Projeto Imitador de Emojis

Este repositório contém um jogo de imitação de expressões faciais usando sua própria webcam e um classificador personalizado treinado sobre suas próprias imagens.

🚀 Recursos

• Modo de Treino Personalizado (treino_personalizado.py):

  • Captura múltiplas imagens de cada emoji escolhido.
  • Salva imagens em dataset/train/<emoji>/.
  • Realiza o treino automático de um modelo CNN com data augmentation e callbacks.

• Modo Jogo Principal (main.py):

  • Carrega o modelo treinado (model.h5).
  • Detecta faces usando Haar Cascade do OpenCV.
  • Exibe emoji-alvo e cronômetro.
  • Classifica expressões com seu modelo próprio.
  • Contabiliza pontuação em 5 rodadas.

📁 Estrutura de Pastas

projeto_imitando_emojis/
├── emojis/                  # PNGs transparentes de cada emoji
│   ├── angry.png
│   ├── happy.png
│   └── ...
├── dataset/
│   └── train/              # Coleta de imagens por emoji
│       ├── angry/
│       ├── happy/
│       └── ...
├── treino_personalizado.py # Script de coleta e treino
├── main_game.py            # Script principal do jogo
├── model.h5                # Modelo treinado (após execução)
├── best_model.h5           # Melhor checkpoint
└── README.md               # Este arquivo

🛠️ Pré-requisitos

• Python 3.8+ ou 3.9+

• Pacotes Python:

  pip install opencv-python tensorflow numpy

⚙️ Instalação

1. Clone este repositório:

   git clone https://github.com/seuusuario/projeto_imitador_emojis.git
   cd projeto_imitando_emojis

2. Instale as dependências:

   pip install -r requirements.txt

Observação: Caso não haja requirements.txt, instale manualmente:

pip install opencv-python tensorflow numpy

🎓 Modo de Treino Personalizado

1. Certifique-se de ter as imagens de emoji em emojis/.

2. Execute:

   python treino_personalizado.py

3. Para cada emoji listado:

   • Pressione Espaço para capturar uma foto e salvar.
   • Pressione N para avançar ao próximo emoji.
   • Pressione Q para sair a qualquer momento.

4. Após capturar pelo menos 5 imagens por classe, o script inicia o treino:

   • Data augmentation aplicado.
   • Callbacks: EarlyStopping, ReduceLROnPlateau e ModelCheckpoint.
   • Modelo salvo em model.h5 e best_model.h5.

▶️ Modo Jogo Principal

1. Certifique-se de ter o modelo model.h5 na raiz do projeto.

2. Execute:

   python main_game.py

3. O jogo terá 5 rodadas:

   • Um emoji-alvo é exibido no canto.
   • Você tem 10 segundos para imitar a expressão.
   • Face detectada com Haar Cascade.
   • Classificação via o seu modelo.
   • Pontuação final exibida ao terminar.

💡 Dicas de Treino e Melhoria

• Colete mínimo de 100 a 200 imagens por classe para robustez.
• Utilize data augmentation para aumentar diversidade.
• Experimente transfer learning com redes pré-treinadas (MobileNet, EfficientNet).
• Ajuste callbacks e hiperparâmetros no script de treino.

🤝 Contribuição

Contribuições são bem-vindas! Siga estes passos:

1. Fork este repositório.
2. Crie uma branch: git checkout -b feature/nome_da_feature.
3. Commit suas mudanças: git commit -m 'Adiciona nova feature'.
4. Push para a branch: git push origin feature/nome_da_feature.
5. Abra um Pull Request.

📝 Licença

Este projeto está sob a licença MIT. Veja o arquivo LICENSE para detalhes.