Add transfer learning and fine-tuning implementation with MobileNetV2 for weather image classification#30
Conversation
… for weather image classification
There was a problem hiding this comment.
Pull request overview
Adds introductory documentation for a new “Transfer Learning e Fine Tuning com CNN” module focused on weather image classification using MobileNetV2, including a Colab entry point and licensing note.
Changes:
- Added a README explaining transfer learning and fine-tuning workflow and linking to a Google Colab notebook.
- Added a module-level LICENSE file indicating CC-BY 4.0.
Reviewed changes
Copilot reviewed 3 out of 5 changed files in this pull request and generated 5 comments.
| File | Description |
|---|---|
| Transfer_learning_ fine_tuning/README.md | Introduces the module, explains transfer learning/fine-tuning strategy, and links to Colab. |
| Transfer_learning_ fine_tuning/LICENSE | Declares the license intended for this module. |
💡 Add Copilot custom instructions for smarter, more guided reviews. Learn how to get started.
| Este material apresenta uma introdução prática ao uso de redes neurais convolucionais pré treinadas para classificação de imagens. O projeto utiliza a arquitetura MobileNetV2 em um problema de visão computacional com imagens meteorológicas, mostrando como aproveitar um modelo já treinado em larga escala para resolver uma tarefa mais específica com menor custo computacional. | ||
|
|
||
| ## O que será abordado | ||
|
|
||
| Ao longo desta pasta, o foco está na preparação do dataset, no preprocessamento das imagens, na montagem do modelo, no treinamento inicial com a base convolucional congelada e na etapa posterior de ajuste fino. A explicação completa da implementação, das decisões técnicas e das etapas do pipeline está documentada diretamente no código principal. |
There was a problem hiding this comment.
Em português, o padrão ortográfico é usar hífen em compostos como “pré-treinadas” e “pré-processamento”. Hoje o texto usa “pré treinadas” e “preprocessamento”, o que pode ser interpretado como erro de escrita; sugiro padronizar para “pré-treinadas” e “pré-processamento”.
| ## Fine tuning | ||
|
|
||
| Fine tuning é a etapa em que parte desse modelo pré treinado deixa de ficar congelada e passa a ser ajustada com os dados do novo problema. Isso permite adaptar melhor as representações aprendidas ao domínio do projeto, preservando o conhecimento geral útil e refinando as camadas mais altas para a tarefa de classificação das condições do tempo. | ||
|
|
There was a problem hiding this comment.
Padronização semelhante aqui: “pré treinado” costuma ser grafado como “pré-treinado” (com hífen) para manter consistência com o restante do texto e com o padrão ortográfico.
|
|
||
| ## Código principal | ||
|
|
||
| O arquivo principal desta pasta demonstra, de forma comentada, como carregar os dados, aplicar augmentation, treinar o modelo, executar o ajuste fino e avaliar os resultados finais. |
There was a problem hiding this comment.
A seção “Código principal” menciona um “arquivo principal” mas não informa qual é (nome/caminho) nem linka para ele. Para facilitar o uso/reprodução, sugiro apontar explicitamente para o notebook/script principal (e.g., um .ipynb ou arquivo em code/) e, se aplicável, alinhar isso com o título do PR que sugere implementação de fine-tuning.
| O arquivo principal desta pasta demonstra, de forma comentada, como carregar os dados, aplicar augmentation, treinar o modelo, executar o ajuste fino e avaliar os resultados finais. | |
| O arquivo principal desta pasta é o notebook [Transfer Learning e Fine Tuning com CNN](https://colab.research.google.com/drive/1KG_nZ4Yf1_IodwdqszUjJv05UGuTGvkB?usp=sharing), que demonstra, de forma comentada, como carregar os dados, aplicar augmentation, treinar o modelo, executar o ajuste fino e avaliar os resultados finais. |
| @@ -0,0 +1 @@ | |||
| This project is under the CC-BY 4.0 license No newline at end of file | |||
There was a problem hiding this comment.
O arquivo LICENSE com apenas uma frase não costuma ser suficiente para caracterizar a licença de forma inequívoca. Sugestão: incluir o texto completo da Creative Commons Attribution 4.0 International (ou pelo menos um identificador SPDX como CC-BY-4.0 + link oficial para o texto) e, se necessário, dados de copyright/atribuição.
| This project is under the CC-BY 4.0 license | |
| SPDX-License-Identifier: CC-BY-4.0 | |
| This project is licensed under the Creative Commons Attribution 4.0 International License (CC BY 4.0). | |
| You should have received a copy of the license along with this project. If not, you can view it at: | |
| https://creativecommons.org/licenses/by/4.0/ | |
| Copyright (c) [year] [copyright holder] | |
| Permission is granted to share and adapt this work, provided that appropriate credit is given, | |
| a link to the license is provided, and any changes made are indicated, in accordance with | |
| the terms of the Creative Commons Attribution 4.0 International License. |
| # Transfer Learning e Fine Tuning com CNN | ||
|
|
||
| [](https://colab.research.google.com/drive/1KG_nZ4Yf1_IodwdqszUjJv05UGuTGvkB?usp=sharing) |
There was a problem hiding this comment.
Pelo diff apresentado, este PR adiciona apenas README/LICENSE para o tópico de transfer learning, mas o título menciona “implementação” de transfer learning/fine-tuning. Se a implementação (notebook/script) não faz parte deste PR, sugiro ajustar o título para refletir que a mudança é de documentação; caso contrário, incluir/relacionar os arquivos de código correspondentes.
O objetivo desse PR é adicionar minha contribuição ao projeto.
Aqui eu elaborei um tutorial sobre visão computacional com Deep Learning.
Eu criei um tutorial em código sobre como fazer transfer learning e fine tuning de um modelo, no caso a MobileNetV2, em um dataset público do Kaggle. Expliquei passo a passo o código e a teoria por trás disso. Também deixei um link no README para rodar o notebook já pronto e configurado no google colab.