15 de abril de 2025
Aprenda a treinar modelos YOLO para detetar animais na natureza utilizando o African Wildlife Dataset e utilize o modelo para efetuar inferências em imagens não vistas.
A vida selvagem do nosso planeta é incrivelmente diversificada, desde o zumbido das abelhas aos elefantes imponentes, e a preservação desta biodiversidade é fundamental para manter um ecossistema equilibrado. No entanto, os esforços de conservação estão a tornar-se mais difíceis devido à perda de habitat, à caça furtiva e às alterações climáticas. Todos estes factores afectam negativamente as populações de animais selvagens.
Os métodos tradicionais de monitorização de animais, como a análise manual de imagens de armadilhas fotográficas e a realização de inquéritos no terreno, podem ser lentos e exigir muitos recursos. Muitas vezes, estes esforços não conseguem cobrir eficazmente grandes áreas e grandes populações.
Para ultrapassar estas limitações, a inteligência artificial (IA) pode ser utilizada como uma ferramenta com impacto na conservação da vida selvagem. Especificamente, os modelos de visão por computador, como o Ultralytics YOLO11, podem analisar dados visuais, como imagens e vídeos, para automatizar a identificação e o seguimento de animais em tempo real.
As tarefas de visão por computador, como a deteção de objectos e a segmentação de instâncias, apoiadas pelo YOLO11, são muito úteis neste contexto. Ao analisar dados visuais, estas tarefas ajudam-nos a recolher dados cruciais, a identificar padrões ecológicos e a responder mais eficazmente às ameaças ambientais.
Neste artigo, vamos percorrer o processo de treino do YOLO11 para detetar animais. Vamos começar!
Antes de nos debruçarmos sobre o tutorial, vejamos as diferentes opções de configuração e ferramentas necessárias para treinar e utilizar o YOLO11.
A principal ferramenta de que vai precisar é o pacote Ultralytics Python, que facilita o trabalho com modelos YOLO para tarefas como treino, deteção de objectos e execução de inferências. Para utilizar o pacote Ultralytics, terá de configurar um ambiente para executar o seu código, e existem várias opções à sua escolha.
Aqui estão algumas das opções mais populares para configurar o seu ambiente de desenvolvimento:
Embora existam outras opções para configurar o seu ambiente que pode explorar na documentação oficial do Ultralytics, as três opções mencionadas acima requerem muito pouca configuração e são fáceis de utilizar, o que as torna ideais para começar rapidamente.
Neste tutorial, vamos mostrar como configurar e treinar o YOLO11 usando o Google Colab, Jupyter Notebooks ou um simples ficheiro Python, uma vez que os passos são muito semelhantes em todos estes ambientes.
Depois de selecionar um ambiente de desenvolvimento, para treinar o YOLO11 para detetar especificamente animais selvagens, precisamos de um conjunto de dados de alta qualidade de imagens rotuladas. Cada imagem deve mostrar claramente onde estão os animais e de que tipo são, para que o modelo possa aprender a reconhecê-los através da aprendizagem supervisionada.
Neste tutorial, vamos utilizar o African Wildlife Dataset. É suportado pelo pacote Ultralytics Python e foi especificamente concebido para detetar animais normalmente encontrados nos ecossistemas africanos. Contém imagens anotadas de quatro espécies principais: búfalos, elefantes, rinocerontes e zebras.
Eis algumas das principais caraterísticas do Conjunto de Dados sobre a Vida Selvagem em África:
Agora que explorámos o African Wildlife Dataset, podemos começar a treinar um modelo YOLO11 para detetar animais em imagens. O processo envolve a configuração do ambiente de desenvolvimento, o treino do modelo YOLO11 e a avaliação do desempenho do modelo.
Para começar, vamos preparar um ambiente para treinar e testar o modelo. Podem ser utilizados o Google Colab, os Jupyter Notebooks ou um simples ficheiro Python, dependendo da sua preferência. Crie um novo bloco de notas do Google Colab, Jupyter Notebook ou ficheiro Python em conformidade.
