LibrIA - Reconhecimento de Libras com Visão Computacional

📖 Sobre o Projeto

O LibrIA é um sistema de reconhecimento de Libras baseado em visão computacional, com fluxos host e embedded já integrados ao código. O repositório cobre coleta unificada em dataset/, treino, inferência em tempo real, calibração opcional de câmera e export de um bundle quantizado com pacote pronto para o Pico.

🎯 Objetivos

Acessibilidade: Facilitar a comunicação entre pessoas surdas e ouvintes
Educação: Apoiar o aprendizado de Libras
Tecnologia: Demonstrar aplicações práticas de IA em visão computacional
Inovação: Criar soluções inclusivas usando machine learning

✨ Características

🎥 Captura em tempo real via webcam
🤖 Fluxos host e embedded: Random Forest, LSTM, CNN estática quantizada e CNN temporal quantizada
📊 Pipeline completo de dados estáticos e temporais
🎯 Inferência contínua com feedback visual
📷 Calibração opcional de câmera com tabuleiro 9x6
📦 Bundle embedded exportável com pacote C/C++ para Pico
🏗️ Arquitetura modular e configurável por FEATURE_MODE

📚 Documentação Completa

👉 Índice Completo de Documentação - Referência rápida para encontrar o que você precisa

🚀 Comece Aqui

CONTRIBUTING.md - Como contribuir para o projeto
docs/DEVELOPMENT.md - Setup de desenvolvimento local
docs/PULL_REQUEST_GUIDE.md - Guia de Pull Requests

📖 Documentação do Projeto

docs/ARCHITECTURE.md - Arquitetura visual com diagramas curtos e navegáveis
docs/DATASETS.md - Datasets disponíveis e como obter dados
docs/AVX_COMPATIBILITY.md - Guia para CPUs sem suporte AVX
docs/video_format_changes.md - Mudanças de formatos de vídeo
docs/model_architecture_equations.tex - (TEX disponível) Com fórmulas essenciais da arquitetura
docs/latex/model_architecture_equations.pdf - (PDF disponível) Com fórmulas essenciais da arquitetura

🏛️ Governança e Comunidade

CODE_OF_CONDUCT.md - Código de conduta
GOVERNANCE.md - Estrutura de governança e decisões
CONTRIBUTORS.md - Lista de contribuidores
ROADMAP.md - Visão futura do projeto
CHANGELOG.md - Histórico de mudanças

📋 Outros

LICENSE - Licença MIT

🛠️ Tecnologias Utilizadas

Tecnologia	Versão	Propósito
Python	3.11+	Linguagem principal
TensorFlow	2.16.1	Deep Learning para o pipeline temporal
Keras	3.4.1	API de alto nível
PyTorch	2.5.1	Alternativa de Deep Learning
OpenCV	4.11+	Captura e processamento de vídeo
MediaPipe	0.10+	Detecção de landmarks da mão
Scikit-learn	1.6+	Random Forest (modelo principal)
NumPy	1.26+	Computação numérica
Pandas	2.2+	Manipulação de dados
Matplotlib	3.10+	Visualização
Serialização	pickle	Salvar modelos e dados

📁 Estrutura Atual do Projeto

LibrIA/
├── 📁 src/                          # Código principal
│   ├── 📁 model_training/           # Treino Random Forest e LSTM
│   ├── 📁 inference/                # Inferência estática e temporal
│   └── 📁 models/                   # Modelos/experimentos adicionais
├── 📁 scripts/                      # Utilitários de calibração e coleta unificada
├── 📁 config/                       # Configurações centrais e arquivos de calibração
├── 📁 utils/                        # Helpers compartilhados
├── 📁 dataset/                      # Dataset unificado
│   ├── static/
│   └── temporal/
├── 📁 model/                        # Artefatos treinados
│   ├── model.pickle
│   ├── libras_lstm.keras
│   ├── libras_lstm_labels.pickle
│   └── embedded_bundle/
├── 📁 docs/                         # Documentação detalhada
├── 📄 Makefile                      # Automação de setup e execução
├── 📄 main.py                       # Interface principal por comandos
├── 📄 requirements.txt              # Dependências principais
├── 📄 requirements-dev.txt          # Dependências de desenvolvimento
├── 📄 test_setup.py                 # Verificação de ambiente
└── 📄 README.md                     # Visão geral do projeto

🚀 Instalação e Configuração

⚡ Quick Start (Recomendado)

A forma mais rápida de começar é usando o Makefile:

