FAZENDA CLASSIFIER 1.1.0-rc4 — TESTE COM PYTORCH 2.10 E RETORNO À RC3

Esta revisão não bloqueia a classificação pelo número da versão do PyTorch.
O carregador e a inferência são idênticos aos da RC3, com weights_only=True.
O ZIP não instala nem atualiza bibliotecas.

1. ANTES DE ATUALIZAR
Salve uma cópia do projeto e as camadas temporárias que quiser preservar.
Guarde o ZIP fazenda_classifier_1.1.0-rc3_publicacao.zip.
Feche o QGIS e abra o OSGeo4W Shell correspondente à mesma instalação.
Confirme o Python usado antes de executar pip:

    python -c "import sys; print(sys.version); print(sys.prefix)"

Registre os pacotes atuais para eventual conferência do retorno:

    python -m pip freeze > "%USERPROFILE%\qgis_pacotes_antes_rc4.txt"

2. INSTALAR O PAR CPU DE TESTE
No mesmo terminal, com QGIS fechado:

    python -m pip install --upgrade torch==2.10.0 torchvision==0.25.0 --index-url https://download.pytorch.org/whl/cpu

Abra o QGIS, instale o NOVO ZIP da RC4 pelo gerenciador de complementos e reinicie.
Esse ZIP substitui o primeiro candidato de RC4 que impunha bloqueio por versão.

3. CONFERIR E TESTAR CLASSIFICAÇÃO
No Console Python do QGIS:

    import torch, torchvision
    print(torch.__version__, torchvision.__version__)
    from fazenda_classifier.tests.smoke_model import run
    run()

Escolha seu modelo e pequenos recortes RGB PNG/JPEG com resultados conhecidos.
O teste não altera os arquivos. Confira classes, probabilidades, confiança e
limiar 0,60. Compare os mesmos recortes usados na RC3. Use pesos de procedência
confiável; permitir a versão 2.5 não corrige vulnerabilidades dessa biblioteca.

4. CONFERIR INTEGRAÇÃO E SAÍDAS
    from fazenda_classifier.tests.smoke_rc4 import run
    run()

Esperado: 12 verificações com rasters e camadas sintéticas em projeto isolado.
Esse roteiro não executa a CNN real nem modifica as camadas do projeto aberto.
Gere um NOVO conglomerado para o teste RC4. Ela preserva camadas da RC3 e arquivos
de mesmo nome. Classifique, reclassifique e confira 625 amostras por UA, sem dobrar
a contagem. A falha de uma amostra deve preservar a classificação anterior.
Confira também alturas, copas, SRCs e exportações CSV.

5. SE NÃO FUNCIONAR, VOLTAR AO PYTORCH 2.5 E À RC3
Salve o que precisar e feche o QGIS. No MESMO OSGeo4W Shell:

    python -m pip install torch==2.5.0 torchvision==0.20.0 --index-url https://download.pytorch.org/whl/cpu

Reabra o QGIS e reinstale o ZIP fazenda_classifier_1.1.0-rc3_publicacao.zip.
Reinicie o QGIS, reabra a cópia do projeto salva antes do teste e confira:

    import torch, torchvision
    print(torch.__version__, torchvision.__version__)

Esperado: torch 2.5.0+cpu e torchvision 0.20.0+cpu. Confirme RC3 no gerenciador
de complementos e teste a classificação. Se houver erro de outros pacotes,
compare com qgis_pacotes_antes_rc4.txt e registre a mensagem antes de novos ajustes.

ARQUIVOS E ESCOPO
Os recortes de cada tentativa ficam em pastas temporárias aleatórias. Nenhuma
pasta anterior é apagada automaticamente. CSVs podem revelar coordenadas e
caminhos locais. O ZIP não inclui os seus pesos, rasters ou dados de campo.
A RC4 fornece medidas para estudos externos de carbono florestal, AGC e clima;
não calcula AGC nem executa projeções climáticas. Em 03/11/2026, o autor concluiu
as 12 verificações nativas e forneceu resultados reais de uma árvore, 100 alturas
e 625 recortes sem erros. A revisão dos CSVs não encontrou inconsistências ou
duplicatas. Ainda falta documentar uma repetição real de 625 recortes da mesma UA.
A confiança agora é exibida em porcentagem; 0,597001 corresponde a 59,70%.
O ajuste é de apresentação: limiar, probabilidades e precisão dos CSVs permanecem.
