Explorando aprendizado supervisionado vs não supervisionado em visão computacional

A inteligência artificial (IA) baseia-se no conceito central de ensinar máquinas a aprender e raciocinar de formas que se assemelham à inteligência humana. De modo semelhante a como as pessoas aprendem através de diferentes métodos, como instrução direta ou observando padrões e experiências, os sistemas de IA e aprendizagem automática são projetados para seguir essas mesmas abordagens.

Especificamente, quando se trata de algoritmos de aprendizagem automática, os sistemas são treinados para aprender a partir de dados em vez de serem explicitamente programados para cada tarefa. Em vez de dependerem de regras fixas, os modelos de aprendizagem automática identificam padrões nos dados e usam esses padrões para fazer previsões ou decisões.

Por exemplo, a visão computacional é um ramo da IA e da aprendizagem automática que se foca em permitir que os sistemas interpretem e compreendam informações visuais, como imagens e vídeos. Desde o reconhecimento de objetos até à identificação de padrões ocultos em grandes conjuntos de dados, estes sistemas dependem fortemente da forma como são treinados para aprender.

Várias técnicas de aprendizagem de IA são utilizadas para treinar estes sistemas, dependendo do tipo de dados disponíveis e do problema a ser resolvido.

Alguns modelos de visão computacional aprendem a partir de dados rotulados, onde cada entrada é emparelhada com uma resposta correta, o que significa que cada imagem ou ponto de dados vem com um rótulo predefinido que diz ao modelo o que ele representa. Isto permite que o modelo aprenda a relação entre a entrada e a saída esperada, melhorando a sua capacidade de fazer previsões precisas sobre dados novos e não vistos.

Outros modelos de visão aprendem a partir de dados não rotulados, onde não são fornecidas respostas predefinidas, e focam-se antes na identificação de padrões e relações dentro dos próprios dados. Estas abordagens são conhecidas, respetivamente, como aprendizagem supervisionada e aprendizagem não supervisionada, e constituem a base de muitos sistemas de visão computacional de vanguarda.

Neste artigo, vamos explorar a aprendizagem supervisionada e não supervisionada, como são utilizadas na visão computacional e como escolher a abordagem que melhor se adapta ao teu projeto de IA de visão. Vamos começar!

Link to this sectionComo as abordagens de aprendizagem de IA impulsionam a visão computacional#

Podes pensar na inteligência artificial como um guarda-chuva, cobrindo uma gama de tecnologias que permitem às máquinas realizar tarefas que normalmente requerem inteligência humana. Dentro deste guarda-chuva, a aprendizagem automática é uma área chave que torna possível aos sistemas aprenderem a partir de dados em vez de dependerem apenas de regras fixas.

Dentro da aprendizagem automática, diferentes técnicas de aprendizagem determinam como um modelo aprende e melhora ao longo do tempo. Abordagens como a aprendizagem supervisionada (aprender a partir de dados rotulados com respostas corretas), aprendizagem não supervisionada (identificar padrões em dados não rotulados), aprendizagem por reforço (aprender por tentativa e erro usando feedback ou recompensas) e aprendizagem semi-supervisionada (combinar uma pequena quantidade de dados rotulados com uma grande quantidade de dados não rotulados) definem como os sistemas processam os dados de entrada e geram os dados de saída.

Fig 1. Uma visão geral dos métodos de aprendizagem de IA (Fonte)

Em particular, os sistemas de visão computacional são construídos utilizando tais abordagens de aprendizagem para interpretar e compreender dados visuais. A aprendizagem supervisionada é o método mais comummente utilizado, pois permite que os modelos aprendam a partir de exemplos claramente rotulados e produzam resultados precisos e fiáveis.

Por exemplo, um modelo pode ser treinado em imagens rotuladas como “gato” e “cão”, aprendendo características como forma, orelhas e estrutura facial para que possa classificar corretamente novas imagens usando algoritmos de classificação. Entretanto, a aprendizagem não supervisionada e semi-supervisionada também são usadas na visão computacional, frequentemente para explorar padrões nos dados ou para melhorar o desempenho quando os dados rotulados são limitados.

