Um classificador de expressões faciais baseado em Deep Learning capaz de distinguir entre Sorrindo e Neutro/Sério com alta precisão. Desenvolvido e otimizado para execução no Google Colab.

Este projeto foi desenvolvido durante uma aula experimental prática do curso de Inteligência Artificial do Senac RS (Unidade Santa Rosa). O objetivo foi aplicar conceitos de Redes Neurais Convolucionais (CNNs) em um problema real de Visão Computacional.

Este projeto consiste em uma Rede Neural Convolucional (CNN) construída do zero. O sistema processa imagens faciais, extrai características complexas e classifica a emoção.

O projeto foi estruturado inteiramente em Notebook (.ipynb), facilitando a reprodução do experimento na nuvem sem necessidade de configurações locais complexas ou GPUs dedicadas.

• Ambiente Cloud: Configurado para rodar no Google Colab com acesso direto ao Google Drive.
• Download Automático: Script integrado que baixa o dataset CelebA do Kaggle diretamente para a sessão.
• Pipeline de ETL: Organiza automaticamente as imagens descompactadas em pastas de treino/teste.
• Data Augmentation: Aplicação de transformações nas imagens para evitar overfitting.
• Teste Interativo: Célula de inferência com botão de Upload para testar fotos da sua própria webcam ou computador.

O modelo utiliza uma arquitetura sequencial (Sequential) otimizada:

1. Entrada: Imagens (64x64 pixels).
2. Convoluções: 3 camadas (Conv2D) com filtros progressivos (32 -> 64 -> 128) e MaxPooling.
3. Classificador:
   • Flatten para vetorização.
   • Dense (128 neurônios) + ReLU.
   • Dropout (0.5) para regularização.
   • Saída: Sigmoid (Probabilidade Binária: Sorrindo vs Neutro).

O modelo foi treinado por 15 épocas no ambiente do Colab:

A maneira mais fácil de rodar este projeto é clicando no botão "Open in Colab" no topo deste arquivo.

Caso queira fazer manualmente:

1. Baixe o arquivo .ipynb deste repositório.
2. Acesse Google Colab.
3. Faça upload do arquivo.
4. Configuração do Dataset:
   • Você precisará do seu arquivo kaggle.json (Token de API) para baixar os dados automaticamente.
   • Ou, altere a célula de download para carregar um dataset local.
5. Vá no menu Ambiente de Execução > Executar tudo (Run All).

O código está dividido em células lógicas:

1. Configuração: Montagem do Drive e Download de dependências.
2. Engenharia de Dados: Script que separa as fotos em pastas.
3. Treinamento: Construção e fit do modelo.
4. Inferência: Upload de imagem para teste real.

• Google Colab (IDE Nuvem)
• Python 3
• TensorFlow & Keras
• Pandas & NumPy

Desenvolvido por Leandro Perius Heck

Projeto realizado no curso de IA do Senac RS Santa Rosa.