Spaces:
Running
Running
File size: 16,056 Bytes
f05ad43 f426ab3 f05ad43 f426ab3 f05ad43 f426ab3 f05ad43 f426ab3 f05ad43 f426ab3 f05ad43 f426ab3 f05ad43 5a5631d f05ad43 fb8c763 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 |
<!DOCTYPE html>
<html lang="pt-BR">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Relatório Executivo: Desempenho do Modelo de IA</title>
<style>
* {
margin: 0;
padding: 0;
box-sizing: border-box;
}
body {
font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
line-height: 1.6;
color: #333;
background: linear-gradient(135deg, #f5f7fa 0%, #c3cfe2 100%);
min-height: 100vh;
}
.container {
max-width: 1200px;
margin: 0 auto;
padding: 20px;
}
/* Header */
header {
background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
color: white;
padding: 40px 20px;
border-radius: 10px;
margin-bottom: 30px;
box-shadow: 0 10px 30px rgba(0, 0, 0, 0.2);
text-align: center;
}
header h1 {
font-size: 2.5em;
margin-bottom: 10px;
text-shadow: 2px 2px 4px rgba(0, 0, 0, 0.3);
}
header p {
font-size: 1.1em;
opacity: 0.9;
}
.metadata {
display: flex;
justify-content: center;
gap: 30px;
margin-top: 15px;
font-size: 0.95em;
flex-wrap: wrap;
}
/* Main Content */
main {
background: white;
border-radius: 10px;
padding: 40px;
box-shadow: 0 10px 40px rgba(0, 0, 0, 0.1);
margin-bottom: 30px;
}
section {
margin-bottom: 50px;
}
section:last-child {
margin-bottom: 0;
}
h2 {
color: #667eea;
font-size: 1.8em;
margin-bottom: 20px;
padding-bottom: 15px;
border-bottom: 3px solid #667eea;
display: flex;
align-items: center;
gap: 10px;
}
h3 {
color: #764ba2;
font-size: 1.3em;
margin-top: 25px;
margin-bottom: 15px;
}
p {
margin-bottom: 15px;
text-align: justify;
line-height: 1.8;
}
strong {
color: #667eea;
font-weight: 600;
}
/* Tables */
table {
width: 100%;
border-collapse: collapse;
margin: 20px 0;
box-shadow: 0 2px 10px rgba(0, 0, 0, 0.1);
border-radius: 8px;
overflow: hidden;
}
th {
background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
color: white;
padding: 15px;
text-align: left;
font-weight: 600;
}
td {
padding: 12px 15px;
border-bottom: 1px solid #eee;
}
tr:hover {
background-color: #f9f9f9;
}
tr:last-child td {
border-bottom: none;
}
/* Highlights */
.highlight {
background-color: #fff3cd;
padding: 20px;
border-left: 4px solid #ffc107;
border-radius: 5px;
margin: 20px 0;
}
.success-box {
background-color: #d4edda;
padding: 20px;
border-left: 4px solid #28a745;
border-radius: 5px;
margin: 20px 0;
}
.metric-card {
display: inline-block;
background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
color: white;
padding: 20px;
border-radius: 8px;
margin: 10px;
text-align: center;
min-width: 150px;
box-shadow: 0 5px 15px rgba(0, 0, 0, 0.1);
}
.metric-card .value {
font-size: 2em;
font-weight: bold;
margin: 10px 0;
}
.metric-card .label {
font-size: 0.9em;
opacity: 0.9;
}
/* Images */
img {
max-width: 100%;
height: auto;
border-radius: 8px;
margin: 20px 0;
box-shadow: 0 5px 15px rgba(0, 0, 0, 0.1);
display: block;
}
/* Lists */
ul, ol {
margin: 15px 0 15px 30px;
}
li {
margin-bottom: 10px;
line-height: 1.8;
}
/* Footer */
footer {
background: #333;
color: white;
text-align: center;
padding: 20px;
border-radius: 10px;
margin-top: 30px;
}
/* Responsive */
@media (max-width: 768px) {
header h1 {
font-size: 1.8em;
}
main {
padding: 20px;
}
.metadata {
flex-direction: column;
gap: 10px;
}
h2 {
font-size: 1.4em;
}
table {
font-size: 0.9em;
}
td, th {
padding: 10px;
}
}
/* Print Styles */
@media print {
body {
background: white;
}
main {
box-shadow: none;
padding: 0;
}
section {
