Passo a Passo no 1º projeto de Inteligência artificial

Introdução

O roteiro tem como objetivo apresentar a plataforma Edge Impulse, oferecendo uma introdução aos seus principais recursos e funcionalidades. Para exemplificar esses conceitos, será desenvolvido um projeto de classificação para identificar se um pulmão está saudável ou apresenta sinais de tuberculose, demonstrando na prática como a plataforma pode ser utilizada para treinar e implementar modelos de aprendizado de máquina.

Edge Impulse

Edge Impulse é a plataforma de inteligência artificial que iremos aprender a usar para a criação do nosso primeiro projeto, com aspectos interessantes para iniciantes na área, pois, além de ser gratuita, seu processamento é feito na nuvem, não necessitando de uma máquina potente. Além disso, é uma IA no-code, ou seja, em nenhum momento da construção do projeto é necessário escrever códigos, facilitando o processo para qualquer pessoa sem experiência na área.

Crie seu projeto

Acesse o site da Edge Impulse e crie sua conta de forma gratuita(Clique no Get Started no canto superior).

Após a criação da conta, clique no Create New Project e irá aparecer essa aba:

Escolha o nome do seu projeto,selecione a opção Personal e selecione Public.

A opção Personal se refere a versão gratuita da plataforma com um limite de uso do processamento na plataforma.

A diferença entre as opções Public e Private é que a primeira permite que qualquer usuário na plataforma visualize e clone o seu projeto, porém sem a possibilidade de editá-lo. Já no modo privado, há uma limitação de até dois projetos, com a vantagem de que eles não podem ser visualizados ou clonados por outros usuários.

A grande vantagem da opção Public é a possibilidade de criar projetos sem limite de quantidade, um benefício que a opção privada não oferece. Por esse motivo, a preferência é criar um projeto público.

Aquisição de Dados

Este será o menu que trabalharemos até o final do projeto, para começar precisamos obter um conjunto de dados, um dataset, que servirá como treinamento e teste para nossa IA aprender a identificar se o pulmão é saudável ou não.

Comece descendo a página e escolha a opção “One label per data item”. Esta opção define se o nosso projeto é de classificação ou detecção de objetos.

Clique em Add data e Upload Data.

O conjunto de dados que usaremos será imagens de Raio-X de pulmões saudáveis e pulmões com tuberculose do site Kaggle que disponibiliza gratuitamente o uso dos datasets feitos pela própria comunidade por isso devemos nos atentar a confiabilidade das imagens.

Com esta problemática de confiabilidade o EAILab possui um post com os conjuntos de dados(datasets) de acesso livre para projetos de IA mais difundidos.

As imagens estão disponíveis aqui, ao acessar faça o download e extraia a pasta zip.

Volte ao Edge Impulse e selecione:

Este processo será feito 2 vezes, a primeira vez selecione a pasta Chest_Radiography_Database e depois a Pasta Normal e coloque o nome (label) de Pulmão saudável e clique em Upload Data. Na segunda vez abra novamente esta aba, selecione novamente a Pasta Chest_Radiography_Database e depois a Pasta Tuberculosis e coloque o nome de Pulmão doente.

Após a coleta de imagens, já é possível criar e treinar nossa IA.

Configure a Inteligência artificial

Clique na opção Create Impulse para começar a ajustar a inteligência artificial e perceberá como é simples o uso da plataforma.

Ao aparecer esta tela, clique em Save. Essas configurações são necessárias apenas para quem pretende embarcar o projeto em um processador específico.

Neste primeiro bloco, ocorre o tratamento das imagens para que possamos uniformizá-las em relação ao tamanho. A quantidade de pixels em uma imagem é um fator crucial, pois cada pixel representa uma informação adicional. Portanto, é necessário equilibrar essa quantidade, já que um excesso de pixels pode aumentar o tempo de processamento da IA e ultrapassar o limite de 20 minutos gratuitos disponíveis na plataforma.

A configuração da altura e largura será 96 pixels e o Resize Mode será alterado para Squash.

Ao lado clique no Add Processing block e selecione a opção Image, a função deste bloco é fazer o pré-processamento da imagem com um código já criado pela a própria Edge Impulse.

Clique no Add Learning Block e selecione o Transfer Learning, um código previamente treinado pela própria plataforma quer irá fazer o ajuste fino para se enquadrar em nosso projeto.

Clique no Save Impulse e clique em Image ao lado.

Mude a escala de RGB para GrayScale e clique para salvar os parâmetros.

A escala de cinza reduz a quantidade de informações armazenadas, deste modo, essa conversão pode diminuir o processamento e simplificar a extração de características. É preciso tomar cuidado com essa escolha, pois, dependendo do projeto, poderá diminuir a eficácia dele. No entanto, como o projeto criado usará imagens de raio-X, não haverá problema.

Clique em Generate features e espere ficar pronto.

Depois, clique em Transfer Learning. Quando a tela aparecer, clique em Save & Train.

Espere o treinamento ser concluído, costuma levar alguns minutos.

No nosso projeto, não é necessário alterar os parâmetros da rede neural, porém, é importante compreender esses conceitos. O primeiro é o número de ciclos de treinamento, conhecido como épocas, que representa a quantidade de vezes em que todos os dados de treino passam pela rede.

Esse número deve ser ajustado adequadamente, pois um valor muito baixo pode resultar em um aprendizado insuficiente, enquanto um valor muito alto pode gerar ruídos.

O segundo conceito é a taxa de aprendizado, que determina a velocidade de atualização dos pesos da rede, ou seja, a correção do algoritmo na tentativa de aumentar a eficácia do modelo.

Caso queira aprender mais sobre Redes Neurais, acesse o post no site do EAILab e aprenda sobre rede neural convolucional e suas aplicações.

Testando a eficácia do projeto

A inteligência artificial do nosso projeto já foi treinada e está pronta. Portanto, nesta fase, iremos testar sua eficácia com imagens inéditas para a IA. As imagens que serão usadas nesse processo já foram separadas automaticamente na etapa de Data Acquisition, com uma divisão de 80% para treiná-la e 20% para testá-la.

Clique em Model Testing, selecione Classify all e aguarde até que o processo seja concluído.

Os resultados do nosso projetos foram esses:

Lembre-se de que a inteligência artificial possui um fator de aleatoriedade, o que pode resultar em pequenas variações nos resultados.

Embarque seu projeto

O último passo, então, é realizar o deployment, ou seja, embarcar o nosso projeto em um dispositivo, carregando o código para que possamos testá-lo na prática. Dentro da plataforma, existem diversas opções, sendo as mais usuais a geração de um QR Code para dispositivos móveis, a utilização da linguagem C# e a programação em Arduino.

O QR code do nosso projeto para escaneamento está disponível abaixo.

Com o seu smartphone, leia o QR-code e aguarde o aplicativo ser instalado.

Abra qualquer foto da base de dados, ou uma imagem nova não utilizada durante a criação da IA. Aponte a câmera do smartphone para a imagem. *** PARABÉNS! *** Veja na tela do aparelho o diagnóstico produzido pelo seu primeiro projeto de IA!

Caso queria acessar o link