Como referenciar este texto: ‘Da programação à arte: Explorando transferência de estilo com Python e IA’. Rodrigo Terra. Publicado em: 02/06/2025. Link da postagem: https://www.makerzine.com.br/dados/da-programacao-a-arte-explorando-transferencia-de-estilo-com-python-e-ia/.
Recentemente, desenvolvi um notebook interativo de transferência de estilo neural, unindo arte e inteligência artificial. O objetivo foi explorar como a tecnologia pode transformar qualquer foto em uma imagem com o estilo de uma pintura famosa — tudo com poucas linhas de código em Python, utilizando TensorFlow e TensorFlow Hub.
Este projeto foi uma oportunidade de aprender mais sobre machine learning aplicado à criatividade e, claro, exercitar o olhar de quem gosta de experimentar novas ideias no universo maker.
O que é Transferência de Estilo?
Transferência de estilo é uma técnica em que uma rede neural pega a estrutura de uma imagem (foto comum) e aplica o estilo visual de outra (uma obra de arte, por exemplo). O resultado é surpreendente: uma fusão entre conteúdo e arte, feita por IA!
Principais Desafios e Soluções
Configuração do ambiente
Comecei importando as principais bibliotecas e verificando a disponibilidade de GPU, pois o processamento de imagens pode ser pesado:
Funções para carregar e processar imagens
Implementei funções para baixar, centralizar, recortar e ajustar as imagens, garantindo que o modelo de IA recebesse os dados no formato ideal.
Escolha das imagens
O legal do projeto é poder experimentar diferentes pares de imagens. Testei desde fotos pessoais até imagens famosas da internet e pinturas expressionistas.
Aplicação do modelo pré-treinado
Utilizei um modelo já treinado e disponível no TensorFlow Hub. Isso facilitou bastante o processo, já que não precisei me preocupar com o treinamento do zero.
Visualização dos resultados
Ao final, visualizei a imagem original, a referência de estilo e o resultado estilizado lado a lado:
Código completo
Aprendizados
Hands-on em IA: Foi uma ótima forma de aprender sobre processamento de imagens e redes neurais.
Uso de modelos prontos: O TensorFlow Hub facilita o acesso a modelos de ponta sem a necessidade de treinar do zero.
Criatividade com código: Poder misturar arte e tecnologia abre portas para projetos inovadores em sala de aula, portfólio pessoal ou mesmo como experimentação artística.
Exemplos do Resultado
Se você acha que este conteúdo pode ser útil para alguém, compartilhe!
Ao divulgar os textos do MakerZine, você contribui para que todo o material continue acessível e gratuito para todas as pessoas.
