#feat: readme update

README.md

@@ -1,3 +1,45 @@
 # captcha-solver
 
-Neural Network Model for solving captchas in Python
+# Neural Network Model for solving captchas in Python
+
+# Instalação de Dependências do Python:
+pip install selenium
+pip install fastapi
+pip install pydantic
+pip install opencv-python-headless  # Para cv2
+pip install tensorflow
+pip install imutils
+pip install numpy
+pip install scikit-learn
+
+# Comando para subir o endpoint:
+uvicorn main:app
+
+# Atenção: O Modelo de Rede Neural já está treinado e salvo como "modelo_treinado.keras".
+# Não é necessário executar arquivos além de testar_modelo.py para teste do modelo.
+# Para caso de modificação do modelo, seguir os passos abaixo:
+
+# Treinamento do Modelo:
+# Passo 1 - Mineração de Captcha:
+# Crie um diretório novo chamado "captcha_images"
+# Execute o arquivo "captcha_miner.py", que abrirá o navegador do Chrome e salvará no diretório criado 2000 captchas novos
+# Obs: É necessário baixar o chromedriver e adicionar no diretório onde fica o python.exe
+
+# Passo 2 - Tratamento das imagens:
+# Crie um diretório novo chamado "captcha_tratado"
+# Execute o arquivo "tratar_captcha.py", que tratará todos os captchas do diretório "captcha_images" e os salvará no novo diretório criado
+
+# Passo 3 - Separação das Letras:
+# Crie um diretório chamado "caracteres" e outro chamado "identificado"
+# Execute o arquivo "separar_letras.py", que recortará todas as letras dos captchas tratados e as salvará no diretório "caracteres"
+# Na pasta "identificado" será salva uma visualização do recorte na imagem inteira
+
+# Passo 4 - Rotulação dos Caracteres existentes:
+# Manualmente, dentro da pasta "base_letras", crie um diretório para cada caractere existente nos captchas (o diretório deve ter o nome do caractere), letras, números etc.
+# Abra a pasta caracteres e coloque de 30 a mais exemplos de cada caractere em sua respectiva pasta
+
+# Passo 5 - Treinar o Modelo(IA):
+# Execute o "treinar_modelo.py", que treinará o novo modelo e o salvará como "modelo_treinado.keras"
+# A acurácia do modelo pode ser verificada no terminal, utilizando 3 epochs. A taxa de acerto de 95% já é considerada ótima.
+
+# Nota: Não aumente o número de epochs além do necessário para evitar overfitting.