 400, 3), dtype=np.uint8)
+        self.test_img_path = 'test_image.jpg'
+        cv2.imwrite(self.test_img_path, self.test_img)
+
+    def tearDown(self):
+        if os.path.exists(self.test_img_path):
+            os.remove(self.test_img_path)
+        if os.path.exists('output.jpg'):
+            os.remove('output.jpg')
+
+    def test_ensure_dirs(self):
+        ensure_dirs()
+        self.assertTrue(Path('dataset').exists())
+        self.assertTrue(Path('trainer').exists())
+
+    def test_is_image_file(self):
+        self.assertTrue(is_image_file('test.jpg'))
+        self.assertTrue(is_image_file('test.PNG'))
+        self.assertFalse(is_image_file('test.txt'))
+        self.assertFalse(is_image_file('test.pdf'))
+
+    def test_detect_faces_empty_image(self):
+        # Uma imagem preta não deve detectar faces (usando Haar Cascade padrão)
+        faces = detect_faces(self.test_img)
+        self.assertEqual(len(faces), 0)
+
+if __name__ == '__main__':
+    unittest.main()