SharkEye utiliza o Ultralytics YOLOv8 para a deteção de objetos

A monitorização de animais nos seus habitats naturais, quer sejam bovinos a pastar numa quinta ou tubarões a nadar perto da costa, sempre foi importante para a sua segurança e bem-estar. No entanto, observá-los manualmente não é fácil. Muitas vezes, exige horas de paciência e atenção, pois os observadores têm de acompanhar de perto qualquer alteração no comportamento ou nos movimentos. Mesmo assim, é fácil não reparar em sinais subtis, mas importantes.

Graças à inteligência artificial (AI), este processo está a tornar-se mais rápido, inteligente e muito mais eficiente, reduzindo a carga de trabalho dos observadores humanos e melhorando a precisão. Em particular, a visão por computador pode ser utilizada para acompanhar animais, detetar 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 IA está a enfrentar desafios do dia a dia. Entre os temas apresentados estavam os avanços na deteção de objetos em tempo real e na monitorização de animais, que demonstraram como a IA está a melhorar a segurança e a eficiência em vários domínios.

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

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

Conhece o SharkEye: uma aplicação de visão por computador#

Jim começou a apresentação por falar de 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, afirmou: «Claro que é fácil detetar um tubarão se ele te morder; o que queríamos era identificar os tubarões antes disso.»

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

O SharkEye foi criado para resolver este problema, com o apoio da Universidade da Califórnia em Santa Bárbara. Jim descreveu como os drones equipados com câmaras de IA de alta resolução voavam a cerca de 60 metros acima da água, analisando o oceano em tempo real.

Se for 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 responder rapidamente, mantendo as pessoas na praia mais seguras quando há um tubarão perto da costa.

Jim também referiu que o SharkEye tem um painel de controlo em direto onde os utilizadores podem consultar as 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 detrás 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 IA, como as utilizadas no SharkEye, são concebidas para serem acessíveis, permitindo que pessoas sem formação técnica desenvolvam soluções com impacto.

Utilização do Ultralytics YOLOv8 para detetar tubarões#

Ao aprofundar os detalhes, Jim explicou o funcionamento interno do SharkEye e como a solução de deteção de tubarões não se limitava a uma simples tarefa de deteção de objetos. Tinha de lidar com condições dinâmicas e imprevisíveis, como algas marinhas flutuantes, que podiam ser facilmente confundidas com tubarões. Ao contrário da deteção de um objeto imóvel, identificar um tubarão exige precisão e adaptabilidade, o que torna o Ultralytics YOLOv8 uma excelente opção.

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

Deteção de objetos com apenas seis linhas de código#

Depois de explicar como funciona o SharkEye e o esforço colaborativo por detrás do projeto, Jim apresentou uma demonstração em direto.

Jim Griffin iniciou a demonstração ao vivo conduzindo o público por um exemplo conhecido: um excerto de código «hello world» para os modelos Ultralytics YOLO. Com apenas seis linhas de código Python, mostrou como um modelo Ultralytics YOLOv8 pré-treinado podia detetar um autocarro numa imagem.

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

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

Para contextualizar, Jim mencionou que o modelo da demonstração estava a ser treinado com o COCO128, um subconjunto mais pequeno do amplamente utilizado conjunto de dados COCO. O conjunto de dados COCO contém cerca de 330 000 imagens, mais de 200 000 das quais anotadas, distribuídas por 80 categorias de objetos. Embora o COCO128 seja adequado para demonstrações rápidas, Jim salientou que o SharkEye precisava de algo mais robusto: um conjunto de dados de deteção de tubarões específico para a aplicação, capaz de lidar com as complexidades de cenários reais.

Treino personalizado do Ultralytics YOLOv8 para o SharkEye#

Segundo Jim, a parte mais difícil do projeto SharkEye não foi treinar o modelo de IA, mas recolher os dados adequados. Comentou: «O trabalho principal deste projeto não foi a IA. O trabalho principal foi fazer voar os drones durante cinco anos, selecionar as imagens desses vídeos e etiquetá-las corretamente.»