page-break-inside: avoid;
}
}
.emoji {
margin-right: 5px;
}
</style>
</head>
<body>
<div class="container">
<header>
<h1>📊 Relatório Executivo: Desempenho do Modelo de IA</h1>
<p>Análise Completa dos Resultados de Treinamento</p>
<div class="metadata">
<span>📅 Data: 15 de Dezembro de 2025</span>
<span>👤 Autor: Ronaldo Menezes / IA </span>
<span>🎯 Modelo: Vision Transformer (ViT)</span>
</div>
</header>
<main>
<!-- Sumário Executivo -->
<section>
<h2><span class="emoji">📈</span>1. Sumário Executivo</h2>
<p>Este relatório apresenta os resultados do treinamento de um modelo de Inteligência Artificial (IA), arquitetura <strong>ViT (Vision Transformer)</strong>, para a tarefa de <strong>classificação de superfícies</strong> em três categorias: <strong>asfalto, tijolo e grama</strong>. O objetivo do treinamento foi desenvolver um modelo capaz de identificar com alta precisão o tipo de superfície a partir de imagens.</p>
<div class="success-box">
<strong>✓ Resultado Principal:</strong> O modelo alcançou um <strong>desempenho excepcional</strong>, com uma <strong>acurácia final de 99.74%</strong> no conjunto de dados de teste, que simula um ambiente de produção. Este resultado indica que o modelo é extremamente confiável e robusto para a aplicação designada, superando as expectativas iniciais.
</div>
</section>
<!-- Dataset -->
<section>
<h2><span class="emoji">📦</span>2. Visão Geral do Conjunto de Dados</h2>
<p>O treinamento foi realizado com um total de <strong>7,551 imagens</strong>, distribuídas de forma balanceada entre as três classes. O conjunto de dados foi dividido em três partes para garantir uma avaliação rigorosa e imparcial do modelo:</p>
<ul>
<li><strong>Treino (70%):</strong> 5,285 imagens usadas para ensinar o modelo.</li>
<li><strong>Validação (15%):</strong> 1,133 imagens usadas para ajustar os parâmetros do modelo durante o treinamento.</li>
<li><strong>Teste (15%):</strong> 1,133 imagens usadas para a avaliação final do modelo, com dados nunca antes vistos por ele.</li>
</ul>
<table>
<thead>
<tr>
<th>Divisão do Dataset</th>
<th>Número de Imagens</th>
<th>Percentual</th>
</tr>
</thead>
<tbody>
<tr>
<td><strong>Treino</strong></td>
<td>5,285</td>
<td>70%</td>
</tr>
<tr>
<td><strong>Validação</strong></td>
<td>1,133</td>
<td>15%</td>
</tr>
<tr>
<td><strong>Teste</strong></td>
<td>1,133</td>
<td>15%</td>
</tr>
<tr>
<td><strong>Total</strong></td>
<td><strong>7,551</strong></td>
<td><strong>100%</strong></td>
</tr>
</tbody>
</table>
<img src="01_dataset_distribution.png" alt="Distribuição do Dataset"> </section>
<!-- Desempenho Durante Treinamento -->
<section>
<h2><span class="emoji">🎓</span>3. Desempenho Durante o Treinamento</h2>
<p>O modelo foi treinado ao longo de <strong>20 épocas</strong> (ciclos de treinamento). A cada época, a sua performance foi medida para garantir que o aprendizado estava ocorrendo de forma eficiente. Os gráficos abaixo ilustram a evolução da <strong>acurácia</strong> (percentual de acertos) e da <strong>loss</strong> (margem de erro).</p>
<h3>Evolução da Acurácia</h3>
<p>O gráfico demonstra um aumento consistente da acurácia, tanto nos dados de treino quanto nos de validação, estabilizando-se em um patamar próximo a 100%, o que indica um aprendizado bem-sucedido.</p>
<img src="02_accuracy_evolution.png" alt="Evolução da Acurácia">
<h3>Evolução da Loss (Erro)</h3>
<p>De forma complementar, a margem de erro (loss) diminuiu progressivamente ao longo do treinamento, aproximando-se de zero. Isso confirma que o modelo se tornou cada vez mais confiante e preciso em suas previsões.</p>
