Spaces:
Running
Running
| <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> | |