Link to this sectionUm olhar sobre o uso de modelos de aprendizagem supervisionada na visão computacional#

Podes comparar os algoritmos de aprendizagem supervisionada com um ambiente de sala de aula, onde um professor fornece exemplos juntamente com as respostas corretas para que os alunos possam aprender o que é certo e o que é errado. Na aprendizagem automática, os modelos aprendem de forma semelhante usando dados rotulados, onde cada entrada é emparelhada com uma saída conhecida.

Digamos que estás a trabalhar na construção de um sistema de visão computacional que automatiza a análise de jogos de basebol. Poderias treinar um modelo como o Ultralytics YOLO26 em imagens ou frames de vídeo onde objetos como a bola, o taco e os jogadores estão rotulados.

Cada objeto seria marcado com a sua localização e categoria, permitindo que o modelo aprenda o que procurar. Com o tempo, o modelo consegue detetar e localizar estes objetos em novas filmagens, apoiando casos de uso como o seguimento da bola e a deteção de jogadores ao longo dos frames.

Fig 2. Um exemplo de deteção de objetos ativada por aprendizagem supervisionada (Fonte)

Para além da deteção de objetos, a aprendizagem supervisionada é amplamente utilizada numa gama de tarefas de visão computacional, como a classificação de imagens, a segmentação de instâncias e a estimativa de pose, onde a precisão e a consistência são importantes. Em cada uma destas tarefas, os modelos aprendem a partir de dados rotulados para identificar padrões específicos e fazer previsões fiáveis sobre novas entradas.

Estes modelos são tipicamente construídos usando aprendizagem profunda, um tipo de aprendizagem automática que usa redes neuronais para aprender padrões diretamente a partir de dados. As redes neuronais são projetadas para processar informação de uma forma vagamente inspirada na forma como o cérebro humano funciona, permitindo que os modelos aprendam características visuais complexas a partir de grandes conjuntos de dados.

Abordagens anteriores de visão computacional dependiam frequentemente de características desenhadas manualmente combinadas com algoritmos como máquinas de vetores de suporte (SVMs são modelos que classificam dados encontrando o melhor limite entre categorias) ou árvores de decisão (modelos que tomam decisões dividindo dados em ramos).

Em contrapartida, os modelos de visão computacional de hoje usam a aprendizagem profunda para aprender automaticamente estas características a partir de dados, tornando-os mais eficazes no tratamento de tarefas visuais de grande escala e altamente detalhadas.

Link to this sectionCompreender a necessidade de modelos de aprendizagem não supervisionada em IA de visão#

Embora a aprendizagem supervisionada seja a abordagem preferencial na visão computacional, existem certas aplicações de visão onde os dados rotulados não estão disponíveis ou são demasiado caros e demorados de criar.

Nestes casos, os algoritmos de aprendizagem não supervisionada podem ser uma alternativa útil. Digamos que tens uma grande coleção de fotos não rotuladas de uma câmara de vida selvagem.

Não existem rótulos indicando o que cada imagem contém, mas ainda assim queres organizar ou compreender os dados. Um modelo não supervisionado pode analisar estas imagens e agrupar as semelhantes, separando animais que se parecem em clusters, mesmo sem saber os seus rótulos exatos.

Link to this sectionComo a aprendizagem não supervisionada funciona na visão computacional#

Então, como funciona a aprendizagem automática não supervisionada? Em vez de aprender a partir de respostas corretas, o modelo aprende identificando padrões e estruturas dentro dos dados por conta própria. Ele procura semelhanças e diferenças entre os dados sem depender de exemplos rotulados.

Um caso de uso comum é a deteção de anomalias, onde o modelo aprende como são os dados normais e depois identifica tudo o que se desvia deles. A deteção de anomalias e valores atípicos é uma das aplicações industriais mais impactantes. Exemplos incluem detetar itens defeituosos numa linha de produção, sinalizar exames médicos invulgares para revisão por radiologistas ou detetar atividade suspeita em filmagens de vigilância. Como os defeitos e anomalias são frequentemente raros e variados, rotular todos os casos possíveis é impraticável, tornando as abordagens não supervisionadas uma escolha natural.

