Como usar este post

Cada seção traz: descrição, por que usar, instalação, exemplo prático e contexto de projeto. Os trechos de código são reproduzíveis e foram aplicados em projetos reais da Herez; os repositórios contêm notebooks e pipelines completos.

Resumo rápido

Bibliotecas detalhadas com exemplos reais

OpenCV

O que é: biblioteca abrangente para visão computacional e processamento de imagens, otimizada para desempenho e uso em tempo real.

Por que usar: algoritmos prontos para detecção de objetos, reconhecimento facial, transformações geométricas, calibração de câmeras e tracking; integração direta com C++/Python para produção.

# Instalação
pip install opencv-python

import cv2
img = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)
blur = cv2.GaussianBlur(img, (5,5), 0)
edges = cv2.Canny(blur, 50, 150)
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, contours, -1, (255,0,0), 2)
cv2.imwrite('contours.jpg', img)

Mahotas

O que é: biblioteca de processamento de imagens com implementações em C++ para desempenho, oferecendo filtros, morfologia e extração de features.

# Instalação
pip install mahotas

import mahotas as mh
import numpy as np
img = mh.imread('input.png', as_grey=True)
textures = mh.features.haralick(img).mean(axis=0)
print('Haralick features:', textures)

scikit-image

O que é: coleção de algoritmos de processamento e análise de imagem em Python, com foco em clareza e integração com NumPy/SciPy.

# Instalação
pip install scikit-image

from skimage import io, filters, morphology
img = io.imread('input.jpg', as_gray=True)
denoised = filters.gaussian(img, sigma=1)
th = filters.threshold_otsu(denoised)
mask = denoised > th
clean = morphology.remove_small_objects(mask, min_size=500)
io.imsave('segmented.png', clean.astype('uint8')*255)

pgmagick

O que é: bindings Python para GraphicsMagick, permitindo manipulação avançada de imagens, conversão de formatos e operações de alta qualidade.

# Instalação (pode requerer dependências do sistema)
pip install pgmagick

from pgmagick import Image
img = Image('input.tif')
img.resize('800x600')
img.quality(85)
img.write('output.jpg')

SimpleITK

O que é: toolkit focado em imagens médicas, com suporte a DICOM, registro, segmentação e análise volumétrica; projetado para pesquisa e aplicações clínicas.

# Instalação
pip install SimpleITK

import SimpleITK as sitk
fixed = sitk.ReadImage('fixed.nii')
moving = sitk.ReadImage('moving.nii')
initial_transform = sitk.CenteredTransformInitializer(fixed, moving, sitk.Euler3DTransform())
registration = sitk.ImageRegistrationMethod()
registration.SetMetricAsMeanSquares()
registration.SetOptimizerAsRegularStepGradientDescent(learningRate=1.0, minStep=1e-6, numberOfIterations=200)
registration.SetInitialTransform(initial_transform, inPlace=False)
final_transform = registration.Execute(fixed, moving)
resampled = sitk.Resample(moving, fixed, final_transform, sitk.sitkLinear, 0.0, moving.GetPixelID())
sitk.WriteImage(resampled, 'registered.nii')

Comparação prática e recomendações Herez

Boas práticas Herez

• Combine ferramentas: use OpenCV para etapas em tempo real e scikit-image/Mahotas para análise científica e extração de features.
• Ambientes isolados: crie ambientes virtuais (venv ou conda) e registre versões em requirements.txt para reprodutibilidade.
• Documente dependências nativas: automatize instalação de bibliotecas do sistema para pgmagick e SimpleITK no CI.
• Valide com métricas: use IoU, Dice, PSNR e SSIM para avaliar qualidade antes de produção.
• Repositórios Herez: exemplos completos, notebooks e pipelines usados em projetos reais por Herez estão disponíveis nos repositórios GitHub e GitLab da Herez.

Próximo post da série

No próximo artigo cobriremos bibliotecas Python para Web Scraping, com exemplos práticos, estratégias de coleta ética e pipelines para transformar dados brutos em insights.

Como usar este post

Cada seção descreve a biblioteca, por que usá‑la, comando de instalação e exemplos de casos de uso. Use este guia para comparar ferramentas e montar um fluxo de testes automatizados adequado ao seu time e produto.

Resumo rápido

Bibliotecas detalhadas

Splinter

O que é: biblioteca que simplifica a automação de navegadores, oferecendo uma API de alto nível que pode usar drivers como Selenium, zope.testbrowser ou outros backends.

Por que usar: ideal para escrever testes de interface web com menos boilerplate que o Selenium puro; facilita ações comuns (clicar, preencher formulários, navegar) em testes de aceitação.

# Instalação
pip install splinter

Casos de uso: testes de fluxo de usuário em aplicações web, validação de formulários, smoke tests de UI e automação de tarefas simples no navegador.

Robot Framework

O que é: framework de automação baseado em palavras‑chave, orientado a testes de aceitação e automação de processos (RPA). Fornece sintaxe legível por humanos e integrações com bibliotecas externas.

Por que usar: excelente para equipes que preferem escrever casos de teste em formato tabular/keyword-driven; facilita colaboração entre desenvolvedores, QA e stakeholders não técnicos.

# Instalação
pip install robotframework

Casos de uso: testes de aceitação, automação de processos repetitivos, integração com Selenium para testes de UI e cenários de RPA.

Behave

O que é: framework para BDD (Behavior Driven Development) que usa a linguagem Gherkin para descrever comportamentos em cenários legíveis (Given/When/Then).