Se estiver a utilizar o Google Colab, o ambiente é executado por predefinição numa CPU (Unidade Central de Processamento), o que pode tornar o treino mais lento. Para acelerar o processo, especialmente para modelos maiores, pode mudar o tempo de execução para utilizar uma GPU. No Google Colab, pode navegar para o separador "Tempo de execução" no menu, selecionar "Alterar tipo de tempo de execução" e definir o acelerador de hardware para uma GPU (de preferência uma GPU T4). Isto é importante para reduzir os tempos de formação.
Em seguida, independentemente do ambiente que estiver a utilizar, é necessário instalar o pacote Python do Ultralytics. Se estiver a utilizar um ambiente baseado num notebook (Google Colab ou Jupyter), execute o seguinte comando com um ponto de exclamação (!) no início
pip install ultralyticsUma vez instalado o pacote Ultralytics, o passo seguinte é carregar o modelo YOLO11 e preparar o conjunto de dados para treino. Primeiro, carregamos o modelo YOLO11, que já está pré-treinado em tarefas gerais de deteção de objectos. Este modelo pré-treinado dá-nos um bom ponto de partida, uma vez que já aprendeu a detetar vários objectos.
Em seguida, especificamos o conjunto de dados utilizando um ficheiro YAML, que contém informações sobre as imagens e as etiquetas. Este ficheiro indica ao modelo onde encontrar o conjunto de dados e quais os objectos que deve aprender a reconhecer.
O conjunto de dados da fauna selvagem africana é suportado pelo pacote Ultralytics, pelo que será descarregado automaticamente quando iniciar a formação, poupando-lhe o trabalho de o configurar manualmente.
Quando o conjunto de dados estiver pronto, o modelo começa a treinar. O modelo irá analisar o conjunto de dados várias vezes, um processo designado por treino em várias épocas, para melhorar a sua capacidade de reconhecer animais nas imagens. Durante este processo, as imagens serão redimensionadas para um tamanho consistente para processamento e o modelo trabalhará com um número definido de imagens de cada vez, conhecido como lote. Isto ajuda o modelo a aprender de forma mais eficiente.
Resumindo, o modelo é carregado, o conjunto de dados é descarregado automaticamente e o treino começa a ser executado para detetar animais com base no Conjunto de Dados da Vida Selvagem Africana quando o excerto de código abaixo é executado.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="african-wildlife.yaml", epochs=30, batch=8)Quando o trecho de código acima é executado, o modelo começa a treinar com base nas definições que lhe demos. Dissemos ao modelo, através do código, para percorrer as imagens de treino 30 vezes. Portanto, isso significa que o modelo examinará todas as imagens do conjunto de dados 30 vezes, aprendendo um pouco mais a cada vez.
Imagine que está a tentar aprender a desenhar um animal. A primeira vez que desenha, pode não ficar bem, mas depois de praticar vezes sem conta, começa a melhorar. De cada vez que tenta novamente, aprende com o que correu mal e corrige-o. É isso que cada época faz pelo modelo - olha para as imagens, comete erros, aprende com eles e melhora o reconhecimento dos animais de cada vez.
Se o código de treino estiver a ser executado com êxito, verá o seguinte resultado à medida que o treino progride:
Após a conclusão do processo de formação, pode rever e validar as métricas de desempenho do modelo. No Google Colab, pode navegar para a pasta "runs" (execuções), depois para a pasta "detect" (detetar) e, finalmente, para a pasta "train" (treinar), onde encontrará registos que apresentam os principais indicadores de desempenho.
Para os utilizadores num ambiente Python, os resultados do treino são guardados por defeito no diretório "runs/train/" no diretório de trabalho atual. Cada execução de treino cria um novo subdiretório (por exemplo, runs/train/exp, runs/train/exp2, etc.), onde pode encontrar os registos e outros resultados relacionados com o treino.
