{"id":6064,"date":"2026-04-26T15:03:00","date_gmt":"2026-04-26T18:03:00","guid":{"rendered":"https:\/\/thiagorossi.com.br\/blog\/?p=6064"},"modified":"2026-04-26T15:10:28","modified_gmt":"2026-04-26T18:10:28","slug":"classificacao-de-imagens-com-rubix-ml","status":"publish","type":"post","link":"https:\/\/thiagorossi.com.br\/blog\/classificacao-de-imagens-com-rubix-ml\/","title":{"rendered":"Classifica\u00e7\u00e3o de Imagens com Rubix ML"},"content":{"rendered":"Tempo de leitura: <\/span> 5<\/span> minutos<\/span><\/span>\n

Classifica\u00e7\u00e3o de Imagens com Rubix ML: No artigo anterior, abrimos os “olhos” do PHP ao aprender como transformar pixels em vetores matem\u00e1ticos. Agora, vamos elevar o n\u00edvel: vamos ensinar a sua aplica\u00e7\u00e3o n\u00e3o apenas a enxergar, mas a entender<\/strong> e categorizar<\/strong> o que est\u00e1 vendo.<\/p>\n\n\n\n

Como desenvolvedor especialista em Rubix ML<\/strong>, preparei este d\u00e9cimo oitavo artigo para mergulharmos na Classifica\u00e7\u00e3o de Imagens<\/strong>. Vamos construir um sistema capaz de distinguir entre diferentes tipos de arquivos e validar documentos automaticamente \u2014 uma funcionalidade que pode economizar centenas de horas de trabalho manual.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Vis\u00e3o Computacional 2: Classifica\u00e7\u00e3o de Imagens e Valida\u00e7\u00e3o Autom\u00e1tica de Documentos<\/h2>\n\n\n\n

Classifica\u00e7\u00e3o de Imagens com Rubix ML: A classifica\u00e7\u00e3o de imagens \u00e9 o processo onde um algoritmo atribui uma etiqueta (label) a uma imagem de entrada com base em seu conte\u00fado visual. Enquanto no artigo 17 focamos na extra\u00e7\u00e3o (a mat\u00e9ria-prima), aqui focaremos no julgamento<\/strong>. Para um sistema de recrutamento e sele\u00e7\u00e3o, isso significa automa\u00e7\u00e3o de ponta: o sistema pode saber, no momento do upload, se o candidato enviou um curr\u00edculo, um RG ou uma foto de paisagem por engano.<\/p>\n\n\n\n

<\/div>\n\n\n\n

1. O Pipeline de Classifica\u00e7\u00e3o de Imagens<\/h2>\n\n\n\n

Para classificar imagens com sucesso no Rubix ML, seguimos um fluxo de trabalho rigoroso. A imagem passa por uma “esteira de produ\u00e7\u00e3o” antes de chegar ao classificador final:<\/p>\n\n\n\n

    \n
  1. Redimensionamento Estrito:<\/strong> Todas as imagens devem ter o mesmo tamanho (ex: 64×64 pixels).<\/li>\n\n\n\n
  2. Convers\u00e3o de Espa\u00e7o de Cor:<\/strong> Dependendo do caso, converter para escala de cinza pode remover ru\u00eddos desnecess\u00e1rios.<\/li>\n\n\n\n
  3. Vetoriza\u00e7\u00e3o:<\/strong> A transforma\u00e7\u00e3o da matriz 2D de pixels em um vetor 1D.<\/li>\n\n\n\n
  4. Treinamento do Classificador:<\/strong> Onde algoritmos como Random Forest<\/strong>, SVC<\/strong> ou Multi-Layer Perceptron<\/strong> aprendem os padr\u00f5es.<\/li>\n<\/ol>\n\n\n\n
    <\/div>\n\n\n\n

    2. Valida\u00e7\u00e3o Autom\u00e1tica de Documentos<\/h2>\n\n\n\n

    Imagine que uma solu\u00e7\u00e3o de recrutamento e sele\u00e7\u00e3o exija que candidatos a vagas de motorista enviem uma foto da CNH. Receber 1000 fotos e conferir uma a uma se s\u00e3o realmente CNHs \u00e9 ineficiente. Com Rubix ML<\/strong>, podemos criar um validador autom\u00e1tico.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    O conceito de “Assinatura Visual”<\/h3>\n\n\n\n

    Documentos oficiais possuem uma estrutura visual constante (cores espec\u00edficas, posi\u00e7\u00e3o de fotos, faixas de seguran\u00e7a). O modelo de Machine Learning aprende essa “assinatura”. Se o upload n\u00e3o corresponder ao padr\u00e3o aprendido, o sistema rejeita o arquivo instantaneamente.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    3. M\u00e3o na Massa: Classificando Documentos vs. Fotos de Perfil<\/h2>\n\n\n\n

