Explorar a aprendizagem supervisionada vs. não supervisionada em visão computacional

A inteligência artificial (AI) baseia-se no conceito central de ensinar máquinas a aprender e raciocinar de formas semelhantes à inteligência humana. Assim como as pessoas aprendem por diferentes métodos, como instrução direta ou observação de padrões e experiências, os sistemas de AI e machine learning são concebidos para seguir essas mesmas abordagens.

Especificamente, no caso dos algoritmos de machine learning, os sistemas são treinados para aprender com dados, em vez de serem programados explicitamente para cada tarefa. Em vez de depender de regras fixas, os modelos de machine learning identificam padrões nos dados e usam esses padrões para fazer previsões ou tomar decisões.

Por exemplo, a visão computacional é um ramo da AI e do machine learning que se concentra em permitir que os sistemas interpretem e compreendam informações visuais, como imagens e vídeos. Desde reconhecer objetos até identificar padrões ocultos em grandes conjuntos de dados, esses sistemas dependem fortemente da forma como são treinados para aprender.

Várias técnicas de aprendizagem de AI são usadas para treinar esses sistemas, dependendo do tipo de dados disponível e do problema a ser resolvido.

Alguns modelos de visão computacional aprendem com dados rotulados, em que cada entrada é associada a uma resposta correta, ou seja, cada imagem ou ponto de dados vem com um rótulo predefinido que informa ao modelo o que ele representa. Isso 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 com dados não rotulados, nos quais não são fornecidas respostas predefinidas e o foco está, em vez disso, em identificar padrões e relações nos próprios dados. Essas abordagens são conhecidas, respetivamente, como aprendizagem supervisionada e aprendizagem não supervisionada, e formam a base de muitos sistemas de visão computacional de ponta.

Neste artigo, vamos explorar a aprendizagem supervisionada e não supervisionada, como são usadas na visão computacional e como escolher a abordagem mais adequada ao teu projeto de AI para visão. Vamos começar!

Como as abordagens de aprendizagem de AI impulsionam a visão computacional#

Podes pensar na inteligência artificial como um guarda-chuva que abrange várias tecnologias capazes de permitir que as máquinas executem tarefas que normalmente exigem inteligência humana. Dentro desse guarda-chuva, o machine learning é uma área essencial que permite aos sistemas aprender com dados, em vez de dependerem apenas de regras fixas.

Dentro do machine learning, diferentes técnicas de aprendizagem determinam como um modelo aprende e melhora ao longo do tempo. Abordagens como aprendizagem supervisionada (aprendizagem com dados rotulados e respostas corretas), aprendizagem não supervisionada (identificação de padrões em dados não rotulados), aprendizagem por reforço (aprendizagem por tentativa e erro usando feedback ou recompensas) e aprendizagem semissupervisionada (combinação de 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 dados de saída.

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

Em particular, os sistemas de visão computacional são desenvolvidos usando essas abordagens de aprendizagem para interpretar e compreender dados visuais. A aprendizagem supervisionada é o método mais usado, pois permite que os modelos aprendam com exemplos claramente rotulados e produzam resultados precisos e fiáveis.

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

Uma análise do uso de modelos de aprendizagem supervisionada em visão computacional#

Podes comparar os algoritmos de aprendizagem supervisionada com uma sala de aula, na qual um professor fornece exemplos juntamente com as respostas corretas para que os alunos aprendam o que está certo e errado. No machine learning, os modelos aprendem de forma semelhante usando dados rotulados, em que cada entrada é associada a uma saída conhecida.

Imagina que estás a desenvolver um sistema de visão computacional que automatiza a análise de jogos de basebol. Poderias treinar um modelo como o Ultralytics YOLO26 com imagens ou frames de vídeo nos quais 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 aprendesse o que procurar. Com o tempo, o modelo pode detetar e localizar esses objetos em novas gravações, dando suporte a casos de uso como o acompanhamento da bola e a deteção de jogadores entre frames.

