Tech Challenge 5 — Modelagem de Ameaças Automática (STRIDE) com YOLO + LLM

Este projeto automatiza a modelagem de ameaças em diagramas de arquitetura:

1. Detecta componentes na imagem com YOLO (Ultralytics)
2. Classifica os componentes detectados em classes
3. Usa LLM + RAG (JSONs por classe) para gerar análise STRIDE
4. Gera um relatório PDF por imagem

---

✅ Entregáveis

• Repositório (este GitHub)
• Vídeo (até 15 min) explicando solução e execução
• Relatórios gerados (PDF/CSV)

---

📂 Estrutura do projeto

• scripts/ — pipeline e notebooks (entrada principal: main.ipynb)
• rag_documents/ — base RAG em JSON (1 arquivo por classe)
• imagens/imagens_source/ — imagens de entrada (diagramas)
• imagens/imagens_yolo_* — imagens de saída com bounding boxes (evidência)
• reports/ — saídas finais e arquivos de apoio
  • yolo_detections.csv / yolo_detections_classified.csv
  • component_classes.xlsx (mapeamento id -> classe)
  • relatorio_stride_<nome>.pdf
• models/ — (opcional) peso do YOLO best.pt

---

▶️ Como executar (modo oficial: Google Colab + Drive)

Pré-requisitos

• Conta Google (Drive)
• Chave da OpenAI configurada como Secret no Colab: OPENAI_API_KEY

Passo a passo

1. Faça upload da pasta do projeto para o seu Drive em: MyDrive/Tech Challenge 5/
2. Abra no Colab: scripts/main.ipynb
3. No Colab, adicione o Secret:
   • Name: OPENAI_API_KEY
   • Value: sua chave
4. Execute todas as células.

Saídas esperadas

• reports/yolo_detections.csv
• reports/yolo_detections_classified.csv
• reports/relatorio_stride_<imagem>.pdf

---

🔐 Configuração da chave OpenAI (sem expor no GitHub)

No notebook scripts/main.ipynb, a chave é lida via Secret do Colab e setada em variável de ambiente:

• OPENAI_API_KEY

---

🧠 Como o relatório STRIDE é gerado

Para cada imagem:

1. YOLO detecta componentes e gera CSV de detecções
2. Um mapeamento (component_classes.xlsx) associa cada componente a uma classe
3. Para cada classe encontrada, o pipeline:
   • carrega o JSON RAG correspondente em rag_documents/
   • chama o LLM pedindo um JSON PT-BR com 6 itens STRIDE (ordem fixa)
4. O PDF final é montado via ReportLab

---

🗃️ Datasets (fora do GitHub)

Por limite de tamanho e por não ser necessário para execução do pipeline, estes itens não ficam no GitHub:

• Dataset original (Kaggle) usado como base
• yolo_dataset/ (imagens/labels) usado no treino do YOLO

📌 Link do Drive (preencher):

• Dataset (Kaggle exportado / pasta dataset/): [COLE_AQUI_O_LINK_DO_DRIVE]
• YOLO dataset (pasta yolo_dataset/ com data.yaml): [COLE_AQUI_O_LINK_DO_DRIVE]

Observação: os pesos e resultados do treino (curvas/matrizes + best.pt) já estão no repositório em resultados_yolo/.

---

✅ Pesos do YOLO

O pipeline usa o peso fine-tuned:

• resultados_yolo/fine_tuning_train/weights/best.pt

Se você mover os arquivos de lugar, ajuste o caminho no notebook scripts/main.ipynb.

---

🎥 Vídeo de apresentação

• Link: [COLE_AQUI_O_LINK_DO_VIDEO]

---

👥 Integrantes

• SEU NOME
• NOME DO COLEGA 1
• NOME DO COLEGA 2