    Vamos criar um c\u00f3digo que treina um modelo para diferenciar tr\u00eas categorias: foto_perfil<\/code>, documento_cnh<\/code> e arquivo_invalido<\/code>.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Passo 1: Preparando o Dataset Labeled<\/h3>\n\n\n\n

    Nesta fase, voc\u00ea precisaria de uma pasta com exemplos reais de cada categoria.<\/p>\n\n\n\n

    PHP<\/p>\n\n\n\n

    use Rubix\\ML\\Datasets\\Labeled;\nuse Rubix\\ML\\PersistentModel;\nuse Rubix\\ML\\Persisters\\Filesystem;\nuse Rubix\\ML\\Pipeline;\nuse Rubix\\ML\\Transformers\\ImageResizer;\nuse Rubix\\ML\\Transformers\\ImageVectorizar;\nuse Rubix\\ML\\Transformers\\ZScaleStandardizer;\nuse Rubix\\ML\\Classifiers\\RandomForest;\n\n\/\/ Supondo que voc\u00ea carregou as imagens usando GD ou ImageMagick\n$samples = [\n    [imagecreatefromjpeg('exemplos\/perfil1.jpg')],\n    [imagecreatefromjpeg('exemplos\/cnh1.jpg')],\n    [imagecreatefromjpeg('exemplos\/aleatorio1.jpg')],\n];\n\n$labels = ['foto_perfil', 'documento_cnh', 'invalido'];\n\n$dataset = new Labeled($samples, $labels);\n\n\/**\n * Pipeline de Vis\u00e3o Computacional Avan\u00e7ada\n *\/\n$estimator = new Pipeline([\n    new ImageResizer(64, 64), \/\/ Padroniza o tamanho\n    new ImageVectorizar(),    \/\/ Transforma em n\u00fameros\n    new ZScaleStandardizer(), \/\/ Normaliza a escala\n], new RandomForest(100));    \/\/ O \"C\u00e9rebro\" que classifica\n\necho \"Iniciando o treinamento visual...\" . PHP_EOL;\n$estimator->train($dataset);\n\n\/\/ Persistindo para uso futuro (Artigo 11)\n$model = new PersistentModel($estimator, new Filesystem('validador_documentos.rbx'));\n$model->save();\n<\/code><\/pre>\n\n\n\n
    <\/div>\n\n\n\n
    4. Como Validar o Upload em Tempo Real<\/h2>\n\n\n\n
    No seu sistema em PHP, no momento em que o arquivo chega ao servidor Hostinger, voc\u00ea invoca o modelo:<\/p>\n\n\n\n
    PHP<\/p>\n\n\n\n
    \/\/ Carrega o \"olho treinado\"\n$model = PersistentModel::load(new Filesystem('validador_documentos.rbx'));\n\n\/\/ Processa o upload atual\n$upload = [imagecreatefromjpeg($_FILES['doc']['tmp_name'])];\n$prediction = $model->predictSample($upload);\n\nif ($prediction === 'documento_cnh') {\n    echo \"\u2705 Documento validado com sucesso!\";\n} else {\n    echo \"\u274c O arquivo enviado n\u00e3o parece ser uma CNH v\u00e1lida.\";\n}\n<\/code><\/pre>\n\n\n\n
    <\/div>\n\n\n\n
    5. Superando Desafios: Ilumina\u00e7\u00e3o e Rota\u00e7\u00e3o<\/h2>\n\n\n\n
    Na vida real, os usu\u00e1rios enviam fotos ruins. Para tornar sua Classifica\u00e7\u00e3o de Imagens<\/strong> de elite, voc\u00ea deve aplicar t\u00e9cnicas de Data Augmentation<\/strong> (Aumento de Dados):<\/p>\n\n\n\n
      \n
    1. Distor\u00e7\u00f5es Leves:<\/strong> Treine o modelo com vers\u00f5es levemente rotacionadas ou escurecidas dos mesmos documentos.<\/li>\n\n\n\n
    2. Filtros de Borda (Sobel):<\/strong> \u00c0s vezes, o formato das linhas de um documento \u00e9 mais importante do que a cor. Usar filtros de detec\u00e7\u00e3o de bordas ajuda a IA a focar na estrutura.<\/li>\n\n\n\n
    3. Redu\u00e7\u00e3o de Ru\u00eddo:<\/strong> Use o transformer GaussianSmoother<\/code> para “limpar” fotos granuladas antes da classifica\u00e7\u00e3o.<\/li>\n<\/ol>\n\n\n\n
      <\/div>\n\n\n\n
      6. Escalabilidade e Performance na Hostinger<\/h2>\n\n\n\n
      Classificar imagens \u00e9 uma tarefa intensiva. Como especialista, recomendo:<\/p>\n\n\n\n