Treinamento personalizado do Ultralytics YOLO11 para estimativa de pose de cães

E se a postura do teu cão pudesse dar-te informações sobre como ele se sente? Monitorá-lo manualmente o dia todo não é fácil. No entanto, graças aos avanços na inteligência artificial (IA) e em visão computacional, podemos analisar filmagens em tempo real para entender melhor o comportamento dele.

Especificamente, modelos de visão computacional como o Ultralytics YOLO11 podem ajudar a estimar a postura de um cão e rastrear os seus movimentos, fornecendo informações valiosas sobre o seu bem-estar. Como isto funciona? A capacidade de estimativa de pose do YOLO11 pode identificar pontos-chave no corpo de um sujeito para entender a sua postura e movimento.

Além disso, o YOLO11 pode ser treinado de forma personalizada em um conjunto de dados projetado para estimativa de pose de cães, tornando possível analisar a linguagem corporal do teu animal de estimação com precisão. O pacote Python da Ultralytics suporta um Dog-Pose Dataset que torna mais fácil treinar e implementar modelos de IA de visão para cães. Esta tecnologia faz parte do crescente mercado de tecnologia pet, avaliado em US$ 9,4 bilhões em 2024 e com projeção de atingir US$ 64 bilhões até 2037.

A inspiração por trás deste artigo é o Blues, o nosso Diretor Executivo Canino (DEO). Se visitares a nossa página Sobre Nós, verás que o Blues é um membro valioso da equipa e desempenha um papel importante em manter as coisas divertidas na Ultralytics!

Neste artigo, discutiremos como treinar o YOLO11 de forma personalizada usando o Dog-Pose Dataset para estimativa de pose de cães. Também exploraremos as suas aplicações práticas no cuidado de animais de estimação e na análise de comportamento.

Fig 1. Conhece o Blues, o Diretor Executivo Canino (DEO) na Ultralytics.

Link to this sectionUma visão geral do Dog-Pose dataset#

Um conjunto de dados é uma coleção de dados usada para treinar modelos de aprendizado de máquina. Para estimativa de pose, um conjunto de dados ideal inclui imagens com pontos-chave rotulados para mapear posições corporais. Também deve ter uma variedade de poses, ângulos, condições de iluminação e fundos para ajudar o modelo a aprender a reconhecer e prever poses com precisão. Esta diversidade torna o modelo mais confiável para uso no mundo real.

O Dog-Pose Dataset, suportado pela Ultralytics, é projetado especificamente para ajudar modelos a aprender e reconhecer poses de cães de forma eficaz. Inclui mais de 8.400 imagens anotadas de várias raças de cães, com rótulos detalhados para 24 pontos-chave, como cauda, orelhas e patas.

Fig 2. Uma visão geral do Dog-Pose Dataset.

Link to this sectionComo treinar o YOLO11 de forma personalizada com o Dog-Pose Dataset#

O treinamento personalizado do YOLO11 com o Dog-Pose Dataset é um processo simples. Para começar, precisas de configurar o teu ambiente instalando o pacote Python da Ultralytics, que inclui todas as ferramentas necessárias para treinamento e avaliação.

A Ultralytics tem suporte integrado para o Dog-Pose Dataset, o que elimina a necessidade de rotulagem manual, permitindo que passes direto para o treinamento. Uma vez que tudo esteja configurado, podes treinar o YOLO11 no Dog-Pose Dataset usando apenas algumas linhas de código, como mostrado na imagem abaixo.

Durante o treinamento, o modelo aprende a detectar e rastrear poses de cães em diferentes raças, condições de iluminação e ambientes. Após o treinamento, podes visualizar os resultados e ajustar o modelo para melhorar a precisão e o desempenho.

Fig 3. Um trecho de código demonstrando o treinamento personalizado do YOLO11 no Dog-Pose Dataset.