Fig. 2. Um exemplo de deteção de objetos possibilitada pela aprendizagem supervisionada (Fonte)

Além da deteção de objetos, a aprendizagem supervisionada é amplamente usada numa variedade de tarefas de visão computacional, como classificação de imagens, segmentação de instâncias e estimativa de pose, nas quais a precisão e a consistência são importantes. Em cada uma dessas tarefas, os modelos aprendem com dados rotulados para identificar padrões específicos e fazer previsões fiáveis sobre novas entradas.

Esses modelos são normalmente desenvolvidos com deep learning, um tipo de machine learning que usa redes neurais para aprender padrões diretamente dos dados. As redes neurais são concebidas para processar informações de uma forma vagamente inspirada no funcionamento do cérebro humano, permitindo que os modelos aprendam características visuais complexas a partir de grandes conjuntos de dados.

As abordagens anteriores de visão computacional dependiam frequentemente de características concebidas manualmente, combinadas com algoritmos como máquinas de vetores de suporte (SVMs são modelos que classificam dados encontrando a melhor fronteira entre categorias) ou árvores de decisão (modelos que tomam decisões dividindo os dados em ramos).

Em contrapartida, os modelos de visão computacional atuais usam deep learning para aprender automaticamente essas características a partir dos dados, tornando-se mais eficazes no tratamento de tarefas visuais de grande escala e altamente detalhadas.

Compreender a necessidade de modelos de aprendizagem não supervisionada em AI para visão#

Embora a aprendizagem supervisionada seja a abordagem preferida na visão computacional, existem determinadas aplicações de visão nas quais 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. Imagina que tens uma grande coleção de fotografias não rotuladas de uma câmara de vida selvagem.

Não existem rótulos que indiquem o que cada imagem contém, mas ainda queres organizar ou compreender os dados. Um modelo não supervisionado pode analisar essas imagens e agrupar as semelhantes, separando em clusters os animais com aparência semelhante, mesmo sem conhecer os seus rótulos exatos.

Como funciona a aprendizagem não supervisionada na visão computacional#

Então, como funciona o machine learning não supervisionado? Em vez de aprender com respostas corretas, o modelo aprende identificando padrões e estruturas nos dados por conta própria. Procura semelhanças e diferenças nos dados sem depender de exemplos rotulados.

Um caso de uso comum é a deteção de anomalias, em que o modelo aprende como são os dados normais e depois identifica tudo o que se desvia desse padrão. A deteção de anomalias e de valores atípicos é uma das aplicações industriais mais impactantes. Os exemplos incluem detetar itens defeituosos numa linha de produção, sinalizar exames médicos invulgares para análise de um radiologista ou detetar atividades suspeitas em imagens de videovigilância. Como os defeitos e as anomalias são frequentemente raros e variados, rotular todos os casos possíveis é impraticável, o que torna as abordagens não supervisionadas uma escolha natural.

Para isso, são frequentemente usadas técnicas como clustering e redução de dimensionalidade, geralmente aplicadas a características extraídas das imagens, e não às próprias imagens em bruto. Os métodos de clustering, como o clustering k-means, agrupam imagens semelhantes com base em padrões partilhados, enquanto as técnicas de redução de dimensionalidade, como a análise de componentes principais (PCA), simplificam os dados concentrando-se nas características mais importantes.

Isso facilita a identificação de padrões e estruturas relevantes em conjuntos de dados grandes e complexos. A principal vantagem da aprendizagem não supervisionada é funcionar bem com dados não rotulados e poder revelar padrões que não são imediatamente óbvios. No entanto, é mais difícil de avaliar e oferece menos controlo sobre a saída final em comparação com a aprendizagem supervisionada.

Aprendizagem autossupervisionada e semissupervisionada em visão computacional#

Ao explorares a aprendizagem supervisionada e não supervisionada, podes perguntar-te se existe um meio-termo entre as duas. Curiosamente, a aprendizagem autossupervisionada e a semissupervisionada fazem a ponte entre a aprendizagem supervisionada e a não supervisionada.

Estas abordagens permitem que os modelos aprendam com 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 conjunto maior de dados não rotulados.