Se estiver a utilizar o CLI, pode aceder facilmente a estes resultados e definições utilizando o comando "yolo settings", que lhe permite ver ou modificar os caminhos e outras configurações relacionadas com os registos de formação e os detalhes da experiência.
Entre os registos, encontrará também alguns gráficos que pode consultar para ver se o processo de formação do modelo correu bem. Estes gráficos, criados após a conclusão do treino, mostram se o modelo melhorou ao longo do tempo, cometendo menos erros e tornando-se mais preciso.
Acompanham o progresso do modelo, mostrando como a perda (a diferença entre as previsões do modelo e os valores reais) diminuiu e como a precisão aumentou durante o treino. Isto ajuda-o a compreender até que ponto o modelo aprendeu a reconhecer animais e até que ponto melhorou no final do treino.
Além disso, eis um olhar mais atento a algumas das métricas que pode utilizar para avaliar o desempenho do modelo:
Estas métricas de avaliação podem ajudar a afinar o modelo para melhorar a precisão antes de o utilizar em aplicações do mundo real.
Agora que treinámos e avaliámos o YOLO11, está na altura de o utilizar para analisar imagens e fazer inferências. Pode utilizar as imagens de teste do conjunto de dados ou novas imagens de diferentes fontes.
Utilizaremos o seguinte trecho de código para executar o modelo numa imagem do conjunto de dados de teste. Importa os módulos necessários da biblioteca Ultralytics. Em seguida, define o caminho para o ficheiro de pesos do melhor modelo ("best.pt") armazenado no diretório de resultados. O modelo YOLO11 treinado à medida é carregado utilizando estes pesos.
Depois disso, é definido o caminho para uma imagem do conjunto de dados de teste da Vida Selvagem Africana. O modelo é aplicado a esta imagem para deteção de objectos, os resultados são gerados e o resultado (como objectos detectados ou anotações) é guardado.
from ultralytics import settings
best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_path)
image_path = f"{settings['datasets_dir']}/african-wildlife/test/images/1 (168).jpg"
img_results = model(image_path, save=True) A imagem de saída mostrada abaixo será guardada na pasta "predict" localizada no diretório runs/detect. Para testes subsequentes, serão criadas novas pastas, como "predict2", "predict3", etc., para armazenar as imagens.
Para testar imagens de diferentes fontes, pode utilizar o código abaixo. Utilizámos uma imagem do Pexels. Pode utilizar a mesma imagem ou qualquer outra imagem relevante.
best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_path)
img2_results = model("https://images.pexels.com/photos/18341011/pexels-photo-18341011/free-photo-of-elephant-and-zebras-in-savannah.png", save=True)A imagem de saída mostrada abaixo será guardada na pasta adequada.
Modelos como o YOLO11 podem detetar e seguir automaticamente os animais, o que permite uma variedade de aplicações práticas. Eis um vislumbre de algumas das principais áreas em que a IA de visão pode ser utilizada para apoiar os esforços de conservação da vida selvagem:
Os modelos de visão por computador, como o YOLO11, podem desempenhar um papel fundamental na conservação da vida selvagem, automatizando a deteção e o seguimento de animais. Com a IA de visão, podemos processar grandes volumes de imagens e vídeos de várias fontes, tornando possível efetuar avaliações precisas da vida selvagem.
O Ultralytics YOLO11, em particular, é uma excelente escolha para a deteção de objectos em tempo real, o que o torna perfeito para tarefas como a vigilância anti-caça furtiva, a análise comportamental e a monitorização de ecossistemas. Ao incorporar modelos orientados por IA nos esforços de conservação, podemos proteger melhor as espécies, melhorar o rastreio da biodiversidade e tomar decisões mais informadas para salvaguardar a vida selvagem ameaçada.
Junte-se à nossa comunidade e explore o repositório GitHub para saber mais sobre visão computacional. Descubra mais aplicações relacionadas com a IA nos cuidados de saúde e a visão computacional no fabrico nas nossas páginas de soluções. Confira as opções de licenciamento do Ultralytics para começar a usar a IA de visão.
