Bem-vindo(a) à etapa prática do processo seletivo para o Intensivo Maker.
Esta atividade tem como objetivo avaliar competências técnicas relacionadas a Machine Learning, Visão Computacional e Otimização de modelos para sistemas embarcados (Edge AI), a partir da aplicação prática dos conhecimentos adquiridos nos cursos EAD da etapa anterior.
🎯 Importante O foco deste desafio é avaliar sua capacidade de projetar, treinar e otimizar um modelo de IA — e de entregar corretamente os artefatos gerados.
- 🏁 Passo 0 – Antes de Tudo
- ⚙ Passo 1 – Preparando o Ambiente
- 🧭 Passo 2 – Escolha do Projeto
- 📤 Passo 3 – Instruções de Entrega
⚠️ Restrições Gerais de Engenharia- 🆘 Suporte
Caso você nunca tenha utilizado Git ou GitHub, não se preocupe. Siga atentamente as etapas abaixo.
- Acesse: https://github.com
- Clique em Sign up
- Crie sua conta gratuita seguindo as instruções da plataforma
(O GitHub será utilizado para envio, versionamento e correção automática do seu projeto.)
O Git é a ferramenta que permite versionar e enviar seu código para o GitHub.
- Windows — Baixe e instale o Git Bash: https://git-scm.com/downloads
- Linux / macOS — Verifique se o Git já está instalado:
git --version
Para desenvolver o desafio, você deverá criar uma cópia deste repositório.
No canto superior direito desta página, clique em Fork. Uma cópia deste repositório será criada no seu perfil do GitHub. (O Fork permite que você trabalhe de forma independente sem alterar o repositório original.)
No repositório do seu Fork, clique em <> Code, copie a URL e execute:
git clone https://github.com/SEU_USUARIO/nome-do-repositorio.git
cd nome-do-repositorioVocê pode executar o projeto de três formas. Escolha apenas uma.
Requisitos: Python 3.10 ou 3.11 e pip.
As dependências ficam dentro da pasta do projeto escolhido (veja Passo 2), então instale-as depois de escolher seu projeto:
cd projetos/<pasta-do-projeto-escolhido>
pip install -r requirements.txtEste repositório inclui um Dev Container para facilitar a criação de um ambiente Python padronizado.
Requisitos: VS Code, Docker instalado, extensão Dev Containers.
Passos: abra o repositório no VS Code → "Reopen in Container" → aguarde a criação automática do ambiente.
- Clique em <> Code
- Clique em Codespaces
- Clique em Create codespace on main
Será aberta uma instância do VS Code no seu navegador com o container configurado.
Este desafio oferece três opções de projeto, todas em Visão Computacional e com níveis de dificuldade equivalentes. Você deve escolher apenas uma.
| # | Projeto | Tarefa | Dataset |
|---|---|---|---|
| 1 | Classificação MNIST | Classificação de dígitos manuscritos (0-9) | tf.keras.datasets.mnist |
| 2 | Classificação CIFAR-10 | Classificação de imagens coloridas (10 categorias de objetos/animais) | tf.keras.datasets.cifar10 |
| 3 | Detecção de Máscaras Faciais | Detecção de objetos: localizar rostos e classificar uso de máscara (fine-tuning de YOLO) | Face Mask Detection (Kaggle, CC0) — já incluso no repositório |
Clique no link do projeto escolhido para ver as instruções técnicas completas e o template do relatório.
- Trabalhar apenas dentro da pasta do projeto escolhido (
projetos/N-nome-do-projeto/). - Apagar as pastas dos outros dois projetos dentro de
projetos/antes do commit final. - Manter os nomes de arquivos e a estrutura interna da pasta do projeto sem alterações.
🤖 Por quê apagar as outras pastas? A correção automática (GitHub Actions) identifica qual projeto você escolheu verificando qual pasta restou dentro de
projetos/. Se mais de uma pasta permanecer (ou nenhuma), a validação falha automaticamente com uma mensagem explicando o problema.
Dentro da pasta do seu projeto, execute os scripts e confirme que os arquivos foram gerados:
cd projetos/<pasta-do-projeto-escolhido>
python train_model.py # deve gerar model.h5 (Projetos 1 e 2) ou model.pt (Projeto 3)
python optimize_model.py # deve gerar model.tflite
⚠️ Importante: a correção automática não treina nada por você. Ela valida os artefatos que você gerou localmente e enviou (commitou) para o repositório. Se esses arquivos não estiverem no seu commit, a validação falha.
git add .
git commit -m "Entrega do desafio técnico - Seu Nome"
git push origin main- Acesse a aba Actions no GitHub do seu Fork
- Verifique se o workflow foi executado com sucesso (✅)
- Em caso de erro (❌), consulte os logs, corrija e envie novamente
Copie o link do seu repositório e envie conforme orientações do processo seletivo no Moodle.
Válidas para os três projetos (detalhes específicos estão no README de cada um):
- Treinamento apenas em CPU
- Sem uso de modelos pré-treinados — exceto no Projeto 3, onde o fine-tuning de um modelo pré-treinado (YOLO11n) é intencional e faz parte do desafio
- Número de épocas limitado (compatível com execução rápida — exceto o Projeto 3, que naturalmente leva mais tempo por envolver fine-tuning de um detector)
- Código deve executar do início ao fim sem intervenção manual
- Os artefatos do modelo treinado e do modelo otimizado (
model.h5/model.ptemodel.tflite, dependendo do projeto) devem ser gerados localmente e enviados (commitados) junto com o código — a correção automática apenas os valida, não os gera
Importante: o objetivo não é obter a maior acurácia possível, mas sim demonstrar engenharia eficiente e a capacidade de entregar um pipeline completo e reprodutível.
Os cursos realizados na etapa anterior devem ser utilizados como referência:
- 📘 Fundamentos de Inteligência Artificial para Sistemas Embarcados
- 👁️ Sistemas de Visão Computacional Embarcada
- ⚙️ Otimização de Modelos em Sistemas Embarcados
Em caso de dúvidas:
- Consulte o material dos cursos EAD
- Leia atentamente este README e o README do projeto escolhido
- Analise os logs das GitHub Actions
- Utilize os canais oficiais para contato com os instrutores
Boa sorte no processo seletivo.