Na aprendizagem autossupervisionada, o modelo aprende resolvendo tarefas criadas a partir dos próprios dados. Por exemplo, pode receber uma imagem com uma parte em falta e aprender a prever o que deve preencher esse espaço, ou aprender a reconhecer diferentes perspetivas do mesmo objeto. Isso ajuda o modelo a aprender características úteis sem precisar de rótulos manuais.

Por outro lado, na aprendizagem semissupervisionada, 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 dessas abordagens é reduzirem a necessidade de grandes conjuntos de dados rotulados, que muitas vezes são caros e demorados de criar. No entanto, podem ser mais complexas de conceber e avaliar em comparação com métodos totalmente supervisionados.

Principais diferenças entre a aprendizagem supervisionada e não supervisionada#

A diferença entre a aprendizagem supervisionada e não supervisionada resume-se à forma como um modelo aprende e ao que pretende alcançar. Enquanto a aprendizagem supervisionada depende de dados rotulados e de orientações claras para aprender tarefas específicas, a aprendizagem não supervisionada funciona sem respostas predefinidas e concentra-se em descobrir padrões e estruturas nos dados.

Por exemplo, num sistema de monitorização de trânsito, um modelo de aprendizagem supervisionada pode ser treinado com imagens rotuladas para detetar veículos, peões ou semáforos. Em contrapartida, um modelo não supervisionado poderia analisar grandes quantidades de imagens de vídeo para agrupar padrões de trânsito semelhantes ou identificar eventos invulgares, como congestionamentos inesperados ou movimentos anormais, sem receber instruções explícitas sobre o que procurar.

Quando usar a aprendizagem supervisionada em visão computacional#

A aprendizagem supervisionada é uma excelente opção para tarefas de visão computacional cujo objetivo está claramente definido e nas quais o modelo precisa de mapear dados de entrada para saídas precisas. Funciona especialmente bem quando tens um conjunto de dados rotulados fiável e precisas de resultados consistentes e previsíveis.

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

É normalmente usada em problemas nos quais o modelo tem de 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, facilitando a orientação do modelo para um resultado pretendido.

Outra vantagem importante 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. Isso torna-a ideal para sistemas que exigem consistência e fiabilidade ao longo do tempo.

No entanto, existe uma contrapartida. O modelo depende fortemente da qualidade e da dimensão dos dados rotulados, e recolher e anotar esses dados pode ser demorado.

Exemplos reais de visão computacional supervisionada#

Modelos de AI para visão, como os modelos Ultralytics YOLO, usam aprendizagem supervisionada para executar tarefas como a deteção de objetos com elevada precisão, especialmente em aplicações em tempo real. Eis alguns casos de uso comuns de visão no mundo real em que a aprendizagem supervisionada faz a diferença:

• Cuidados de saúde e imagiologia médica: Os médicos podem usar sistemas de visão computacional treinados com exames rotulados, como radiografias ou ressonâncias magnéticas, nos quais classificadores são usados para identificar condições como tumores ou fraturas, apoiando diagnósticos mais rápidos e precisos.
• Inspeção de qualidade industrial: Em ambientes de produção, os sistemas de visão treinados com dados rotulados podem inspecionar produtos analisando várias características relacionadas com a qualidade, como forma, defeitos superficiais, textura e tamanho. Ao aprenderem com exemplos de produtos aceitáveis e defeituosos, esses sistemas conseguem identificar falhas de forma consistente e manter os padrões de produção.
• Condução autónoma: Os sistemas de condução autónoma dependem de modelos treinados com dados de condução rotulados para reconhecer faixas, veículos, peões e sinais de trânsito, ajudando os veículos a navegar em segurança em tempo real.
• Retalho e sistemas de pagamento: As lojas usam modelos treinados com imagens rotuladas de produtos para identificar itens nas prateleiras ou no checkout, permitindo a faturação automática e uma gestão de inventário mais eficiente. Esses 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 com imagens rotuladas para detetar e classificar culturas, como identificar e contar batatas saudáveis e danificadas, melhorando o controlo de qualidade e reduzindo perdas.