Por que usar: quando você quer alinhar requisitos e testes com stakeholders, transformando especificações em cenários executáveis que servem como documentação viva.

# Instalação
pip install behave

Casos de uso: especificação e validação de requisitos, testes de aceitação automatizados e colaboração entre times de produto e QA.

PyUnit / unittest

O que é: implementação em Python do estilo xUnit, incluída na biblioteca padrão como unittest (historicamente conhecida como PyUnit).

Por que usar: disponível por padrão, com estrutura familiar (TestCase, setUp, tearDown) e compatibilidade com muitas ferramentas e runners.

# Uso básico (não requer instalação)
python -m unittest discover

Casos de uso: testes unitários clássicos, integração com CI e projetos que preferem dependências mínimas e API xUnit tradicional.

PyTest

O que é: framework de testes moderno e amplamente adotado, conhecido por sintaxe simples, fixtures poderosas e ecossistema de plugins.

Por que usar: reduz boilerplate, suporta parametrização, fixtures reutilizáveis e integrações com ferramentas de cobertura e mocks; é frequentemente recomendado como primeira escolha para novos projetos Python.

# Instalação
pip install pytest

Casos de uso: testes unitários, testes de integração, testes parametrizados, TDD e pipelines de CI. PyTest é frequentemente escolhido por sua simplicidade e extensibilidade.

Comparação rápida

Boas práticas para testes automatizados

• Separe testes por camadas: unitários, integração e aceitação.
• Use ambientes isolados e dados de teste controlados; evite dependências externas nos testes unitários.
• Automatize execução em CI e gere relatórios de cobertura e falhas.
• Prefira PyTest para novos projetos, mantendo compatibilidade com unittest quando necessário.
• Use Robot ou Behave quando stakeholders não técnicos precisarem ler ou escrever cenários de teste.

Próximo post da série

No próximo artigo cobriremos bibliotecas Python para Processamento de Imagens (Pillow, OpenCV, scikit-image), com exemplos práticos de pipelines de pré‑processamento e análise.

Como usar este post

Este artigo apresenta cada biblioteca com uma breve descrição, motivos para usar, comandos de instalação e exemplos de casos de uso. Use-o como referência rápida ao montar ambientes, escolher ferramentas para prototipagem ou planejar pipelines de ML.

Resumo rápido

Bibliotecas detalhadas

NumPy

O que é: biblioteca fundamental para computação numérica em Python. Fornece o tipo ndarray e operações vetorizadas de alto desempenho.

Por que usar: base para Pandas, SciPy e muitos frameworks de ML; substitui loops Python por operações vetorizadas, acelerando cálculos.

# Instalação
pip install numpy

Casos de uso: álgebra linear, manipulação de tensores simples, geração de dados sintéticos e operações matriciais em pipelines de pré‑processamento.

Pandas

O que é: biblioteca para manipulação e análise de dados tabulares com estruturas DataFrame e Series.

# Instalação
pip install pandas

Casos de uso: ETL, análise exploratória (EDA), tratamento de valores ausentes, criação de features e integração com scikit‑learn.

Matplotlib

O que é: biblioteca clássica de plotagem 2D; altamente configurável e a base para muitas outras bibliotecas de visualização.

# Instalação
pip install matplotlib

Seaborn

O que é: camada de alto nível sobre Matplotlib para visualizações estatísticas com estética pronta.

# Instalação
pip install seaborn

SciPy

O que é: conjunto de algoritmos científicos construído sobre NumPy, incluindo otimização, integração, interpolação, álgebra linear avançada e estatística.

# Instalação
pip install scipy

scikit-learn

O que é: biblioteca padrão para algoritmos clássicos de machine learning: regressão, classificação, clustering, redução de dimensionalidade e pipelines.

# Instalação
pip install scikit-learn

TensorFlow

O que é: framework de deep learning escalável, com suporte a CPU, GPU e TPU, e um ecossistema para produção.

# Instalação
pip install tensorflow

Keras

O que é: API de alto nível para construção e treino de redes neurais; atualmente integrada ao TensorFlow como tf.keras.

# Instalação (opcional se usar tf.keras)
pip install keras

PyTorch

O que é: framework de deep learning com execução dinâmica (eager execution), muito usado em pesquisa e com forte comunidade.

# Instalação
pip install torch torchvision

Theano

O que é: biblioteca histórica para definição e otimização de expressões matemáticas que geram código eficiente para CPU/GPU.

# Instalação
pip install Theano

Como escolher a combinação certa

• Preparação de dados: NumPy + Pandas + SciPy.
• Visualização: Matplotlib para controle fino; Seaborn para análises estatísticas rápidas.
• Modelos clássicos: scikit‑learn para protótipos e pipelines.
• Deep learning: TensorFlow/Keras para produção; PyTorch para pesquisa e experimentação.

Boas práticas

• Use ambientes virtuais (venv, conda) para isolar dependências.
• Documente versões das bibliotecas (arquivo requirements.txt ou environment.yml) para reprodutibilidade.
• Ao usar GPU, verifique compatibilidade entre versões de CUDA/cuDNN e as bibliotecas (TensorFlow/PyTorch).
• Combine bibliotecas: Pandas para ETL, scikit‑learn para baseline, e TensorFlow/PyTorch para modelos complexos.

Próximo post da série

No próximo artigo cobriremos bibliotecas Python para Testes Automatizados (Splinter, Robot, Behave, PyUnit e PyTest), com comparações práticas e cenários de uso. Veja o próximo post.