chore(repository): remove tracked data artifacts

.gitignore

@@ -29,8 +29,7 @@ runs/
 *.cache
 
 # --- Dataset ---
-dataset/images/
-dataset/labels/*.cache
+dataset/
 
 # --- Arquivos Temporários do Sistema/IDE ---
 .vscode/

config/campos.yaml → config/training/dataset.yaml

@@ -9,4 +9,4 @@ names:
   2: dosagem
   3: validade
   4: quantidade
-  5: generico
+  5: generico

docs/INVENTARIO_ATUAL.md

@@ -10,7 +10,7 @@ Data do levantamento: 22 de julho de 2026.
 | OCR | `src/api/ocr_extration.py` | Inicializa o EasyOCR no momento da importação e depende de GPU fixa. |
 | Treinamento | `src/training/train.py` | Executa fine-tuning YOLO e grava resultados em `runs/detect`. |
 | Utilitários | `src/utils/` | Sanitização de texto e ferramenta de rotulagem. |
-| Dados | `dataset/` e fonte externa indicada no README | Há anotações de validação versionadas; imagens e pesos são ignorados. |
+| Dados | `dataset/` e fonte externa indicada no README | Dataset e pesos são locais e ignorados; apenas a configuração de treino é versionada. |
 | Contêiner | `Dockerfile` | Instala `requirements.txt` e inicia `src.api.api:app`, mas não recebe o modelo. |
 | Testes | `tests/test_api.py` | Mistura teste HTTP e modelo real; cria artefato local; alguns casos são ignorados quando não há imagem. |
 

src/training/augmentation.py

@@ -173,6 +173,3 @@ def aplicar_augmentation(img, labels):
         total_geradas += 1
 
     print(f"✅ {img_name} → {AUGMENTATIONS_PER_IMAGE} versões geradas")
-
-print(f"\n🎉 Concluído! {total_geradas} imagens aumentadas salvas em '{OUTPUT_IMG_DIR}'")
-print("👉 Agora rode o treino normalmente com: model.train(data='campos.yaml', epochs=100)")

src/training/train.py

@@ -8,7 +8,7 @@ def train_model():
     device = "0" if torch.cuda.is_available() else "cpu"
     print(f"🚀 Iniciando treinamento no dispositivo: {device}")
     base_dir = os.path.dirname(os.path.abspath(__file__))
-    config_path = os.path.join(base_dir, "..", "..", "config", "campos.yaml")
+    config_path = os.path.join(base_dir, "..", "..", "config", "training", "dataset.yaml")
     config_path = os.path.normpath(config_path)
 
     model = YOLO("yolov8n.pt")