Se encontrares algum problema enquanto treinas o teu modelo, aqui estão algumas dicas de solução de problemas para ajudar-te a resolvê-los rapidamente:

• Verifica a tua conexão com a internet: O Dog-Pose Dataset é baixado automaticamente quando executas o script de treinamento. Certifica-te de ter uma conexão estável com a internet para evitar falhas no download.
• Atualiza a Ultralytics: Certifica-te de que estás a usar a versão mais recente do pacote Python da Ultralytics.
• Verifica erros no console: Lê qualquer mensagem de erro cuidadosamente, pois elas geralmente oferecem pistas sobre o que precisa ser corrigido.

Podes conferir o Guia de Problemas Comuns da Ultralytics para mais dicas de solução de problemas.

Link to this sectionO que acontece durante o treinamento personalizado de um modelo?#

Talvez te estejas a perguntar o que acontece nos bastidores quando fazes o treinamento personalizado do YOLO11 no Dog-Pose Dataset. Vamos dar uma olhada mais de perto no processo.

Em vez de começar do zero, usamos um modelo YOLO11-pose pré-treinado, que já foi treinado no conjunto de dados COCO-Pose. Este modelo pré-treinado consegue detectar pontos-chave humanos, já que o COCO-Pose foi projetado para estimativa de pose humana. Na verdade, sem qualquer treinamento adicional, podes usar o YOLO11-Pose para realizar a estimativa de pose humana imediatamente.

Através do aprendizado por transferência (transfer learning), adaptamos este modelo especificamente para a estimativa de pose de cães, ajudando-o a reconhecer pontos-chave como pernas, cauda e cabeça. Ao expor o modelo a exemplos específicos de cães, ele aprende a concentrar-se nessas características essenciais.

Durante o treinamento, algumas partes do modelo permanecem inalteradas, retendo o conhecimento geral adquirido do conjunto de dados COCO. Outras partes são retreinadas para melhorar a precisão na estimativa de poses de cães. O modelo aprende comparando as suas previsões com os pontos-chave reais no conjunto de dados e ajustando-se para reduzir erros. Com o tempo, este processo torna-o melhor em rastrear os movimentos de um cão com precisão.

O aprendizado por transferência também torna possível que o modelo se adapte a diferentes raças, tamanhos e padrões de movimento, garantindo um desempenho confiável em cenários do mundo real.

Fig 4. Pontos-chave do Blues e da sua irmã Happy sendo detectados.

Link to this sectionAs vantagens do YOLO11 na estimativa de pose de cães#

Existem vários modelos de visão computacional por aí, então o que torna o YOLO11 a escolha certa para a estimativa de pose de cães?

O YOLO11 destaca-se pela sua velocidade e precisão em tempo real, tornando-o uma ótima opção para a estimativa de pose de cães. Ele tem um desempenho melhor do que as versões anteriores tanto em precisão quanto em velocidade. Com 22% menos parâmetros que o YOLOv8, ele alcança uma precisão média (mAP) maior no conjunto de dados COCO, o que significa que detecta objetos com mais precisão e eficiência. A sua alta velocidade de processamento torna-o perfeito para aplicações em tempo real, onde a detecção rápida e confiável é essencial.

Além da estimativa de pose, o YOLO11 também suporta tarefas de visão computacional como segmentação de instâncias e rastreamento de objetos, que podem ajudar a criar uma solução de IA de visão mais abrangente para monitorar o teu cão. Esses recursos podem melhorar o rastreamento de movimento, a análise de comportamento e o cuidado geral com o animal.

Fig 5. YOLO11 em ação: segmentando o Blues sem esforço!

Link to this sectionAplicações da estimativa de pose de cães e do YOLO11#

A seguir, discutiremos as aplicações do mundo real da estimativa de pose de cães e o seu impacto no cuidado de animais de estimação.

Link to this sectionMelhorando o treinamento de cães com a estimativa de pose#

A estimativa de pose de cães pode tornar o adestramento mais inteligente e eficaz. Vamos supor que uma câmera esteja sendo usada para capturar os movimentos do cão; é aqui que o YOLO11 pode entrar. Ele pode detectar pontos-chave como pernas, cauda e cabeça, analisando-os para reconhecer ações como sentar, ficar parado ou deitar-se.

