6 de janeiro de 2025
Junte-se a nós enquanto revisitamos a apresentação de David Scott na YOLO Vision 2024 sobre análise de comportamento orientada por IA e suas aplicações no mundo real em setores como a agropecuária.
%25202.webp)
Durante muitos anos, as inovações em visão computacional se concentraram em tarefas como detecção de objetos - identificar objetos como um cão ou um carro em imagens e vídeos. Essas abordagens permitiram aplicações em áreas como veículos autônomos, manufatura e saúde.
No entanto, essas tarefas geralmente se concentram apenas em identificar o que é um objeto. E se os sistemas de IA de Visão pudessem ir um passo além? Por exemplo, em vez de simplesmente detectar um cão, digamos que ele pudesse entender que o cão está perseguindo uma bola ou que um carro está freando repentinamente porque um pedestre está atravessando. Essa mudança do reconhecimento básico para a compreensão contextual representa uma grande mudança em direção a uma IA comportamental mais inteligente e consciente do contexto.
Na YOLO Vision 2024 (YV24), o evento híbrido anual da Ultralytics que celebra os avanços em IA de Visão, o conceito de análise de comportamento orientada por IA ganhou destaque durante uma palestra interessante de David Scott, CEO da The Main Branch.
Em sua palestra, David explorou a transição de tarefas básicas de visão computacional para o rastreamento comportamental. Com mais de 25 anos de experiência na criação de aplicações de tecnologia de ponta, ele mostrou o impacto desse salto. Ele enfatizou como a decodificação de padrões e comportamentos está remodelando setores como agricultura e bem-estar animal.
Neste artigo, vamos apresentar os destaques da palestra de David e explorar como o rastreamento comportamental torna a IA mais prática.
David Scott começou sua apresentação com uma análise ousada da realidade e disse: “Um colega meu costuma dizer: 'Ciência não vende', o que ofende muitos de nós aqui porque realmente gostamos de ciência. A IA é muito legal - por que as pessoas simplesmente não a comprariam? Mas a realidade é que as pessoas não querem comprá-la só porque achamos legal; elas precisam de um motivo para comprá-la.”
Ele continuou e explicou que, em sua empresa, The Main Branch, o foco está sempre em resolver problemas reais com IA, não apenas exibir suas capacidades. Muitos clientes chegam querendo falar sobre como podem usar a IA em geral, mas ele vê isso como uma abordagem inversa - é como ter uma solução sem um problema. Em vez disso, eles trabalham com clientes que trazem desafios específicos para que possam criar soluções de IA que realmente façam a diferença.
David também compartilhou que o trabalho deles geralmente vai além de apenas reconhecer objetos em uma cena. Identificar o que está lá é apenas o primeiro passo. O verdadeiro valor vem de descobrir o que fazer com essa informação e torná-la útil dentro da cadeia de valor maior.
Um passo vital para tornar a IA verdadeiramente útil é ir além das tarefas básicas de visão computacional, como a detecção de objetos, e usar esses insights para o rastreamento comportamental. David destacou que a IA comportamental se concentra em entender ações e padrões, não apenas em identificar objetos. Isso torna a IA capaz de reconhecer eventos significativos e fornecer insights acionáveis.
Ele deu um exemplo de um animal rolando no chão, o que pode indicar doença. Embora as pessoas não possam observar um animal o tempo todo, os sistemas de vigilância orientados por IA com capacidades de rastreamento comportamental podem. Essas soluções podem monitorar objetos continuamente, detectar comportamentos específicos, enviar um alerta e permitir uma ação oportuna. Isso transforma dados brutos em algo prático e valioso.
David também mostrou que essa abordagem torna a IA não apenas interessante, mas verdadeiramente impactante. Ao abordar problemas reais, como monitorar comportamentos e agir sobre eles, o rastreamento comportamental pode se tornar uma parte fundamental de soluções de IA eficazes em vários setores.
David Scott então ilustrou como o Ultralytics YOLOv8, um modelo de visão computacional, foi um avanço para os projetos de rastreamento comportamental de sua equipe. Ele lhes deu uma base sólida para detectar, classificar e rastrear objetos. Sua equipe também foi um passo além e treinou o YOLOv8 de forma personalizada para se concentrar no monitoramento de comportamentos ao longo do tempo, tornando-o mais prático e útil para situações do mundo real.
Curiosamente, com o lançamento do Ultralytics YOLO11, soluções como as criadas pela The Main Branch podem se tornar ainda mais confiáveis e precisas. Este modelo mais recente oferece recursos como precisão aprimorada e processamento mais rápido que melhoram sua capacidade de rastrear comportamentos. Discutiremos isso com mais detalhes depois de obter uma melhor compreensão das aplicações para as quais a IA comportamental pode ser usada.
Em seguida, vamos explorar as soluções sobre as quais David falou e como a tecnologia de rastreamento comportamental está sendo usada em aplicações do mundo real para resolver desafios cotidianos e causar um impacto significativo.
Primeiramente, David compartilhou um desafio empolgante que enfrentaram com um projeto chamado HerdSense, que envolvia o monitoramento da saúde de milhares de vacas em um grande confinamento. O objetivo era rastrear o comportamento de cada vaca para identificar potenciais problemas de saúde. Isso significava manter um olhar atento sobre dezenas de milhares de animais ao mesmo tempo, e não era uma tarefa simples.
Para começar a resolver o problema de identificar cada vaca e rastrear seus comportamentos, a equipe de David conduziu um workshop de dois dias para delinear todos os comportamentos possíveis que precisavam monitorar. Eles identificaram mais de 200 comportamentos no total.