# 1. Clone o repositório
git clone https://github.com/Gabryel-lima/LibrIA.git
cd LibrIA

# 2. Setup inicial (cria venv e instala dependências)
make setup

# 3. Verifique se tudo está funcionando
make verify-setup

# 4. Veja todos os comandos disponíveis
make help

Pré-requisitos

Python 3.11 ou superior
Webcam funcional
Git
CPU com suporte AVX (recomendado para funcionalidades completas)
- ℹ️ Sem suporte AVX? Veja Compatibilidade AVX
CUDA/cuDNN (opcional, para GPU)

Setup Manual (Alternativa)

Se preferir configurar manualmente sem o Makefile:

# Clone o repositório
git clone https://github.com/Gabryel-lima/LibrIA.git
cd LibrIA

# Crie um ambiente virtual
python3.11 -m venv .venv
source .venv/bin/activate  # Linux/Mac
# ou
.venv\Scripts\activate     # Windows

# Instale as dependências (CPU)
pip install -r requirements.txt

# Ou para GPU (requer CUDA 12.4):
pip install -r requirements.txt -r requirements-gpu.txt

# Verifique a instalação
python -c "import cv2, mediapipe, sklearn; print('✓ Dependências instaladas!')"

Verificação de Setup

Use o comando para validar todo o ambiente:

make verify-setup

Ou manualmente:

python test_setup.py

📊 Como Usar

🎯 Makefile - Comandos Disponíveis

O projeto agora utiliza Makefile para automatizar todas as operações:

# Ver todos os comandos e status do sistema
make help

# Setup inicial
make setup                  # Cria venv + instala dependências
make verify-setup          # Valida o ambiente
make environment           # Mostra informações do sistema

# Pipeline de ML
make dirs                  # Cria estrutura de diretórios
make collect-static       # Coleta dataset estático unificado
make collect-temporal     # Coleta dataset temporal unificado
make collect-minimal-dataset # Coleta o dataset mínimo completo
make train                # Treina modelo Random Forest
make train-lstm           # Treina modelo temporal LSTM
make train-embedded       # Treina CNN estática quantizada
make train-embedded-temporal # Treina CNN temporal quantizada para J/Z
make train-embedded-all   # Treina os dois modelos embedded e exporta o bundle
make export-embedded      # Reempacota bundle e pacote do Pico
make train-hybrid         # Retreina os dois modelos
make infer                # Inferência em tempo real
make infer-lstm           # Inferência temporal em tempo real
make infer-hybrid         # Inferência híbrida
make infer-embedded       # Verifica o bundle embedded com os datasets NPY
make run                  # Executa pipeline completo unificado
make run-lstm             # Executa pipeline temporal completo

# Desenvolvimento
make test                 # Executa testes
make lint                 # Verifica código (requer dev dependencies)
make format               # Formata código (requer dev dependencies)
make install-dev          # Instala dependências de desenvolvimento

# Utilitários
make clean                # Remove __pycache__, arquivos temporários

# Calibração de câmera
make generate-checkerboard  # Gera a imagem do tabuleiro 9x6
make show-checkerboard      # Exibe o tabuleiro gerado em tela cheia
make capture-calibration  # Abre a webcam, salva imagens do tabuleiro e calibra
make calibrate-camera CALIBRATION_IMAGES='calibration/*.jpg'

make clean-all            # Remove tudo (venv, dados, modelos) - CUIDADO!
make freeze               # Gera requirements.lock com versões exatas
make update               # Atualiza dependências
make status               # Alias para 'environment'

Para calibrar a câmera, use um tabuleiro de xadrez com 9x6 cantos internos. O fluxo recomendado e:

Rodar make generate-checkerboard.
Imprimir a imagem gerada ou exibi-la em outra tela com make show-checkerboard.
Rodar make capture-calibration.
Mover o tabuleiro em distâncias e ângulos diferentes.
Pressionar espaco quando o status mostrar que o tabuleiro foi detectado.
A calibração sera salva em config/camera_matrix.npy e config/dist_coeffs.npy.

Importante: a janela da webcam não desenha o tabuleiro automaticamente. A câmera precisa ver fisicamente a imagem impressa ou a tela com o tabuleiro aberto.

