|
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. |
