Este projeto consiste em uma aplicação de reconhecimento de flores utilizando uma Rede Neural Convolucional (CNN). A aplicação permite aos usuários enviar imagens de flores e obter uma previsão sobre qual tipo de flor a imagem representa, juntamente com uma pontuação de confiança.

• Carregamento e Pré-processamento de Dados: O código carrega um conjunto de dados de imagens de flores, divide-o em conjuntos de treinamento e validação e aplica técnicas de pré-processamento, como redimensionamento e data augmentation.

• Construção e Treinamento da CNN: Uma CNN é construída usando a biblioteca TensorFlow/Keras. A arquitetura da CNN inclui camadas de convolução, pooling, dropout e densas para realizar a classificação das imagens.

• Classificação de Imagens: Os usuários podem fazer upload de suas próprias imagens de flores. O sistema classifica essas imagens usando o modelo treinado e retorna o tipo de flor previsto, juntamente com uma pontuação de confiança.

1. Instalação de Dependências: Certifique-se de ter todas as dependências instaladas. Você pode instalá-las executando pip install -r requirements.txt.

2. Treinamento do Modelo (Opcional): Se desejar treinar o modelo novamente com seus próprios dados, siga as instruções no código para carregar seus dados de imagens.

3. Execução da Aplicação: Para executar a aplicação, simplesmente execute o arquivo streamlit run app.py com Python. Isso iniciará o servidor web e abrirá a aplicação no navegador.

4. Upload de Imagens: Na aplicação web, os usuários podem fazer upload de suas próprias imagens de flores clicando no botão "Upload an Image".

5. Visualização dos Resultados: Após o upload da imagem, a aplicação exibirá a imagem enviada e a classificação prevista, juntamente com uma pontuação de confiança.

• app.py: Contém o código para a aplicação web desenvolvida com Streamlit. Gerencia o upload de imagens e exibe os resultados da classificação.

• Classificação de flores.ipynb: Contém o código para construir, treinar e salvar o modelo CNN usando TensorFlow/Keras.

• requirements.txt: Lista as dependências do Python necessárias para executar a aplicação.

• imagens/: Diretório que contém o conjunto de dados de imagens de flores para treinamento e validação.

• amostra/: Diretório de amostra contendo imagens de flores para teste da aplicação.

Este projeto é distribuído sob a licença MIT. Veja o arquivo LICENSE para obter mais detalhes.