MOODIE — Image Trends Explorer

Sobre o MOODIE

MOODIE (Modular Observational & Operational Design Image Explorer) é uma ferramenta experimental do Datalab Design, criada para apoiar a exploração visual de corpora de imagens em pesquisas de humanidades digitais, comunicação, design, estudos de mídia, história da arte e cultura visual.

MOODIE foi concebido como um recurso didático e metodológico para tornar a análise computacional de imagens — uma tarefa que normalmente exige programação, extração de features e redução de dimensionalidade — mais intuitiva e acessível a pesquisadores, estudantes, artistas e designers.

Com o MOODIE você pode carregar coleções de imagens, inspecionar metadados, detectar imagens ausentes ou duplicadas, gerar imagewalls, comparar regimes de visualidade, projetar corpora visuais em mapas 2D, examinar vizinhanças de similaridade, explorar grupos por coluna, aplicar sobreposições categóricas de cor, ranquear imagens por metadados e exportar evidências visuais para documentação de pesquisa.

Tudo é processado no seu navegador — nada é enviado para servidor. Nenhuma IA lendo seu corpus de imagens, alucinando rótulos ou treinando modelos de Big Tech ;)

MOODIE trabalha com features visuais básicas extraídas no lado do cliente e também pode ler projetos .moodie com embeddings pré-computados e metadados exportados pelo fluxo Python do MOODIE.

Como usar

1. Upload Solte um projeto .moodie, um ZIP de imagens, ou um ZIP + CSV/JSON com metadados. O MOODIE detecta caminhos de imagem, arquivos ausentes, metadados básicos, imagens duplicadas e colunas de features disponíveis.

2. Dataset Inspecione a visão geral do corpus. Verifique total de imagens, imagens únicas, arquivos ausentes, linhas visíveis, filtros e grupos. Confirme a coluna de imagem quando o dataset for carregado junto com as imagens.

3. Corpus Preview Construa imagewalls a partir do escopo ativo. Escolha corpus completo ou grupo por coluna, selecione uma inscrição visual, uma métrica de semelhança e uma projeção, e aplique cor categórica, filtros, ranking ou representatividade. Clique para selecionar uma imagem; duplo clique para inspecionar o card completo.

4. Regime de visualidade Salve regimes que combinam escopo, inscrição vetorial, métrica de semelhança e projeção. Alterne entre regimes salvos para comparar como diferentes modos computacionais de ver reorganizam o mesmo corpus de imagens.

5. Pixel Eye Abra a visualização sincronizada de projeção 2D + imagewall. Explore o regime ativo, compare regimes lado a lado, inspecione grupos, ative vizinhos candidatos e exporte PNG ou CSV da visualização atual.

6. Projeto Salve o projeto como arquivo .moodie com imagens, metadados, regras e estados visuais, para reabrir a análise depois sem reconstruir o corpus do zero.

Como citar

Bitencourt, E. (2026). MOODIE: Modular Observational & Operational Design Image Explorer [Web app]. Datalab Design, Universidade do Estado da Bahia. https://moodie.datalabdesign.org

Projeto

Nome do projeto Descrição

Backup automático ativo

Histórico de backups

Backups automáticos e cópias de segurança criadas antes de atualizações do dataset.

Solte seu dataset aqui

Use .moodie, ZIP de imagens, ou ZIP + CSV/JSON com metadados.

.moodie Projeto exportado com features e metadados.

ZIP de imagens Subpastas aceitas. CSV / JSON Metadados opcionais.

Visão geral

Regime ativo

Estado atual da visualização, regimes salvos e visualizações salvas.

Ocultar duplicatas Ativo

Modo Método ?

Aparência

Thumbs

Espaço entre thumbs (px)

Atributos dos cards ?

Esses atributos definem quais colunas do dataset aparecem no hover e no card completo. H = hover · F = full view. Arraste :: para reordenar.

Modo de visualização

Escopo? Nome do escopo (opcional)

Extração de características visuais

Modelo

MobileNetV2 · embeddings visuais 1280D

Representação visual após Global Average Pooling. Indicada para similaridade visual, medoides e comunidades. Requer o ONNX convertido a partir do MobileNetV2 do Companion para testar equivalência.

Arquivo do modelo (.onnx) Utilize o modelo convertido do Companion; a equivalência ainda exige validação cruzada.

Aguardando extração.

Verificando recursos do navegador…

Regime de visualidade

1. Inscrição vetorial ?

Fonte vetorial

2. Métrica de semelhança ?

Métrica de distância

3. Projeção de espaço ?

Modo de projeção

Ranking Inativo

Representatividade ?

Modo

Hierarquia ?

Coluna numérica

Representatividade e hierarquia afetam a seleção/ranking da visualização, mas não fazem parte do regime de visualidade salvo.

Nome do ranking (opcional)

Color by Inativo

Coluna de cor ? Separador

Filtros Inativo

Coluna

Nome do filtro

Visão geral

Regime ativo

Estado atual do Pixel Eye e itens salvos disponíveis para análise.

Modo de exploração

Operação

Escopo

Aparência do mapa

Modo de nó? Cor dos nós? Tamanho do nó 3 Alfa dos nós 82% Mostrar grade e eixos Mostrar valores discretos da grade Mostrar legenda Repulsão leve

Regime de visualidade

1. Inscrição vetorial?

Fonte vetorial

2. Métrica de semelhança?

Métrica de distância

3. Projeção de espaço?

Modo de projeção

Método de recuperação Ativo

Selecionar candidatos? Top N similares 20

Vizinhos do mapa usam proximidade euclidiana no plano 2D projetado. Vizinhos vetoriais usam o vetor e a métrica do regime ativo.

Comparison

Próxima etapa.

Recommendation

Próxima etapa.

Solte seu dataset aqui

Comparison

Recommendation

Exportar

Preparando…

Solte seu dataset aqui

Corpus Preview

Pixel Eye — seen like a machine

Comparison

Recommendation

Exportar

Preparando…