⚙️ Detecção Automática

O Makefile detecta automaticamente:

✅ CUDA/GPU: Se disponível, instala com suporte GPU (CUDA 12.4)
✅ CPU: Fallback automático para CPU-only
✅ Python: Usa Python 3.11+

🎯 Interface Unificada (main.py)

Você também pode usar o script main.py diretamente:

# Mostrar ajuda
python main.py help

# Executar pipeline completo
python main.py all

# Executar etapas individuais
python main.py collect_static   # Coleta estática
python main.py collect_temporal # Coleta temporal
python main.py train            # Treinar modelo
python main.py train_hybrid     # Retreino estático + temporal com status code confiável
python main.py infer            # Inferência em tempo real
python main.py infer_hybrid     # Inferência híbrida com arbitragem
python main.py train_embedded_all # Treino embedded completo
python main.py export_embedded    # Bundle e pacote do Pico
python main.py infer_embedded     # Validação do bundle embedded

Para automação local, CI ou scripts de shell, main.py agora propaga sucesso ou falha via exit code: 0 quando o comando conclui e 1 quando alguma etapa retorna erro.

🧭 Arquitetura Visual

Se você quiser entender o projeto por etapas, sem um diagrama único gigante, use:

docs/ARCHITECTURE.md

Esse guia separa o fluxo em blocos menores:

entradas e comandos
coleta e dataset
treino host
inferência host
pipeline embedded
export para Pico
runtime no dispositivo

Cada diagrama termina com links para a sequência correta de leitura.

🔄 Pipeline Completo

Para executar todo o pipeline de uma vez:

python main.py all

Este comando irá:

✅ Coletar o dataset mínimo em dataset/
✅ Treinar os modelos estático e temporal
✅ Executar inferência híbrida

📝 Instruções Detalhadas

1. Fluxo estático

make collect-static
make train
make infer

O fluxo estático grava frame_XXX.png e sample_XXX.npy em dataset/static/<label>/ e treina um Random Forest salvo em model/model.pickle.

Durante a coleta estática, o projeto também grava sample_XXX_mirror.npy para espelhar a amostra no eixo X. Se a pasta da classe já tiver apenas frame_XXX.png, a coleta faz backfill automático dos sample_XXX.npy ausentes antes de abrir a captura ao vivo e gera as versões espelhadas junto com as originais.

1.1. Fluxo embedded estático sem MediaPipe

make collect-static
make train-embedded

Esse fluxo reutiliza os sample_XXX.npy do dataset estático, treina uma CNN pequena sobre landmarks normalizados e exporta:

model/libria_embedded_cnn.keras
model/libria_embedded_cnn_int8.tflite
model/libria_embedded_cnn_labels.json

Esse caminho foi pensado para deployment embedded e é o ponto de partida recomendado para portar letras estáticas para microcontroladores. Como a automação principal do projeto está baseada em .npy, essa trilha usa diretamente os landmarks já coletados.

1.2. Fluxo embedded temporal para J e Z

make collect-temporal SEQUENCE_LABELS=J\ Z SEQUENCE_COUNT=30 SEQUENCE_LENGTH=30
make train-embedded-temporal

Esse fluxo reutiliza seq_XXX.npy em dataset/temporal/, treina uma CNN temporal leve para capturar movimento e exporta:

model/libria_embedded_temporal_cnn.keras
model/libria_embedded_temporal_cnn_int8.tflite
model/libria_embedded_temporal_cnn_labels.json

Para embedded, a estratégia recomendada passa a ser duas trilhas complementares:

CNN estática para as letras sem movimento
CNN temporal para J e Z

Se quiser treinar as duas em sequência:

make train-embedded-all

Isso já exporta automaticamente o bundle combinado em model/embedded_bundle/.

Se quiser apenas reempacotar os artefatos existentes:

make export-embedded

Para validar se o runtime híbrido está coerente com os .npy do projeto:

make infer-embedded

Esse comando não usa MediaPipe. Ele carrega o bundle quantizado, roda os modelos TFLite sobre sample_XXX.npy e seq_XXX.npy e reporta acurácia estática, temporal e híbrida.

O esqueleto de runtime no dispositivo ficou em:

src/interfaces/libria_embedded_runtime.h
src/interfaces/libria_embedded_runtime.cpp

Observação importante sobre o MediaPipe:

a coleta do dataset continua igual e não foi alterada
o MediaPipe segue apenas no host para produzir os landmarks do dataset atual
o bundle embedded usa o mesmo contrato geométrico de landmarks, mas não depende do MediaPipe em runtime
no Pico, o caminho viável é reproduzir o mesmo layout normalizado de landmarks com outro extrator leve ou firmware dedicado

2. Fluxo temporal

make collect-temporal SEQUENCE_LABELS=J\ Z SEQUENCE_COUNT=30 SEQUENCE_LENGTH=30
make train-lstm
make infer-lstm

Esse fluxo grava sequências em dataset/temporal/, treina o modelo model/libras_lstm.keras e usa uma janela deslizante para inferência em tempo real.

