Merge pull request 'dev' (#5) from dev into main

Reviewed-on: #5

evolutionmanager.txt

@@ -0,0 +1 @@
+{"status":200,"message":"Welcome to the Evolution API, it is working!","version":"2.2.3","clientName":"soberana-evolution","manager":"http://evolution.soberana.srv.br/manager","documentation":"https://doc.evolution-api.com"}

fastapi.txt

@@ -0,0 +1,21 @@
+
+FastAPI do ZERO
+Caso prefira ver a apresentação do curso em vídeo
+
+    Esse material passa por atualizações periódicas. Você pode acompanhar as notas de alterações aqui.
+
+Olá, boas-vindas ao curso de FastAPI!
+
+A nossa intenção neste curso é facilitar o aprendizado no desenvolvimento de APIs usando o FastAPI. Vamos explorar como integrar bancos de dados, criar testes e um sistema básico de autenticação com JWT. Tudo isso para oferecer uma boa base para quem quer trabalhar com desenvolvimento web com Python. A ideia desse curso é apresentar os conceitos de forma prática, construindo um projeto do zero e indo até a sua fase de produção.
+O que é FastAPI?
+
+FastAPI é um framework Python moderno, projetado para simplicidade, velocidade e eficiência. A combinação de diversas funcionalidades modernas do Python, como anotações de tipo e suporte à concorrência. Simplificando o desenvolvimento de APIs.
+Sobre o curso
+
+Este curso foi desenvolvido para oferecer uma experiência prática no uso do FastAPI. O objetivo é que você obtenha uma compreensão das funcionalidades do FastAPI e de boas práticas associadas a ele.
+
+O projeto central do curso será a construção de um gerenciador de tarefas (uma lista de tarefas), começando do zero. Esse projeto incluirá a implementação da autenticação do usuário e das operações CRUD completas.
+
+Para a construção do projeto, serão utilizadas as versões mais recentes das ferramentas, disponíveis em 2026, como a versão do 0.136.3 FastAPI, a versão 2.13.4 do Pydantic, a versão 2.0.50 do SQLAlchemy ORM, além do suporte ao Python 3.11/3.12/3.13/3.14, e do Alembic 1.18.4 para gerenciamento de migrações.
+
+Além da construção do projeto, o curso também incluirá a prática de testes, utilizando o pytest. Essa abordagem planeja garantir que as APIs desenvolvidas sejam não somente funcionais, mas também robustas e confiáveis.

yolo.txt

@@ -0,0 +1,15 @@
+De onde o YOLO pega o contexto global? Como consegue fazer isso e porque os R - CNN não conseguiam?
+
+O modelo YOLO consegue extrair o contexto global porque as suas camadas convolucionais mais profundas capturam campos receptivos (receptive fields) maiores da imagem
+. Em vez de analisar pedaços isolados, ele processa a imagem inteira de uma só vez através de uma única rede. À medida que a informação flui para as camadas mais profundas, cada neurônio passa a "enxergar" áreas cada vez maiores da imagem original, permitindo que as predições finais considerem simultaneamente o objeto e o cenário ao seu redor
+.
+Os modelos da família R-CNN não conseguiam fazer isso de forma eficiente devido à sua arquitetura baseada em estágios e "propostas de regiões"
+. O funcionamento deles obrigava a rede a focar apenas em áreas restritas:
+No R-CNN original, o algoritmo literalmente recortava cerca de 2.000 pedaços da imagem de entrada (propostas de regiões) e passava cada um desses recortes de forma independente pela rede neural para ser classificado
+.
+Nas evoluções Fast e Faster R-CNN, embora a imagem inteira passasse junta pelas primeiras camadas convolucionais para economizar processamento, o modelo ainda aplicava uma operação de recorte (Crop / RoI pooling) diretamente sobre os mapas de características para isolar apenas as caixas suspeitas
+. O classificador final só avaliava o que estava dentro desse recorte
+.
+A grande diferença: Ao isolar e classificar apenas uma caixa recortada (como os R-CNNs fazem), a rede perde a visão do que está em volta daquele objeto
+. É por isso que abordagens baseadas em regiões têm uma tendência maior a cometer "erros de fundo" (confundir uma textura no cenário com um objeto). O YOLO, por nunca recortar a imagem e tratar a detecção como uma regressão única onde as últimas camadas têm o contexto de toda a cena, compreende muito melhor a diferença entre o que é um objeto de fato e o que é apenas o fundo da imagem
+.