Para apoiar isto, técnicas como o clustering e a redução de dimensionalidade são frequentemente utilizadas, geralmente em características extraídas de imagens em vez das próprias imagens brutas. Métodos de clustering, como o k-means, agrupam imagens semelhantes com base em padrões partilhados, enquanto técnicas de redução de dimensionalidade, como a análise de componentes principais (PCA), simplificam os dados focando-se nas características mais importantes.

Isto torna mais fácil para o modelo identificar padrões e estruturas significativas dentro de conjuntos de dados grandes e complexos. A principal vantagem da aprendizagem não supervisionada é que funciona bem com dados não rotulados e pode revelar padrões que não são imediatamente óbvios. No entanto, é mais difícil de avaliar e proporciona menos controlo sobre o resultado final em comparação com a aprendizagem supervisionada.

Link to this sectionAprendizagem auto-supervisionada e semi-supervisionada na visão computacional#

À medida que exploras a aprendizagem supervisionada e não supervisionada, podes interrogar-te se existe um meio-termo entre as duas. Curiosamente, a aprendizagem auto-supervisionada e semi-supervisionada preenchem a lacuna entre a aprendizagem supervisionada e a não supervisionada.

Estas abordagens tornam possível aos modelos aprenderem a partir de dados não rotulados de forma mais eficaz. Em vez de dependerem apenas de exemplos rotulados, criam as suas próprias tarefas de aprendizagem a partir dos dados ou combinam um pequeno conjunto de dados rotulados com um maior não rotulado.

Na aprendizagem auto-supervisionada, o modelo aprende resolvendo tarefas criadas a partir dos próprios dados. Por exemplo, pode ser-lhe dada uma imagem com uma parte em falta e aprender a prever o que deve preencher esse espaço, ou pode aprender a reconhecer diferentes vistas do mesmo objeto. Isto ajuda o modelo a aprender características úteis sem precisar de rótulos manuais.

Por outro lado, na aprendizagem semi-supervisionada, uma pequena quantidade de dados rotulados é usada juntamente com um conjunto maior de dados não rotulados para melhorar o desempenho. Em alguns casos, o modelo pode gerar rótulos para os dados não rotulados e usá-los para continuar a aprender.

O principal benefício destas abordagens é que reduzem a necessidade de grandes conjuntos de dados rotulados, que são frequentemente caros e demorados de criar. No entanto, podem ser mais complexas de conceber e avaliar em comparação com métodos totalmente supervisionados.

Link to this sectionDiferenças chave entre a aprendizagem supervisionada e a não supervisionada#

A diferença entre a aprendizagem supervisionada e a não supervisionada resume-se à forma como um modelo aprende e ao que ele está a tentar alcançar. Enquanto a aprendizagem supervisionada depende de dados rotulados e de orientação clara para aprender tarefas específicas, a aprendizagem não supervisionada funciona sem respostas predefinidas e foca-se na descoberta de padrões e estruturas dentro dos dados.

Por exemplo, num sistema de monitorização de tráfego, um modelo de aprendizagem supervisionada pode ser treinado em imagens rotuladas para detetar veículos, peões ou sinais de trânsito. Em contrapartida, um modelo não supervisionado poderia analisar grandes quantidades de filmagens de vídeo para agrupar padrões de tráfego semelhantes ou identificar eventos invulgares, como congestionamento inesperado ou movimento anormal, sem ser explicitamente instruído sobre o que procurar.

Link to this sectionQuando usar a aprendizagem supervisionada na visão computacional#

A aprendizagem supervisionada é uma ótima opção para tarefas de visão computacional onde o objetivo é claramente definido e o modelo precisa de mapear dados de entrada para saídas precisas. Funciona especialmente bem quando tens um conjunto de dados rotulado fiável e precisas de resultados consistentes e previsíveis.

Fig 3. Tarefas de visão computacional impulsionadas pela aprendizagem supervisionada (Fonte)

É comummente utilizada para problemas onde o modelo deve distinguir entre categorias conhecidas ou prever resultados específicos. Em vez de explorar padrões, o foco está em aprender relações precisas a partir de dados rotulados, tornando mais fácil guiar o modelo para um resultado desejado.

