Cats and Dogs Classifier - PyTorch ResNet50

Um projeto robusto de classificação de imagens end-to-end utilizando Deep Learning e Transfer Learning. O objetivo é distinguir entre imagens de gatos e cachorros com alta precisão, utilizando uma arquitetura ResNet50 pré-treinada no ImageNet e aplicando técnicas avançadas de Fine-Tuning.

O projeto foi estruturado seguindo boas práticas de Engenharia de Machine Learning, com código modularizado, pipelines de dados reprodutíveis e separação clara entre lógica de treino e definição de modelo.

---

Arquitetura e Estratégia

O modelo baseia-se na ResNet50, uma Rede Neural Convolucional (CNN) profunda com conexões residuais. A estratégia de treinamento foi dividida em duas fases para maximizar a acurácia e evitar o "Catastrophic Forgetting":

1. Fase 1: Feature Extraction

   • O backbone da ResNet50 (pré-treinado no ImageNet) é mantido congelado (requires_grad=False).
   • Apenas a nova "cabeça" (camada Linear final) é treinada.
   • Objetivo: Adaptar a saída para 2 classes sem destruir os filtros de detecção de bordas/formas já aprendidos.

2. Fase 2: Fine-Tuning

   • Todas as camadas são descongeladas.
   • O modelo é treinado com um Learning Rate drasticamente reduzido (100x menor).
   • Objetivo: Refinar os filtros profundos para diferenciar características específicas de pelos de cães e gatos.

---

Estrutura do Projeto

├── data/                   # Diretório de dados (gerado automaticamente)
├── models/                 # Checkpoints salvos (.pth)
├── notebooks/              # Jupyter Notebooks para experimentação
├── src/                    # Código fonte modular
│   ├── data_setup.py       # Pipeline de ETL (DataLoaders, Transforms)
│   ├── engine.py           # Loops de treino e avaliação (agnóstico ao modelo)
│   ├── model.py            # Definição da arquitetura (ResNetTransfer)
│   └── utils.py            # Funções auxiliares
├── train.py                # Script principal de orquestração do treino
├── pyproject.toml          # Gerenciamento de dependências
├── uv.lock                 # Lockfile (uv)
└── README.md               # Documentação do projeto

Como executar

1. Clone o repositório

git clone https://github.com/koheiseko/cat-dog-classification
cd cat-dog-classification

2. Instale as dependências

uv sync

3. Execute o arquivo train.py

uv run train.py