SharkEye utiliza o Ultralytics YOLOv8 para a deteção de objetos

Monitorizar animais nos seus habitats naturais, quer sejam bovinos a pastar numa quinta ou tubarões a deslocarem-se perto da costa, sempre foi importante para a sua segurança e bem-estar. No entanto, observá-los manualmente não é fácil. Muitas vezes, isso pode envolver horas de paciência e concentração, pois os observadores têm de estar atentos a quaisquer alterações no comportamento ou no movimento. Mesmo assim, é fácil não detetar sinais subtis, mas importantes.

Graças à intervenção da inteligência artificial (AI), este processo está a tornar-se mais rápido, inteligente e muito mais eficiente, reduzindo o esforço dos observadores humanos e melhorando a precisão. Em particular, a visão computacional pode ser utilizada para monitorizar animais, identificar perigos e tomar decisões em tempo real. Tarefas que antes demoravam horas podem agora ser realizadas em minutos, abrindo novas possibilidades para compreender o comportamento animal.

No YOLO Vision 2024 (YV24), um evento híbrido anual organizado pela Ultralytics, especialistas e inovadores reuniram-se para explorar a forma como a AI está a enfrentar desafios do dia a dia. Alguns dos temas apresentados incluíram avanços na deteção de objetos em tempo real e na monitorização de animais, demonstrando como a AI está a melhorar a segurança e a eficiência em vários setores.

Um dos destaques do evento foi uma palestra de Jim Griffin, fundador do AI Master Group, na qual demonstrou como a IA de visão está a tornar as praias mais seguras ao detetar tubarões antes de estes se aproximarem demasiado da costa. Explicou como utilizaram o Ultralytics YOLOv8, um modelo de visão computacional de vanguarda, para identificar tubarões com precisão em tempo real, mesmo em condições desafiantes, como ondas agitadas, reflexos e obstáculos subaquáticos.

Neste artigo, vamos analisar mais detalhadamente o projeto SharkEye e partilhar informações interessantes da palestra de Jim.

Conhecer o SharkEye: uma aplicação de visão computacional#

Jim começou a sua palestra por apresentar a Padaro Beach, um conhecido destino de surf na Califórnia onde surfistas e tubarões partilham frequentemente as mesmas águas. Ao destacar o verdadeiro desafio da deteção de tubarões, partilhou: “Claro que é fácil detetar um tubarão se ele te morder, por isso o que queríamos fazer era identificar os tubarões antecipadamente.”

Fig. 1. Jim no palco do YOLO Vision 2024.

O SharkEye foi criado para resolver este problema, com o apoio da University of California, Santa Barbara. Jim descreveu como drones equipados com câmaras de AI de alta resolução eram utilizados para voar a cerca de 200 pés acima da água, analisando o oceano em tempo real.

Quando é detetado um tubarão, são enviados alertas por SMS para cerca de 80 pessoas, incluindo nadadores-salvadores, proprietários de lojas de surf e qualquer pessoa que se tenha inscrito para receber atualizações. Jim salientou que estas notificações instantâneas permitem respostas rápidas, mantendo mais seguros os frequentadores da praia quando há um tubarão perto da costa.

Jim também mencionou que o SharkEye inclui um painel em tempo real onde os utilizadores podem consultar estatísticas de deteção de tubarões. Por exemplo, ao longo de 12 semanas, o sistema identificou dois tubarões grandes e 15 mais pequenos, com uma média de pouco mais de um tubarão por semana.

Em seguida, apresentou Neil Nathan, o cientista que liderou os esforços por trás do SharkEye. Apesar de ter formação em estudos ambientais, e não em informática, Nathan liderou o projeto com sucesso. Jim salientou que as ferramentas modernas de AI, como as utilizadas no SharkEye, foram concebidas para serem acessíveis, permitindo que pessoas sem formação técnica desenvolvam soluções com impacto.

