Number_CNN

Esse projeto é um sistema de reconhecimento de dígitos manuscritos utilizando uma Convolutional Neural Network (CNN). O sistema permite treinar um modelo CNN para reconhecer dígitos manuscritos de 0 a 9, armazenar o modelo treinado e testá-lo em novas entradas de dígitos desenhados no momento de execução.

Estrutura de Diretórios

Number_CNN/
├── data/
│   ├── n0/
│   │   ├── n0_1.png
│   │   ├── ...
│   │   └── n0_200.png
│   ├── ...
│   └── n9/
│       ├── n9_1.png
│       ├── ...
│       └── n9_200.png
├── models/
│   ├── modelo0.keras
│   ├── modelo1.keras
│   ├── modelo2.keras
├── src/
│   ├── main.py
│   ├── load.py
│   └── digits.py
├── test/
│   └── image.py

• data/: Contém imagens de 64 * 64 pixels dos dígitos manuscritos organizados em subpastas de 0 a 9.
• models/: O local onde o modelos CNNs treinados são salvos.
• src/: Contém os scripts Python para treinamento, carregamento de modelo e captura de novos dígitos manuscritos.
• test/: Usado para armazenar a imagem de dígito manuscrito para teste de rede.

Scripts

main.py

O script main.py é responsável pelo treinamento de um CNN, após o carregando das imagens de dígitos, adequação dos valores, e criando do modelo.

load.py

O script load.py permite carregar um modelo previamente treinado e utilizá-lo para reconhecer dígitos em novas imagens desenhadas através da interface gerada com pygame.

digits.py

O script digits.py permite desenhar dígitos na tela e salvá-los como imagens para fins de treinamento do modelo, ele foi inicialmente usado para a criação do dataset.

Utilização

Para utilizar este projeto, siga os passos abaixo:

1. Clone o Repositório: Para começar, clone o repositório do projeto para o seu sistema local. Use o seguinte comando no terminal:

git clone https://github.com/Daniel-Alvarenga/Number_CNN.git

2. Navegue para a Pasta do Projeto: Navegue para a pasta do projeto usando o comando cd. Por exemplo:

cd Number_CNN

3. Crie um Ambiente Virtual (Opcional): Recomenda-se criar um ambiente virtual para isolar as dependências deste projeto. Use venv (Python 3) ou virtualenv:

python -m venv venv

Ative o ambiente virtual:

• No Windows:

venv\Scripts\activate

• No macOS e Linux:

source venv/bin/activate

1. Instale as Dependências: Certifique-se de que as dependências necessárias estejam instaladas. Você pode usar o requirements.txt fornecido para instalar todas as dependências de uma vez:

pip install -r requirements.txt

2. Execute o load.py: Após configurar o ambiente e instalar as dependências, você pode executar o load.py para carregar o modelo treinado e reconhecer dígitos em novas imagens. Use o seguinte comando:

    python src/load.py

3. Selecione a tela após o carregar da mesma e desenhe um dígito de 0 a 9 e tecle 's', a previsão irá ser exibida no terminal.