Cada um dos 200 comportamentos dependia da capacidade de reconhecer com precisão cada vaca, pois todos os dados tinham que ser vinculados a animais específicos. Uma grande preocupação era rastrear as vacas quando elas se agrupavam, o que dificultava a visualização de animais individuais.
A equipe de David desenvolveu um sistema de visão computacional para garantir que cada vaca fosse identificada consistentemente, mesmo em situações complicadas. Eles conseguiram confirmar que a mesma vaca sempre receberia o mesmo ID, mesmo que desaparecesse de vista, se misturasse com outras ou reaparecesse mais tarde.
Avançando, David apresentou outro projeto fascinante onde aplicaram técnicas semelhantes de rastreamento comportamental para monitorar cavalos. Neste projeto, a equipe de David não precisou rastrear os IDs de cada cavalo tão de perto quanto fizeram com as vacas. Em vez disso, eles se concentraram em comportamentos específicos e rastrearam detalhes como padrões de alimentação e níveis gerais de atividade para identificar quaisquer problemas de saúde precocemente. Identificar pequenas mudanças no comportamento pode levar a intervenções mais rápidas para fornecer melhor atendimento e evitar problemas antes que se tornem graves.
David também discutiu a complexidade do rastreamento comportamental através de um exemplo intrigante. Enquanto pesquisava maneiras de melhorar a análise comportamental, sua equipe se deparou com uma empresa que afirmava detectar furtos em lojas analisando poses específicas, como alguém com a mão no bolso. A princípio, isso pareceu uma ideia inteligente - certos movimentos poderiam sugerir um comportamento suspeito, certo?
No entanto, ao explorar mais a fundo, David percebeu as limitações desse método. Uma única pose, como uma mão no bolso, não significa necessariamente que alguém esteja furtando. Poderia apenas indicar que a pessoa está relaxada, pensando ou até com frio. O problema de se concentrar em poses isoladas é que ignora o contexto maior. O comportamento não é apenas uma única ação - é um padrão de ações ao longo do tempo, moldado pelo contexto e pela intenção.
David destacou que o verdadeiro rastreamento comportamental é muito mais complexo e requer uma abordagem holística. Trata-se de analisar sequências de ações e entender o que elas significam no quadro geral. Embora a indústria de IA esteja avançando, ele observou que ainda há trabalho a ser feito no avanço do rastreamento comportamental para fornecer insights significativos e precisos.
Posteriormente, David levou o público aos bastidores para mostrar como sua equipe construiu uma solução de visão computacional para monitorar a saúde das vacas com a ajuda do YOLOv8 e suas habilidades de estimativa de pose.
Eles começaram criando um conjunto de dados personalizado para estimativa de pose de uma vaca, aumentando o número padrão de pontos-chave de 17 para 145 para tornar o modelo melhor na análise de movimento. Então, o modelo foi treinado em um conjunto de dados massivo de mais de 2 milhões de imagens e 110 milhões de exemplos comportamentais.
Usando uma infraestrutura de hardware avançada, a equipe de David conseguiu treinar o modelo em apenas dois dias, em vez das semanas que teria levado em hardware convencional. O modelo treinado foi então integrado com um rastreador de comportamento personalizado que analisava vários frames de vídeo simultaneamente para detectar padrões nas ações das vacas.
O resultado foi uma solução orientada por IA de visão que pode detectar e rastrear oito comportamentos diferentes de vacas, como comer, beber e deitar, para identificar pequenas mudanças comportamentais que podem sinalizar problemas de saúde. Isso permite que os agricultores ajam rapidamente e melhora o gerenciamento do rebanho.
David encerrou sua palestra compartilhando uma lição importante com o público: "Se você não der à IA espaço para falhar, estará se preparando para o fracasso porque, no final das contas, é estatístico." Ele apontou que a IA, apesar de seus pontos fortes, não é perfeita. É uma ferramenta que aprende com padrões, e sempre haverá momentos em que não acertará. Em vez de temer esses erros, a chave é construir sistemas que possam lidar com eles e continuar a melhorar ao longo do tempo.
Isso também é verdade quando se trata dos próprios modelos de visão computacional. Por exemplo, o Ultralytics YOLO11, a versão mais recente dos modelos Ultralytics YOLO, foi construído tendo em mente a necessidade de levar as coisas para o próximo nível em comparação com o YOLOv8.
Em particular, o YOLO11 oferece melhor desempenho, especialmente no que diz respeito a aplicações em tempo real onde a precisão é fundamental, como agricultura e saúde. Com seus recursos avançados, o YOLO11 está redefinindo como as indústrias usam a IA, fornecendo insights inovadores em tempo real e ajudando-as a enfrentar os desafios de forma mais eficaz.
A palestra de David na YV24 foi um lembrete de que a IA é mais do que apenas uma inovação legal - é uma ferramenta poderosa para resolver problemas reais e melhorar a forma como vivemos e trabalhamos. Ao focar no comportamento, a IA já está causando impacto em áreas como o rastreamento da saúde animal e o reconhecimento de padrões significativos em ações cotidianas.
O potencial para a IA comportamental é empolgante, e estamos apenas no começo. Ao transformar dados brutos em insights acionáveis, a IA comportamental passa do monitoramento passivo para a resolução ativa de problemas. À medida que se desenvolve ainda mais, a IA comportamental está preparada para impulsionar decisões mais inteligentes, otimizar processos e trazer melhorias significativas para nossas vidas.
Mantenha-se conectado com a nossa comunidade para saber mais sobre IA e suas aplicações no mundo real. Visite o nosso repositório no GitHub para descobrir inovações em áreas como IA na agricultura e visão computacional na indústria transformadora.
.webp)