Utilizar o Ultralytics YOLOv8 para detetar tubarões#

Aprofundando os detalhes, Jim explicou o que está por detrás do SharkEye e como a solução de deteção de tubarões não envolvia apenas uma simples tarefa de deteção de objetos. Era necessário lidar com condições dinâmicas e imprevisíveis, como algas marinhas flutuantes, que podiam facilmente ser confundidas com tubarões. Ao contrário da identificação de um objeto estacionário, identificar um tubarão exige precisão e adaptabilidade, tornando o Ultralytics YOLOv8 uma escolha ideal.

Outra vantagem do Ultralytics YOLOv8 era poder ser implementado num drone sem depender de servidores na cloud. Jim explicou como esta abordagem permitiu ao SharkEye enviar alertas imediatos — uma parte essencial para garantir respostas atempadas em condições oceânicas imprevisíveis.

Deteção de objetos com apenas seis linhas de código#

Depois de explicar como o SharkEye funciona e o esforço colaborativo por trás do projeto, Jim apresentou uma demonstração ao vivo.

Jim Griffin iniciou a sua demonstração ao vivo conduzindo o público por um exemplo familiar — um trecho de código "hello world" para modelos Ultralytics YOLO. Com apenas seis linhas de código Python, demonstrou como um modelo Ultralytics YOLOv8 pré-treinado podia detetar facilmente um autocarro numa imagem.

Fig. 2. Uma demonstração de Jim no YOLO Vision 2024.

Na sua demonstração, utilizou o modelo Ultralytics YOLOv8 Nano, uma versão leve para dispositivos de baixo consumo, como drones. O mesmo modelo foi utilizado no SharkEye para a deteção de tubarões em tempo real.

Para fornecer mais contexto, Jim mencionou que o modelo da demonstração estava a ser treinado no COCO128, um subconjunto mais pequeno do amplamente utilizado conjunto de dados COCO. O conjunto de dados COCO contém mais de 20 000 imagens distribuídas por 80 categorias de objetos diferentes. Embora o COCO128 funcione bem para demonstrações rápidas, salientou que o SharkEye precisava de algo mais robusto — um conjunto de dados de deteção de tubarões específico da aplicação, capaz de lidar com as complexidades dos cenários do mundo real.

Treinar o Ultralytics YOLOv8 de forma personalizada para o SharkEye#

Segundo Jim, a parte mais difícil do projeto SharkEye não foi treinar o modelo de AI, mas recolher os dados certos. Comentou: “O trabalho principal deste projeto não foi a AI. O trabalho principal deste projeto foi sobrevoar a área com aqueles drones durante cinco anos, selecionar as imagens desses vídeos e etiquetá-las adequadamente.”

A equipa recolheu 15 000 imagens na Padaro Beach. Cada imagem teve de ser etiquetada manualmente para diferenciar tubarões, algas marinhas e outros objetos na água. Embora o processo tenha sido lento e exigente, estabeleceu a base para tudo o que se seguiu.

Fig. 3. Utilização de drones para capturar imagens de tubarões para deteção de objetos em tempo real.

Quando o conjunto de dados ficou pronto, o Ultralytics YOLOv8 foi treinado de forma personalizada com esses dados. Jim afirmou: "O treino propriamente dito não foi a parte difícil — demorou apenas 20 horas em GPUs T4 [unidades de processamento gráfico].” Acrescentou também que o tempo poderia ter sido reduzido para apenas cinco horas com hardware mais potente, como GPUs A100.

Avaliar o SharkEye: precisão acima da revocação#

Em seguida, Jim discutiu como foi avaliado o desempenho do SharkEye. Explicou que a métrica principal era a precisão — o grau de exatidão com que o sistema identificava tubarões reais. Com uma precisão impressionante de 92%, o SharkEye demonstrou que o modelo era altamente eficaz na identificação precisa de tubarões no complexo ambiente oceânico.