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

Que tipos de problemas de visão computacional podem ser resolvidos pela aprendizagem não supervisionada#

A aprendizagem não supervisionada é útil quando não tens dados rotulados suficientes ou quando os teus dados não vêm acompanhados de respostas claras. Nessas situações, o objetivo não é fazer previsões exatas, mas compreender os padrões e a estrutura dos dados.

É frequentemente usada ao explorar um conjunto de dados não rotulado pela primeira vez. Em vez de dizer 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 exigir mais atenção. Isso torna-a um ponto de partida útil em projetos de ciência de dados.

Os modelos generativos, incluindo GANs, autoencoders variacionais e modelos de difusão, aprendem a distribuição subjacente das imagens para criar imagens completamente novas. Esses modelos impulsionam aplicações como síntese de imagens, preenchimento de imagens, super-resolução e transferência de estilo, formando a base dos sistemas de AI generativa atuais.

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 a estrutura, em vez de corresponder a categorias predefinidas.

A aprendizagem não supervisionada também é relevante ao trabalhar com grandes conjuntos de dados nos quais a rotulagem é demorada ou impraticável. Nesses casos, permite obter insights dos dados sem depender de dados de treino rotulados.

Também é frequentemente usada em áreas como AI generativa (modelos que criam novos dados, como imagens, texto ou áudio) e aprendizagem de representações (modelos que aprendem características ou padrões úteis a partir de dados em bruto), nas quais os modelos aprendem características gerais com grandes quantidades de dados. Em 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.

Exemplos reais de aprendizagem não supervisionada em visão computacional#

Eis alguns exemplos de casos de uso em que a aprendizagem não supervisionada é aplicada na visão computacional:

• Deteção de anomalias na produção: Os modelos podem aprender como são os produtos normais e 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 fotografias ou catálogos de comércio eletrónico, podem ser agrupadas automaticamente com base na semelhança visual, facilitando aos cientistas de dados a organização, exploração e pesquisa em grandes conjuntos de dados.
• Videovigilância e segurança: Os sistemas podem analisar imagens de vídeo para identificar padrões ou comportamentos invulgares, como movimentos inesperados ou alterações na multidão, sem serem treinados explicitamente com eventos rotulados.
• Pré-processamento e exploração de dados: Os métodos não supervisionados são frequentemente usados para explorar e estruturar dados de imagens em bruto antes do treino de modelos supervisionados, ajudando a melhorar a qualidade dos dados e a reduzir o esforço manual.

Limitações práticas da aprendizagem supervisionada e não supervisionada#

Apesar das vantagens de ambas as abordagens de aprendizagem, há determinadas limitações a considerar. Eis alguns fatores práticos a ter em conta ao desenvolver modelos de visão computacional:

• Sobreajuste em modelos supervisionados: Na aprendizagem supervisionada, um modelo pode aprender os dados de treino de forma demasiado específica, em vez de aprender padrões gerais. Isso acontece frequentemente quando o conjunto de dados é pequeno ou não é suficientemente diversificado. Por exemplo, um modelo treinado para detetar defeitos num tipo de produto pode falhar quando testado com dados novos constituídos por produtos ou condições de iluminação ligeiramente diferentes.
• Desafios dos algoritmos de clustering: Na aprendizagem não supervisionada, um modelo pode agrupar pontos de dados semelhantes. No entanto, isso pode falhar quando os dados têm ruído, são inconsistentes ou não possuem 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. Normalmente, isso é feito usando bibliotecas Python que processam imagens e transformam 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 com ruído em vez de padrões relevantes, resultando num desempenho fraco.

Principais conclusões#

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

Se o teu objetivo é obter elevada precisão e saídas claramente definidas, o machine learning supervisionado 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 AI? Visita a nossa comunidade e o nosso repositório do GitHub. Explora as nossas páginas de soluções para saber mais sobre AI na robótica e visão computacional na agricultura. Descobre as opções de licenciamento e começa hoje a desenvolver com visão computacional!