Lab05 - Desafio

Classificação Cifar-100¶

Nesta atividade você deve realizar o treinamento de uma CNN usando as técnicas de Data Augmentation e Callbacks (EarlyStopping, ModelCheckpoint, etc.).

Dataset¶

Usaremos o CIFAR-100 (32×32 RGB) com 100 classes.

Carregamento direto via keras.datasets.cifar100:

from keras.datasets import cifar100

# carrega o dataset com 100 classes
(x_train, y_train), (x_test, y_test) = cifar100.load_data(label_mode="fine")

# Normalização 0–1
x_train = x_train.astype("float32") / 255.0
x_test  = x_test.astype("float32") / 255.0
num_classes = 100

Visão Geral do Pipeline¶

Dataset → Pré-processamento → Data Augmentation → CNN → Treinamento → Avaliação → Modelo Final

Normalizar imagens para [0,1].
Saída: rótulos inteiros 0..99 (usaremos sparse_categorical_crossentropy).

Destaque para alguns pontos importantes:¶

Data Augmentation¶

Exemplo de data augmentation: Lembre-se de usar aumentos leves, adequados a objetos naturais.

alt text

Callbacks¶

Exemplo de Callback

alt text

Entregáveis¶

Notebook com pipeline completo (pré-processamento, modelo, gráficos de treino/val).
models/best_cifar100.h5 salvo via ModelCheckpoint.