Descreveu como a equipa recolheu 15 000 imagens em Padaro Beach. Cada imagem teve de ser anotada manualmente para distinguir tubarões, algas marinhas e outros objetos na água. Embora o processo fosse lento e exigente, lançou as bases para tudo o que se seguiu.

Fig. 3. Utilização de drones para captar 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 ainda que, com hardware mais potente, como GPUs A100, o tempo poderia ter sido reduzido para apenas cinco horas.

Avaliação do SharkEye: precisão acima da revocação#

Em seguida, Jim falou sobre a avaliação do desempenho do SharkEye. Explicou que a métrica principal era a precisão — a exatidão com que o sistema identificava tubarões reais. Com uma precisão de 92%, o SharkEye demonstrou que o modelo era muito eficaz na identificação precisa de tubarões num ambiente oceânico complexo.

Ao aprofundar a importância da precisão, Jim explicou por que razão a precisão era mais importante do que a revocação neste caso. «Na maioria das vezes, as pessoas interessam-se pela revocação, sobretudo 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 o que nos interessava era a precisão», explicou. O SharkEye minimizou os falsos alarmes ao dar prioridade à precisão, facilitando a ação rápida dos nadadores-salvadores e de outros responsáveis pela resposta.

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

Ele concluiu sua palestra comparando o desempenho da IA ao dos seres humanos e observou que a precisão de 92% do SharkEye superava em muito a exatidão de 60% dos especialistas humanos. Ele enfatizou essa diferença, dizendo: “É porque somos humanos. Por mais especialistas que você ou eu possamos ser, se tivermos de ficar sentados diante de uma tela o dia todo procurando tubarões, em algum momento nossa mente vai divagar.” Ao contrário das pessoas, os modelos de IA não se cansam nem se distraem, o que os torna uma solução confiável para tarefas que exigem monitoramento contínuo.

Ultralytics YOLO11#

Uma citação marcante da palestra de Jim Griffin — «Seis linhas de código podem salvar-te a vida um dia» — ilustra como a IA avançada se tornou acessível. Os modelos Ultralytics YOLO foram criados com esse objetivo, tornando a tecnologia avançada de visão por computador acessível a programadores e empresas de todas as dimensões. O Ultralytics YOLO11 desenvolve esta ideia com inferências mais rápidas e maior precisão, tendo sido entretanto sucedido pelo Ultralytics YOLO26.

Veja rapidamente o que diferencia o Ultralytics YOLO11:

• Arquitetura redesenhada: Sua arquitetura aprimorada de backbone e neck permite uma extração de características melhor e maior precisão.
• Facilidade de uso: você pode acessá-lo por meio de código Python ou de ferramentas sem código, como a Ultralytics Platform.
• Flexibilidade entre tarefas: o Ultralytics YOLO11 suporta tarefas de visão por computador, como deteção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose, caixas delimitadoras orientadas (OBB) e seguimento.
• Maior precisão: o Ultralytics YOLO11m alcança uma precisão média média (mAP) superior à do YOLOv8m no conjunto de dados COCO, utilizando menos 22% de parâmetros.

Esses recursos fazem do Ultralytics YOLO11 uma ótima opção para rastrear o comportamento animal em ambientes dinâmicos, seja em uma fazenda ou na natureza.

Principais conclusões#

Os avanços na IA para visão estão facilitando a resolução de desafios do mundo real ao oferecer ferramentas práticas para diferentes áreas. Por exemplo, modelos de visão computacional como o Ultralytics YOLO11 podem ser usados para monitorar e rastrear animais em tempo real, mesmo em condições difíceis.

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

Foi um estudo de caso convincente sobre como a IA acessível ajuda pessoas de diferentes origens a criar soluções eficazes.

Faça parte da nossa comunidade e explore nosso repositório no GitHub para se aprofundar em IA. Da visão computacional na agricultura à IA em carros autônomos, veja como essas tecnologias impulsionam a inovação. Confira nossas opções de licenciamento para começar seus projetos de IA hoje mesmo!