Cada sequência válida também ganha uma contraparte seq_XXX_mirror.npy. No treino host e no treino temporal embedded, o carregador aceita o diretório temporal legado como fallback quando o caminho principal configurado existe, mas está vazio.

2.1. Dataset mínimo recomendado

make collect-minimal-dataset
make train-hybrid
make infer-hybrid

Esse é o fluxo recomendado para validar a arquitetura com 24 classes estáticas e as sequências temporais de J e Z.

Na inferência híbrida, a etapa estática e a etapa temporal agora comparam a amostra original com sua versão espelhada e mantêm a hipótese de maior confiança antes da arbitragem final.

3. Calibração de câmera

make generate-checkerboard
make show-checkerboard
make capture-calibration

Arquivos gerados:

config/camera_matrix.npy
config/dist_coeffs.npy

Esses parâmetros são usados de forma opcional no pré-processamento dos frames antes da extração dos landmarks.

4. Extração de features

O modo de features é configurado em config/settings.py:

bounding_box: 42 features
wrist_relative: 63 features

O padrão atual é wrist_relative.

📥 Datasets e Downloads

O projeto trabalha com um dataset unificado em dataset/:

Estático: dataset/static/<label>/frame_XXX.png, sample_XXX.npy e sample_XXX_mirror.npy
Temporal: dataset/temporal/<label>/seq_XXX.npy e seq_XXX_mirror.npy

Recursos úteis:

Dataset de apoio em data/archives/
Modelos treinados em model/

Para detalhes de estrutura, formatos e artefatos, consulte docs/DATASETS.md.

🎯 Alfabeto Suportado

O sistema reconhece todas as 26 letras do alfabeto em Libras:

Letra	Classe	Letra	Classe	Letra	Classe
A	0	I	8	R	17
B	1	J	9	S	18
C	2	K	10	T	19
D	3	L	11	U	20
E	4	M	12	V	21
F	5	N	13	W	22
G	6	O	14	X	23
H	7	P	15	Y	24
		Q	16	Z	25

Nota: o fluxo estático recomendado usa 24 letras sem J e Z. Esses dois sinais ficam no pipeline temporal por dependerem de movimento.

🔬 Arquitetura Técnica

Pipeline de Dados

Pipeline estático

Captura: webcam → OpenCV
Detecção: MediaPipe → landmarks da mão
Features: bounding_box ou wrist_relative
Treinamento: Random Forest
Inferência: classificação por frame

Pipeline temporal

Captura: webcam → OpenCV
Pré-processamento: calibração opcional da câmera
Features: sequência de vetores por frame
Treinamento: LSTM sobre janelas de 30 frames
Inferência: classificação com buffer deslizante

Características dos Modelos

Random Forest

Algoritmo: RandomForestClassifier
Features: configuráveis por FEATURE_MODE
Persistência: model/model.pickle
Metadados: feature_mode e num_features salvos junto ao modelo

LSTM temporal

Sequência padrão: 30 frames
Feature size padrão: 63
Persistência: model/libras_lstm.keras
Mapa de labels: model/libras_lstm_labels.pickle

🚀 Modelos Alternativos em Desenvolvimento

O projeto também possui uma implementação de Transformer-based models para reconhecimento mais avançado. Para explorar modelos experimentais e futuras arquiteturas de deep learning, confira:

📁 src/models/transformer-gpt/ - Modelos Transformer e GPT em desenvolvimento

Estes modelos são uma alternativa em desenvolvimento ao Random Forest padrão, oferecendo potencial para:

Reconhecimento temporal de sequências de gestos
Melhor captura de nuances nos sinais
Suporte a contexto e dependências de longo alcance

📖 Documentação Completa: Leia o README detalhado com instruções sobre:

Dados para treinamento (interno e externo)
Uso independente ou integrado ao projeto
Exemplos de código prontos para usar
Estratégias de integração com LibrIA

Processamento de Imagens

from utils.helpers import extract_landmarks_by_mode

results = hands.process(img_rgb)
if results.multi_hand_landmarks:
  features = extract_landmarks_by_mode(
    results.multi_hand_landmarks[0].landmark,
    FEATURE_MODE,
  )

