# jcarlosbatista/llm-de-deteccao-de-objetos-cortantes architecture

> Architecture diagram of the GitHub repository jcarlosbatista/llm-de-deteccao-de-objetos-cortantes, generated by GitDiagram from its file tree, README and a sample of source files (last updated 2025-05-11). It is an AI-made overview: check details against the source.

- Interactive diagram: https://gitdiagram.com/jcarlosbatista/llm-de-deteccao-de-objetos-cortantes
- Repository: https://github.com/jcarlosbatista/llm-de-deteccao-de-objetos-cortantes

## Overview

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.

## Diagram (Mermaid)

```mermaid
flowchart TB
    %% Components
    DS["Dataset Storage"]:::io
    Train["Training Pipeline Script\n(YOLOv8 training)"]:::ml
    Model["Model Artifact\nruns/.../best.pt"]:::ml
    Manual["Manual Inference CLI"]:::ml
    Watcher["Folder Watcher & Inference Service"]:::ml
    Capture["Camera Capture Service"]:::io
    Email["Email Notification Service\n(SMTP Gmail)"]:::external
    Analyzed["capturas/Analisado"]:::io
    Urgent["capturas/UrgenteAlerta"]:::io

    %% Flows
    DS --> Train --> Model
    Model --> Manual
    Model --> Watcher
    Capture --> Watcher
    Watcher -->|"conf <=85%"| Analyzed
    Watcher -->|"conf >85%?"| Email
    Email --> Urgent

    %% Click Events
    click DS "https://github.com/jcarlosbatista/llm-de-deteccao-de-objetos-cortantes/tree/main/Dataset/"
    click Train "https://github.com/jcarlosbatista/llm-de-deteccao-de-objetos-cortantes/blob/main/Scripts/visionguard_training_pipeline.py"
    click Manual "https://github.com/jcarlosbatista/llm-de-deteccao-de-objetos-cortantes/blob/main/Scripts/Inferencia_alerta.py"
    click Capture "https://github.com/jcarlosbatista/llm-de-deteccao-de-objetos-cortantes/blob/main/Scripts/captura_camera.py"
    click Watcher "https://github.com/jcarlosbatista/llm-de-deteccao-de-objetos-cortantes/blob/main/Scripts/monitoramento_alerta_email.py"
    click Email "https://github.com/jcarlosbatista/llm-de-deteccao-de-objetos-cortantes/blob/main/Scripts/monitoramento_alerta_email.py"

    %% Styles
    classDef ml fill:#ffe4b5,stroke:#cc8400,stroke-width:2px;
    classDef io fill:#e0ffff,stroke:#008b8b,stroke-width:2px;
    classDef external fill:#f0f8ff,stroke:#1e90ff,stroke-width:2px;
```
