samuellangajr

import torch
import torch.nn as nn
import numpy as np
from sklearn.utils.class_weight import compute_class_weight
from imblearn.over_sampling import SMOTE

# Dados de exemplo: classe 0: 1000 amostras, classe 1: 100 amostras
y_train = np.array([0]*1000 + [1]*100)

# 1. Pesos nas classes

samuellangajr

from sklearn.metrics import precision_score, recall_score, f1_score, confusion_matrix

def avaliar_desempenho(y_true, y_pred):
    """
    Avalia o desempenho do modelo de classificação de veículos usando precisão, recall e F1-score.
    
    Parâmetros:
    y_true (list ou array): Rótulos reais (verdadeiros).
    y_pred (list ou array): Rótulos previstos pelo modelo.
    

samuellangajr

import torch
import torch.nn as nn
import torch.nn.utils.prune as prune
import torch.quantization

# Exemplo de um modelo simples (CNN)
class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1)

samuellangajr

import numpy as np
import cv2
import seaborn as sns
import matplotlib.pyplot as plt

def gerar_mapa_calor(imagem, coordenadas_veiculos, tamanho_mapa=(500, 500), raio=15):
    """
    Gera um mapa de calor baseado nas coordenadas dos veículos detectados.
    
    Args:

samuellangajr

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

def suavizar_serie_temporal(dados, janela=3):
    """
    Aplica um filtro de suavização (média móvel) a uma série temporal de dados.
    
    Args:
    dados (pd.Series ou list): A série temporal de dados de tráfego.

samuellangajr

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score

def prever_congestionamento(df):
    """
    Previsão de congestionamento com base em dados históricos de tráfego.
    

samuellangajr

import cv2
import numpy as np
from matplotlib import pyplot as plt

# Carregar a imagem de tráfego
imagem = cv2.imread('caminho/para/imagem_de_trafego.jpg')

# Converter a imagem para escala de cinza
imagem_cinza = cv2.cvtColor(imagem, cv2.COLOR_BGR2GRAY)

samuellangajr

import torch
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms
from PIL import Image
import os

# Definir a classe do Dataset personalizado
class VehicleDataset(Dataset):
    def __init__(self, imagens_dir, rotulos_file, transform=None):
        """

samuellangajr

import torch
from torchvision import transforms
from PIL import Image
import matplotlib.pyplot as plt

# Função para realizar data augmentation
def augmentacao_imagem(imagem):
    # Definindo uma sequência de transformações
    transformacao = transforms.Compose([
        transforms.RandomRotation(degrees=30),  # Rotaciona a imagem até 30 graus

samuellangajr

def calcular_velocidade_media(dados):
    # Inicializar variáveis para somar a distância total e o tempo total
    distancia_total = 0
    tempo_total = 0
    
    # Iterar sobre a lista de dados
    for dado in dados:
        distancia_total += dado['distancia']
        tempo_total += dado['tempo']