Classificação de Imagens com CNNs: Um estudo comparativo entre TensorFlow e PyTorch usando o dataset Animals-10

Abstract

O presente trabalho de conclusão de curso investiga a eficácia comparativa entre os frameworks TensorFlow e PyTorch na tarefa de classificação de imagens do conjunto de dados Animals-10. Para isso, os modelos foram elaborados com base na arquitetura MobileNetV2, utilizando pesos pré-treinados da ImageNet, por meio da técnica de transfer learning, de modo a manter a imparcialidade na comparação. A mesma topologia da rede foi mantida em ambos os casos, com camadas de pooling, densas e dropout. O treinamento seguiu metodologias específicas de cada framework, com utilização da função de perda CrossEntropy e do otimizador Adam, incluindo estratégias como early stopping para TensorFlow, e scheduler para PyTorch. As imagens foram pré-processadas por meio de redimensionamento, garantindo uniformidade no conjunto. A avaliação de desempenho apontou uma acurácia de validação de 92% para o modelo em TensorFlow e 94% para o modelo em PyTorch. Além da acurácia, foram analisadas as matrizes de confusão e as visualizações com Grad-CAM, o que demonstrou padrões de reconhecimento consistentes entre os frameworks. O trabalho de conclusão demonstrou que, com definições de parâmetros padronizadas, ambos os frameworks produzem resultados competitivos, com o PyTorch se destacando no conjunto analisado.