<img src="03_loss_evolution.png" alt="Evolução da Loss">
</section>
<!-- Resultados Finais -->
<section>
<h2><span class="emoji">🏆</span>4. Resultados Finais</h2>
<p>Após a conclusão do treinamento, o modelo foi avaliado em um conjunto de dados de teste, que ele nunca havia visto antes. Os resultados confirmam a sua alta performance e capacidade de generalização para novos dados.</p>
<h3>Métricas de Desempenho (Conjunto de Teste)</h3>
<div style="text-align: center; margin: 30px 0;">
<div class="metric-card">
<div class="label">Acurácia</div>
<div class="value">99.74%</div>
</div>
<div class="metric-card">
<div class="label">Precisão</div>
<div class="value">99.75%</div>
</div>
<div class="metric-card">
<div class="label">Revocação</div>
<div class="value">99.72%</div>
</div>
<div class="metric-card">
<div class="label">F1-Score</div>
<div class="value">99.73%</div>
</div>
</div>
<table>
<thead>
<tr>
<th>Métrica</th>
<th>Resultado (%)</th>
</tr>
</thead>
<tbody>
<tr>
<td><strong>Acurácia</strong></td>
<td><strong>99.74%</strong></td>
</tr>
<tr>
<td>Precisão</td>
<td>99.75%</td>
</tr>
<tr>
<td>Revocação</td>
<td>99.72%</td>
</tr>
<tr>
<td>F1-Score</td>
<td>99.73%</td>
</tr>
</tbody>
</table>
<div class="highlight">
<strong>📌 Explicação das Métricas:</strong>
<ul>
<li><strong>Acurácia:</strong> Percentual de classificações corretas. 99.74% significa que, a cada 1000 imagens, o modelo acerta, em média, 997.</li>
<li><strong>Precisão:</strong> Das classificações que o modelo fez para uma classe, quantas estavam corretas.</li>
<li><strong>Revocação (Recall):</strong> De todas as imagens que realmente pertenciam a uma classe, quantas o modelo conseguiu identificar.</li>
<li><strong>F1-Score:</strong> Média harmônica entre precisão e revocação, fornecendo uma métrica única de performance.</li>
</ul>
</div>
<img src="04_final_metrics.png" alt="Métricas Finais">
<h3>Comparativo: Validação vs. Teste</h3>
<p>O desempenho do modelo foi consistente entre os conjuntos de validação e teste, o que demonstra que ele não apenas memorizou os dados de treino, mas <strong>aprendeu a generalizar</strong> o conhecimento para novas situações. Esta é uma característica crucial para um modelo de IA robusto e confiável.</p>
<img src="05_validation_vs_test.png" alt="Comparativo Validação vs. Teste">
<img src="06_improvement_progress.png" alt="Progresso de Melhoria">
</section>
<!-- Conclusão -->
<section>
<h2><span class="emoji">✅</span>5. Conclusão</h2>
<div class="success-box">
<p>O treinamento do modelo de classificação de superfícies foi um <strong>sucesso absoluto</strong>. O modelo alcançou um nível de acurácia de <strong>99.74%</strong>, demonstrando alta confiabilidade e precisão.</p>
<p>Com base nestes resultados, o modelo está <strong>apto para ser implementado em ambiente de produção</strong>, onde se espera que ele execute a tarefa de classificação de imagens com um desempenho excelente e consistente. A robustez demonstrada nos testes indica um baixo risco de falhas e uma alta taxa de acerto em cenários do mundo real.</p>
</div>
<h3>Recomendações</h3>
<ul>
<li>✓ Implementar o modelo em ambiente de produção com confiança</li>
<li>✓ Monitorar continuamente o desempenho em dados reais</li>
<li>✓ Realizar atualizações periódicas com novos dados para manter a performance</li>
<li>✓ Documentar o modelo para facilitar manutenção futura</li>
</ul>
</section>
</main>
<footer>
<p>© 2025 Relatório Executivo - Desempenho do Modelo de IA</p>
</footer>
</div>
</body>
</html>
|