Aprofundando a importância da precisão, Jim esclareceu por que razão a precisão era mais importante do que a revocação neste caso. “Na maioria das vezes, as pessoas estão interessadas na revocação, especialmente em áreas como os cuidados de saúde, onde não detetar um caso positivo pode ser crítico. Mas, neste caso, não sabíamos quantos tubarões havia, por isso aquilo que nos importava era a precisão”, explicou. O SharkEye minimizou os falsos alarmes ao concentrar-se na precisão, facilitando uma ação rápida por parte dos nadadores-salvadores e de outros intervenientes.

Fig. 4. Jim a apresentar o SharkEye no YOLO Vision 2024.

Concluiu a sua palestra comparando o desempenho da AI com o dos seres humanos, observando que a precisão de 92% do SharkEye superava largamente os 60% de precisão dos especialistas humanos. Salientou esta diferença, dizendo: “É porque somos humanos. Por mais especialistas que tu ou eu possamos ser, se tivermos de ficar sentados em frente a um ecrã o dia inteiro à procura de tubarões, acabaremos por deixar a nossa mente divagar.” Ao contrário das pessoas, os modelos de AI não se cansam nem se distraem, o que os torna uma solução fiável para tarefas que exigem monitorização contínua.

Ultralytics YOLO11: o mais recente YOLO#

Uma frase intrigante da palestra de Jim Griffin — “Seis linhas de código podem um dia salvar-te a vida” — capta na perfeição o quão avançada, mas acessível, a AI se tornou. Os modelos Ultralytics YOLO foram criados com isto em mente, tornando a tecnologia de visão computacional de vanguarda acessível a programadores e empresas de todas as dimensões. O Ultralytics YOLO11 desenvolve esta abordagem com inferências mais rápidas e maior precisão.

Eis uma breve visão geral do que distingue o Ultralytics YOLO11:

• Arquitetura redesenhada: A sua arquitetura melhorada de backbone e neck permite uma melhor extração de características e uma precisão superior.
• Facilidade de utilização: Pode ser acedido através de código Python ou de ferramentas sem código, como o Ultralytics HUB.
• Flexibilidade entre tarefas: O Ultralytics YOLO11 suporta tarefas de visão computacional, como deteção de objetos, segmentação de instâncias, classificação de imagens, rastreamento, estimativa de pose e caixas delimitadoras orientadas (OBB).
• Precisão melhorada: O Ultralytics YOLO11 alcança uma precisão média (mAP) 22% superior à do YOLOv8m no conjunto de dados COCO, proporcionando deteções mais precisas.

Estas funcionalidades tornam o Ultralytics YOLO11 uma excelente opção para monitorizar o comportamento animal em ambientes dinâmicos, seja numa quinta ou na natureza.

Principais conclusões#

Os avanços na IA de visão estão a facilitar a resolução de desafios do mundo real, fornecendo ferramentas práticas para vários setores. Por exemplo, modelos de visão computacional como o Ultralytics YOLO11 podem ser utilizados para a monitorização e o rastreamento de animais em tempo real, mesmo em condições difíceis.

A palestra principal de Jim Griffin no YV24 ilustrou como o Ultralytics YOLOv8 pode ser utilizado para resolver problemas complexos com um mínimo de código. O projeto SharkEye, que combina drones com AI para a deteção de tubarões em tempo real, demonstrou como a tecnologia pode melhorar a segurança nas praias.

Foi um estudo de caso fascinante sobre como a AI acessível capacita pessoas de diferentes origens a criar soluções eficazes. À medida que a AI continua a evoluir, está a transformar setores e a permitir que as pessoas aproveitem o seu potencial para tornar o mundo num lugar mais seguro, inteligente e eficiente.

Faz parte da nossa comunidade e explora o nosso repositório no GitHub para aprofundar os teus conhecimentos sobre AI. Desde a visão computacional na agricultura até à AI em carros autónomos, vê como estas tecnologias estão a impulsionar a inovação. Consulta as nossas opções de licenciamento para começares hoje os teus projetos de AI!