Outra vantagem chave é o controlo. Com a aprendizagem supervisionada, é mais fácil medir o desempenho usando métricas claras, ajustar o modelo e garantir um comportamento estável durante a implementação. Isto torna-a perfeita para sistemas que exigem consistência e fiabilidade ao longo do tempo.

No entanto, isto acarreta um compromisso. O modelo depende fortemente da qualidade e da escala dos dados rotulados, e recolher e anotar tais dados pode ser demorado.

Link to this sectionExemplos do mundo real de visão computacional supervisionada#

Modelos de IA de visão como os modelos Ultralytics YOLO usam aprendizagem supervisionada para realizar tarefas como deteção de objetos com alta precisão, especialmente em aplicações em tempo real. Aqui estão alguns casos de uso de visão no mundo real onde a aprendizagem supervisionada faz a diferença:

• Cuidados de saúde e imagiologia médica: Os médicos podem usar sistemas de visão computacional treinados em exames rotulados, como raios-X ou ressonâncias magnéticas, onde classificadores são usados para identificar condições como tumores ou fraturas, apoiando diagnósticos mais rápidos e precisos.
• Inspeção de qualidade industrial: Em ambientes de fabrico, os sistemas de visão treinados em dados rotulados podem inspecionar produtos analisando várias características relacionadas com a qualidade, como forma, defeitos de superfície, textura e tamanho. Ao aprender a partir de exemplos de produtos aceitáveis e defeituosos, estes sistemas podem identificar falhas de forma consistente e manter os padrões de produção.
• Condução autónoma: Os sistemas de condução autónoma dependem de modelos treinados em dados de condução rotulados para reconhecer faixas, veículos, peões e sinais de trânsito, ajudando os veículos a navegar em segurança em tempo real.
• Sistemas de retalho e checkout: As lojas usam modelos treinados em imagens de produtos rotuladas para identificar itens nas prateleiras ou no checkout, permitindo a faturação automatizada e uma gestão de inventário mais eficiente. Estes sistemas também podem apoiar tarefas como a segmentação de clientes quando combinados com dados adicionais, ajudando as empresas a compreender melhor os padrões de compra.
• Agricultura e monitorização de culturas: Os agricultores podem usar modelos treinados em imagens rotuladas para detetar e classificar culturas, como identificar e contar batatas saudáveis e danificadas, melhorando o controlo de qualidade e reduzindo as perdas.

Fig 4. Usar YOLO para detetar e contar batatas saudáveis e defeituosas

Link to this sectionQue tipos de problemas na visão computacional a aprendizagem não supervisionada pode resolver#

A aprendizagem não supervisionada é útil quando não tens dados rotulados suficientes ou quando os teus dados não vêm com respostas claras. Nestas situações, o objetivo não é fazer previsões exatas, mas compreender padrões e estruturas nos dados.

É frequentemente usada ao explorar um conjunto de dados não rotulado pela primeira vez. Em vez de dizeres ao modelo o que procurar, permites que ele identifique semelhanças, agrupe imagens relacionadas ou destaque padrões invulgares por conta própria.

Numa grande coleção de imagens, uma abordagem não supervisionada pode ajudar a organizar imagens semelhantes ou sinalizar valores atípicos que possam precisar de mais atenção. Isto torna-a um ponto de partida útil em projetos de ciência de dados.

Modelos generativos, incluindo GANs, autocodificadores variacionais e modelos de difusão, aprendem a distribuição subjacente das imagens para criar outras inteiramente novas. Estes modelos impulsionam aplicações como síntese de imagem, inpainting, super-resolução e transferência de estilo, e constituem a espinha dorsal dos sistemas de IA generativa de hoje.

Na segmentação não supervisionada, alguns métodos agrupam píxeis ou regiões em segmentos coerentes sem depender de máscaras rotuladas, o que é útil quando a anotação é demasiado dispendiosa ou quando o objetivo é descobrir estruturas em vez de corresponder a categorias predefinidas.

A aprendizagem não supervisionada é também impactante ao trabalhar com grandes conjuntos de dados onde a rotulagem é demorada ou não é prática. Nesses casos, permite-te obter insights a partir dos dados sem depender de dados de treino rotulados.