📈 Artefatos e Saídas

Arquivos mais importantes gerados pelo pipeline:

dataset/static/<label>/sample_XXX.npy
dataset/static/<label>/sample_XXX_mirror.npy
dataset/static/<label>/frame_XXX.png
dataset/temporal/<label>/seq_XXX.npy
dataset/temporal/<label>/seq_XXX_mirror.npy
model/model.pickle
model/libras_lstm.keras
model/libras_lstm_labels.pickle
training_plots/training_history_lstm.png
training_plots/training_history_embedded.png
training_plots/training_history_temporal_embedded.png
training_plots/accuracy/accuracy_*.png
config/camera_matrix.npy
config/dist_coeffs.npy

🎥 Demonstração

🔧 Personalização

Ajustando Parâmetros

Você pode modificar os parâmetros no arquivo config/settings.py:

# Configurações de coleta
COLLECTION_CONFIG = {
  'static_samples_per_label': 30,
  'temporal_samples_per_label': 30,
}

# Configurações de inferência
INFERENCE_CONFIG = {
    'min_detection_confidence': 0.3,
    'prediction_interval': 20,  # Frames entre predições
}

# Configurações do modelo
MODEL_CONFIG = {
    'n_estimators': 100,
    'random_state': 42,
}

Adicionando Novas Classes

Modifique STATIC_LABELS ou TEMPORAL_LABELS em config/settings.py
Rode a coleta correspondente com python main.py collect_static ou python main.py collect_temporal
Retreine com python main.py train ou python main.py train_lstm

🐛 Solução de Problemas

Problemas Comuns

Problema	Solução
Webcam não detectada	Verifique permissões e drivers
Baixa acurácia	Colete mais dados ou melhore a iluminação
Detecção instável	Ajuste `min_detection_confidence`
Erro de importação	Instale as dependências corretamente
Módulo não encontrado	Execute `python main.py` a partir da raiz do projeto
`illegal hardware instruction (core dumped)`	CPU sem suporte AVX - veja Compatibilidade AVX

Logs e Debug

Para debug detalhado, verifique o arquivo libras.log:

tail -f libras.log

🏗️ Melhorias na Arquitetura

✅ O que foi melhorado:

Makefile Profissional: Automação de todas as tarefas (setup, run, test, clean)
Dependências Consolidadas: requirements.txt com versões exatas e suporte a GPU
Estrutura Modular: Código organizado em módulos específicos
Configurações Centralizadas: Todas as configurações em config/settings.py
Utilitários Reutilizáveis: Funções auxiliares em utils/helpers.py
Interface Unificada: Script principal main.py com comandos claros
Documentação Melhorada: Docstrings e comentários detalhados
Tratamento de Erros: Melhor gestão de exceções
Logging: Sistema de logs para debug
Validação: Verificação de pré-requisitos antes da execução
Reproduzibilidade: Lock files e CI/CD-ready
Sem Pipenv: Substituído por venv padrão do Python + Makefile

🔄 Migração dos Arquivos Antigos

Os arquivos e configurações obsoletas foram movidos para .deprecated-files/:

Pipfile → .deprecated-files/Pipfile (pipenv descontinuado)
Pipfile.lock → .deprecated-files/Pipfile.lock
setup-pipenv.sh → .deprecated-files/setup-pipenv.sh (obsoleto)
setup-venv.sh → .deprecated-files/setup-venv.sh (substituído por Makefile)

Os arquivos de código antigos ainda estão em backup_old_files/ apenas como referência histórica de experimentos anteriores.

🤝 Contribuindo

Contribuições são bem-vindas! Para contribuir:

Fork o projeto
Crie uma branch para sua feature (git checkout -b feature/AmazingFeature)
Commit suas mudanças (git commit -m 'Add some AmazingFeature')
Push para a branch (git push origin feature/AmazingFeature)
Abra um Pull Request

Áreas para Melhoria

📄 Licença

Este projeto está licenciado sob a Licença MIT - veja o arquivo LICENSE para detalhes.