Se o cão não executar a ação corretamente, o sistema pode fornecer feedback instantâneo através de um aplicativo, ajudando o treinador em tempo real. Isso torna o treinamento mais eficiente, preciso e responsivo ao progresso do cão.

Por exemplo, considera ensinar o teu cão a sentar sob comando. O sistema pode monitorar a postura do teu cão e detectar se ele está totalmente sentado. Se o cão baixar o corpo, mas não sentar completamente, o sistema pode detectar a ação incompleta e enviar um feedback instantâneo através de um aplicativo. O treinador pode ser alertado para fazer pequenos ajustes no treinamento, como reforçar o comando ou guiar o cão para a posição correta.

Fig 6. Blues ajudando a equipa com a estimativa de pose de cães usando o YOLO11.

Link to this sectionAvançando no cuidado veterinário com modelos de estimativa de pose#

A visão computacional pode transformar a forma como os veterinários abordam o cuidado animal. A capacidade da estimativa de pose de cães de analisar detalhes com precisão torna mais fácil detectar padrões de movimento incomuns e identificar possíveis problemas de saúde.

Por exemplo, um veterinário que monitora um cão em recuperação de uma lesão ligamentar pode contar com o YOLO11, treinado no Dog-Pose Dataset, para análise automatizada. Mancar ou alterações no posicionamento das pernas podem ser facilmente detectadas. O monitoramento contínuo 24/7 habilitado por visão fornece informações claras sobre a recuperação do cão, ajudando a determinar se o tratamento está funcionando ou se ajustes são necessários.

Link to this sectionO caminho a seguir para a estimativa de pose de cães#

À medida que a tecnologia continua a evoluir, soluções como a estimativa de pose de cães com o YOLO11 provavelmente desempenharão um papel maior no monitoramento animal e bem-estar. De fato, o YOLO11 pode ser integrado com tecnologia vestível, como coleiras inteligentes e rastreadores de saúde, para monitorar indicadores-chave de saúde como frequência cardíaca, níveis de atividade e padrões de mobilidade.

Por exemplo, uma coleira inteligente equipada com sensores de movimento pode rastrear a marcha de caminhada ou corrida de um cão, enquanto a estimativa de pose do YOLO11 analisa a postura em tempo real. Se o sistema detectar movimento irregular, como mancar ou rigidez, ele pode correlacionar esses dados com a frequência cardíaca e os níveis de atividade para avaliar possível desconforto ou lesão. Tutores de animais e veterinários usam essas informações para identificar problemas precocemente e tomar medidas proativas.

Com esses avanços, a estimativa de pose de cães está evoluindo além do simples rastreamento de movimento - ela está se tornando uma parte fundamental de um sistema de cuidado animal abrangente impulsionado por IA, ajudando os cães a manterem-se mais saudáveis, seguros e melhor monitorados em tempo real.

Link to this sectionPrincipais pontos#

Com inovações como o YOLO11 e o Dog-Pose Dataset, estamos abrindo novas possibilidades em visão computacional. Esses avanços ajudam-nos a entender melhor o comportamento e a saúde dos cães de maneiras que não eram possíveis antes.

Ao rastrear com precisão as poses dos cães, podemos melhorar o treinamento, monitorar a saúde e tornar o cuidado pet mais eficaz. Seja em pesquisa, atendimento veterinário ou treinamento de cães, a IA de visão está criando maneiras mais inteligentes de cuidar dos nossos cães e melhorar o seu bem-estar.

Junta-te à nossa comunidade e explora o nosso repositório GitHub para aprender mais sobre IA. Descobre como inovações como visão computacional na saúde e IA em carros autônomos estão moldando o futuro. Confere as nossas opções de licenciamento para começar hoje os teus projetos de IA de visão.