Update README.md

README.md

@@ -1,25 +1,92 @@
+---
+datasets:
+- uoft-cs/cifar100
+language:
+- pt
+license: apache-2.0
+pipeline_tag: image-classification
+tags:
+- computer-vision
+- image-classification
+- resnet
+- cifar100
+- pytorch
+- synapse-br
+---
+
 # Synapse-Image-Classifier-Nano
 
-Este modelo é uma implementação customizada da arquitetura **ResNet-18 (Nano)** treinada no dataset **CIFAR-100**.
+**Synapse-Image-Classifier-Nano** é um classificador de imagens leve desenvolvido pela **Comunidade Synapse BR**.
+
+O modelo utiliza uma implementação personalizada da arquitetura **Thin ResNet-18**, projetada para reduzir o número de parâmetros mantendo um bom desempenho em tarefas de classificação de imagens.
+
+## Informações do Modelo
+
+| Propriedade | Valor |
+|------------|-------|
+| Arquitetura | Thin ResNet-18 |
+| Parâmetros | 4,397,580 |
+| Framework | PyTorch |
+| Dataset | CIFAR-100 |
+| Classes | 100 |
+| Entrada | RGB 32×32 |
+| Épocas | 20 |
+| Batch Size | 128 |
+| Otimizador | Adam |
+| Learning Rate | 0.001 |
+| Top-1 Accuracy | **64.62%** (CIFAR-100 Test Set) |
+
+## Dataset
+
+O modelo foi treinado utilizando o dataset **CIFAR-100**, composto por:
 
-## Detalhes do Modelo
-- **Arquitetura:** ResNet-18 Nano (Thin version)
-- **Parâmetros:** 4,397,580
-- **Dataset:** CIFAR-100
-- **Acurácia Final:** 64.62% (após 20 épocas)
-- **Desenvolvedor:** Comunidade Synapse BR
+- 50.000 imagens para treinamento
+- 10.000 imagens para teste
+- 100 classes
+- Imagens RGB de 32×32 pixels
 
-## Hiperparâmetros de Treino
-- **Otimizador:** Adam
-- **Learning Rate:** 0.001
-- **Batch Size:** 128
-- **Augmentation:** RandomHorizontalFlip, RandomCrop(32, padding=4)
+## Data Augmentation
+
+Durante o treinamento foram utilizadas as seguintes técnicas:
+
+- RandomHorizontalFlip
+- RandomCrop(32, padding=4)
+
+## Como utilizar
 
-## Como usar
 ```python
 import torch
-# Certifique-se de ter a definição da classe ResNetNano carregada
-model = ResNetNano(BasicBlock, [2, 2, 2, 2], num_classes=100, width=40)
-model.load_state_dict(torch.load('pytorch_model.bin'))
+
+# Certifique-se de possuir a implementação da arquitetura Thin ResNet-18
+
+model = ResNetNano(
+    BasicBlock,
+    [2, 2, 2, 2],
+    num_classes=100,
+    width=40
+)
+
+model.load_state_dict(torch.load("pytorch_model.bin"))
 model.eval()
-```
+
+Resultados
+
+Métrica| Valor
+Top-1 Accuracy| 64.62%
+
+Limitações
+
+- Treinado exclusivamente no dataset CIFAR-100.
+- Espera imagens RGB de resolução 32×32.
+- Não foi treinado para classificação de imagens de alta resolução.
+- O desempenho pode diminuir significativamente em domínios diferentes do CIFAR-100.
+
+Objetivo
+
+O Synapse-Image-Classifier-Nano foi desenvolvido como um modelo leve para pesquisas, aprendizado e aplicações de classificação de imagens que exigem baixo consumo de recursos computacionais.
+
+Desenvolvedor
+
+Comunidade Synapse BR
+
+Projeto open source focado no desenvolvimento de modelos leves, datasets e ferramentas de inteligência artificial.