👨‍💻 Autor

Gabryel Lima

LinkedIn: Gabryel Lima
GitHub: @Gabryel-lima

🙏 Agradecimentos

MediaPipe pela biblioteca de detecção de mãos
OpenCV pelo processamento de imagens
Scikit-learn pelos algoritmos de ML
Comunidade Python pelo suporte

📞 Suporte

Se você encontrar algum problema ou tiver dúvidas:

📧 Email: gabbryellimasi@gmail.com
🐛 Issues: GitHub Issues
💬 Discussões: GitHub Discussions

⭐ Se este projeto te ajudou, considere dar uma estrela! ⭐

Name		Name	Last commit message	Last commit date
Latest commit History 130 Commits
.github		.github
backup_old_files		backup_old_files
config		config
dataset		dataset
docs		docs
model		model
scripts		scripts
src		src
tests		tests
utils		utils
.env.example		.env.example
.gitattributes		.gitattributes
.gitignore		.gitignore
CHANGELOG.md		CHANGELOG.md
CODE_OF_CONDUCT.md		CODE_OF_CONDUCT.md
CONTRIBUTING.md		CONTRIBUTING.md
CONTRIBUTORS.md		CONTRIBUTORS.md
DOCUMENTATION_INDEX.md		DOCUMENTATION_INDEX.md
GOVERNANCE.md		GOVERNANCE.md
LICENSE		LICENSE
Makefile		Makefile
ORGANIZATION_SUMMARY.md		ORGANIZATION_SUMMARY.md
README.md		README.md
ROADMAP.md		ROADMAP.md
main.py		main.py
requirements-dev.txt		requirements-dev.txt
requirements-gpu.txt		requirements-gpu.txt
requirements.txt		requirements.txt
test_inference.py		test_inference.py
test_setup.py		test_setup.py
update_hearders.py		update_hearders.py

Letra	Classe	Letra	Classe	Letra	Classe
A	0	I	8	R	17
B	1	J	9	S	18
C	2	K	10	T	19
D	3	L	11	U	20
E	4	M	12	V	21
F	5	N	13	W	22
G	6	O	14	X	23
H	7	P	15	Y	24
		Q	16	Z	25

Letra	Classe	Letra	Classe	Letra	Classe
A	0	I	8	R	17
B	1	J	9	S	18
C	2	K	10	T	19
D	3	L	11	U	20
E	4	M	12	V	21
F	5	N	13	W	22
G	6	O	14	X	23
H	7	P	15	Y	24
		Q	16	Z	25

Folders and files

Latest commit

History

Repository files navigation

LibrIA - Reconhecimento de Libras com Visão Computacional

📖 Sobre o Projeto

🎯 Objetivos

✨ Características

📚 Documentação Completa

🚀 Comece Aqui

📖 Documentação do Projeto

🏛️ Governança e Comunidade

📋 Outros

🛠️ Tecnologias Utilizadas

📁 Estrutura Atual do Projeto

🚀 Instalação e Configuração

⚡ Quick Start (Recomendado)

Pré-requisitos

Setup Manual (Alternativa)

Verificação de Setup

📊 Como Usar

🎯 Makefile - Comandos Disponíveis

⚙️ Detecção Automática

🎯 Interface Unificada (main.py)

🧭 Arquitetura Visual

🔄 Pipeline Completo

📝 Instruções Detalhadas

1. Fluxo estático

1.1. Fluxo embedded estático sem MediaPipe

1.2. Fluxo embedded temporal para J e Z

2. Fluxo temporal

2.1. Dataset mínimo recomendado

3. Calibração de câmera

4. Extração de features

📥 Datasets e Downloads

🎯 Alfabeto Suportado

🔬 Arquitetura Técnica

Pipeline de Dados

Pipeline estático

Pipeline temporal

Características dos Modelos

Random Forest

LSTM temporal

🚀 Modelos Alternativos em Desenvolvimento

Processamento de Imagens

📈 Artefatos e Saídas

🎥 Demonstração

🔧 Personalização

Ajustando Parâmetros

Adicionando Novas Classes

🐛 Solução de Problemas

Problemas Comuns

Logs e Debug

🏗️ Melhorias na Arquitetura

✅ O que foi melhorado:

🔄 Migração dos Arquivos Antigos

🤝 Contribuindo

Áreas para Melhoria

📄 Licença

👨‍💻 Autor

🙏 Agradecimentos

📞 Suporte

About

Topics

Resources

License

Code of conduct

Contributing

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Uh oh!

Contributors

Uh oh!

Languages

Packages

Letra	Classe	Letra	Classe	Letra	Classe
A	0	I	8	R	17
B	1	J	9	S	18
C	2	K	10	T	19
D	3	L	11	U	20
E	4	M	12	V	21
F	5	N	13	W	22
G	6	O	14	X	23
H	7	P	15	Y	24
		Q	16	Z	25