É também comummente usada em áreas como a IA generativa (modelos que criam novos dados como imagens, texto ou áudio) e aprendizagem de representação (modelos que aprendem características ou padrões úteis a partir de dados brutos), onde os modelos aprendem características gerais a partir de grandes quantidades de dados. No geral, se o teu problema envolve exploração, descoberta de padrões ou trabalho com dados não rotulados, a aprendizagem não supervisionada é uma abordagem flexível e prática a considerar.

Link to this sectionExemplos do mundo real de aprendizagem não supervisionada na visão computacional#

Aqui estão alguns exemplos de casos de uso onde a aprendizagem não supervisionada é aplicada na visão computacional:

• Deteção de anomalias no fabrico: Os modelos podem aprender como são os produtos normais e podem sinalizar defeitos ou irregularidades sem precisarem de exemplos rotulados de todos os defeitos possíveis.
• Organização e pesquisa de imagens: Grandes coleções de imagens, como bibliotecas de fotos ou catálogos de comércio eletrónico, podem ser automaticamente agrupadas com base na semelhança visual, tornando mais fácil para os cientistas de dados organizar, explorar e pesquisar através de grandes conjuntos de dados.
• Vigilância e segurança: Os sistemas podem analisar filmagens de vídeo para identificar padrões ou comportamentos invulgares, como movimentos inesperados ou mudanças de multidão, sem serem explicitamente treinados em eventos rotulados.
• Pré-processamento e exploração de dados: Métodos não supervisionados são frequentemente usados para explorar e estruturar dados de imagem brutos antes de treinar modelos supervisionados, ajudando a melhorar a qualidade dos dados e reduzir o esforço manual.

Link to this sectionLimitações práticas da aprendizagem supervisionada e não supervisionada#

Apesar das vantagens de ambas as abordagens de aprendizagem, existem certas limitações a considerar. Aqui estão alguns fatores práticos a ter em mente ao construir modelos de visão computacional:

• Sobreajuste (overfitting) em modelos supervisionados: Na aprendizagem supervisionada, um modelo pode aprender os dados de treino demasiado de perto em vez de aprender padrões gerais. Isto acontece frequentemente quando o conjunto de dados é pequeno ou não suficientemente diversificado. Por exemplo, um modelo treinado para detetar defeitos num tipo de produto pode falhar quando testado em novos dados que consistem em produtos ligeiramente diferentes ou condições de iluminação distintas.
• Desafios com algoritmos de clustering: Na aprendizagem não supervisionada, um modelo pode agrupar pontos de dados semelhantes. No entanto, isto pode falhar quando os dados são ruidosos, inconsistentes ou carecem de uma estrutura clara. Por exemplo, em tarefas de agrupamento de imagens, imagens com cores semelhantes mas objetos diferentes podem ser agrupadas incorretamente.
• Importância de um pré-processamento adequado: Antes do treino, os dados precisam de ser limpos e preparados. Isto é tipicamente feito usando bibliotecas Python que lidam com o processamento de imagem e transformação de dados. É especialmente importante na visão computacional, onde as imagens podem variar em tamanho, qualidade ou iluminação. Sem um pré-processamento adequado, os modelos podem aprender a partir de ruído em vez de padrões significativos, levando a um desempenho fraco.

Link to this sectionPrincipais pontos#

Na visão computacional, tanto a aprendizagem supervisionada como a não supervisionada desempenham papéis importantes. A abordagem certa depende do tipo de dados que tens, se são rotulados ou não rotulados, bem como do problema que estás a tentar resolver e das tuas necessidades de implementação.

Se o teu objetivo é alta precisão e saídas claramente definidas, a aprendizagem automática supervisionada é frequentemente a melhor escolha. Se estás a explorar dados ou a trabalhar sem rótulos, a aprendizagem não supervisionada pode ser mais adequada.

Queres saber mais sobre IA? Consulta a nossa comunidade e o repositório GitHub. Explora as nossas páginas de soluções para aprender sobre IA em robótica e visão computacional na agricultura. Descobre as nossas opções de licenciamento e começa a construir com visão computacional hoje!