6 de janeiro de 2025
Junte-se a nós e reveja a palestra YOLO Vision 2024 de David Scott sobre a análise comportamental baseada em IA e as suas aplicações no mundo real em sectores como a pecuária.
%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.
No YOLO Vision 2024 (YV24), o evento híbrido anual da Ultralyticsque celebra os avanços na IA de visão, o conceito de análise comportamental orientada para a IA foi o centro das atenções durante uma interessante palestra 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.
Deu o exemplo de um animal a rolar no chão, o que pode indicar uma doença. Embora as pessoas não possam vigiar um animal 24 horas por dia, os sistemas de vigilância orientados por IA com capacidades de controlo comportamental podem fazê-lo. Estas soluções podem monitorizar objectos continuamente, detect comportamentos específicos, enviar um alerta e permitir uma ação atempada. Isto transforma os dados em bruto 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 ilustrou então como Ultralytics YOLOv8um modelo de visão por computador, foi um grande avanço para os projectos de rastreio comportamental da sua equipa. Deu-lhes uma base sólida para detetar, classificar e seguir objectos. A sua equipa também foi mais longe e treinou YOLOv8 à medida para se concentrar na monitorização de comportamentos ao longo do tempo, tornando-o mais prático e útil para situações do mundo real.
É interessante notar que, com o lançamento do Ultralytics YOLO11soluções como as criadas pela The Main Branch podem tornar-se ainda mais fiáveis e precisas. Este modelo mais recente oferece recursos como precisão aprimorada e processamento mais rápido que aumentam sua capacidade de track comportamentos. Discutiremos isto em mais pormenor depois de compreendermos melhor as aplicações para as quais a IA comportamental pode ser utilizada.
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.
Em primeiro lugar, David partilhou um desafio empolgante que enfrentaram com um projeto chamado HerdSense, que envolvia a monitorização da saúde de milhares de vacas num enorme confinamento. O objetivo era track o comportamento de cada vaca para identificar potenciais problemas de saúde. Isto significava manter um olho em 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.
Continuando, David apresentou outro projeto fascinante em que aplicaram técnicas semelhantes de rastreio comportamental para monitorizar cavalos. Neste projeto, a equipa de David não precisou de track identificação individual dos cavalos tão de perto como fizeram com as vacas. Em vez disso, concentraram-se em comportamentos específicos e seguiram pormenores como os padrões alimentares e os níveis gerais de atividade para detetar quaisquer problemas de saúde numa fase inicial. A identificação de pequenas alterações no comportamento pode levar a intervenções mais rápidas para prestar melhores cuidados e evitar problemas antes que se tornem graves.
David também discutiu a complexidade do rastreio comportamental através de um exemplo intrigante. Enquanto pesquisava formas de melhorar a análise comportamental, a sua equipa deparou-se com uma empresa que afirmava detect furtos em lojas através da análise de poses específicas, como a de alguém com a mão no bolso. No início, parecia 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.
Em seguida, David levou a audiência aos bastidores para lhes mostrar como a sua equipa construiu uma solução de visão computacional para monitorizar a saúde das vacas com a ajuda do YOLOv8 e as suas capacidades 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.
Utilizando uma infraestrutura de hardware avançada, a equipa de David conseguiu treinar o modelo em apenas dois dias, em vez das semanas que teria demorado com hardware convencional. O modelo treinado foi então integrado com um rastreador de comportamento personalizado que analisou vários quadros de vídeo simultaneamente para detect padrões nas acções das vacas.
O resultado foi uma solução de visão orientada por IA que pode detect e track oito comportamentos diferentes das vacas, como comer, beber e deitar-se, para detetar pequenas alterações comportamentais que possam sinalizar problemas de saúde. Isto permite que os agricultores actuem rapidamente e melhora a gestão 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.
Isto também é verdade no que respeita aos próprios modelos de visão por computador. Por exemplo, Ultralytics YOLO11, a versão mais recente dos modelos Ultralytics YOLO , foi criado tendo em conta a necessidade de levar as coisas para o nível seguinte em comparação com o YOLOv8.
Em particular, YOLO11 oferece um melhor desempenho, especialmente no que diz respeito a aplicações em tempo real em que a precisão é fundamental, como a agricultura e os cuidados de saúde. Com as suas funcionalidades avançadas, YOLO11 está a redefinir a forma como as indústrias utilizam a IA, fornecendo informações inovadoras 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.
