How jcarlosbatista/llm-de-deteccao-de-objetos-cortantes works
Para criar um diagrama de arquitetura que reflita fielmente o VisionGuard, siga estes passos detalhados e adapte-os ao contexto do projeto:
Identificação do Tipo de Projeto e Finalidade
• Tipo: Sistema autocontido de visão computacional em Python (monolito organizado em scripts), com componentes de treinamento de ML e de inferência em tempo real.
• Propósito:
• Treinar modelo YOLOv8 para classificar objetos cortantes.
• Capturar imagens via webcam.
• Monitorar pasta de imagens, inferir perigos e enviar alertas por e-mail.
Análise da Estrutura de Diretórios
• Dataset/
• Contém dados brutos para treinamento (Facas, Tesouras, Objetos_Cortantes).
• Scripts/
• visionguard_training_pipeline.py → pipeline de treino (80% train / 20% val).
• inferencia_alerta.py → inferência manual + e-mail de alerta.
• monitoramento_alerta_email.py → serviço contínuo de monitoramento + alerta.
• captura_camera.py → captura de imagens via webcam.
• (No README existem ainda run/ para modelos e capturas/ para imagens em produção.)
Principais Componentes e Fluxos
a. Componente de Treinamento
• Entrada: Dataset bruto.
• Processamento: split treino/val, execução YOLOv8-cls por 20 epochs.
• Saída: modelo treinado (runs/.../best.pt).
b. Componente de Inferência Manual
• CLI: recebe caminho de imagem.
• Processamento: carrega modelo, classifica, opcionalmente envia e-mail.
c. Componente de Captura em Tempo Real
• Feed de webcam (OpenCV).
• Usuário pressiona [ESPAÇO] para salvar imagem em capturas/.
d. Componente de Monitoramento Contínuo
• Watcher de filesystem (pasta capturas/).
• Para cada nova imagem:
– Executa inferência (mesmo código YOLOv8).
– Se confiança > 85% → envia e-mail (SMTP Gmail) e move imagem para capturas/UrgenteAlerta/.
– Senão → move para capturas/Analisado/.
e. Serviço de E-mail Externo
• SMTP Gmail (via python-dotenv, credenciais .env).
Padrões Arquiteturais e Princípios
• Monolito modularizado por scripts (cada script é um “micro-serviço leve”).
• Fluxo de dados orientado a eventos (filesystem watcher).
• Separação clara: Treino vs. Inferência vs. Captura vs. Notificação.
• Uso de artefatos persistidos (modelos em runs/, imagens em capturas/).
Instruções para Desenhar o Diagrama
a. Defina blocos para cada componente:
• “Dataset Storage”
• “Training Pipeline”
• “Model Artifact”
• “Camera Capture Service”
• “Folder Watcher & Inference Service”
• “Email Notification Service (SMTP)”
• “Manual Inference CLI”
b. Mostre relacionamentos com setas direcionais:
• Dataset → Training Pipeline → Modelo
• Modelo → Manual Inference CLI
• Modelo → Folder Watcher/Inference
• Camera Capture → capturas/ (pasta de entrada do watcher)
• Folder Watcher → Email Service (condicional)
• Folder Watcher → capturas/UrgenteAlerta ou capturas/Analisado
c. Destaque padrões:
• Use uma cor para componentes “ML” (Treino, Modelo, Inferência).
• Outra cor para “I/O” (Camera, Filesystem, Dataset).
• Outra para “External” (SMTP Gmail).
d. Anote tecnologias e bibliotecas:
• YOLOv8 (ultralytics)
• OpenCV
• python-dotenv
• SMTP (smtplib)
Dicas de Apresentação
• Rótulos claros em cada bloco (nome + função).
• Setas sólidas para fluxo de dados e setas tracejadas para dependências (e-mail, dotenv).
• Legenda de cores/formas:
• Retângulos: processos ativos (scripts).
• Bancos de dados/pastas: cilindros ou pastas ícones.
• Nuvem/external: nuvem para SMTP.
• Inclua condicionais (ex.: “confiança > 85%?”) junto à seta que leva ao Email Service.