SharkEye usa Ultralytics YOLOv8 para detecção de objetos

Monitorar animais em seus habitats naturais, seja gado pastando em uma fazenda ou tubarões movendo-se perto da costa, sempre foi importante para a segurança e bem-estar deles. No entanto, observá-los manualmente não é fácil. Frequentemente, pode exigir horas de paciência e foco cuidadoso, já que os observadores precisam ficar atentos a qualquer mudança de comportamento ou movimento. Mesmo assim, é fácil perder sinais sutis, porém importantes.

Graças à intervenção da inteligência artificial (IA), este processo está a tornar-se mais rápido, inteligente e muito mais eficiente, reduzindo a pressão sobre os observadores humanos e melhorando a precisão. Em particular, a computer vision pode ser usada para rastrear animais, detetar perigos e tomar decisões em tempo real. Tarefas que antes demoravam horas podem agora ser feitas em minutos, abrindo novas formas de compreender o comportamento animal.

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

Um dos destaques do evento foi uma palestra de Jim Griffin, fundador da AI Master Group, onde demonstrou como a vision AI está a tornar as praias mais seguras ao detetar tubarões antes que se aproximem demasiado da costa. Explicou como usaram o Ultralytics YOLOv8, um modelo de visão computacional de ponta, para identificar com precisão tubarões em tempo real, mesmo em condições difíceis como ondas agitadas, reflexos e obstáculos subaquáticos.

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

Conhecendo o SharkEye: Uma aplicação de visão computacional#

Jim começou sua palestra apresentando Padaro Beach, um destino de surfe bem conhecido na Califórnia, onde surfistas e tubarões frequentemente compartilham as mesmas águas. Destacando o verdadeiro desafio da detecção de tubarões, ele compartilhou: “Claro, é fácil detectar um tubarão se ele te morder, então o que queríamos fazer era identificar os tubarões antes.”

Fig 1. Jim no palco no YOLO Vision 2024.

O SharkEye foi criado para combater este problema, com o apoio da Universidade da Califórnia, Santa Bárbara. Jim descreveu como drones com AI cameras de alta resolução foram usados para voar a cerca de 200 pés acima da água, examinando o oceano em tempo real.

Se um tubarão é detectado, alertas SMS chegam a cerca de 80 pessoas, incluindo salva-vidas, donos de lojas de surfe e qualquer pessoa que se inscreveu para receber atualizações. Jim destacou como essas notificações instantâneas permitem respostas rápidas, mantendo os banhistas mais seguros quando um tubarão está perto da costa.

Jim também mencionou que o SharkEye possui um painel ao vivo onde os usuários podem ver estatísticas de detecção de tubarões. Por exemplo, ao longo de 12 semanas, o sistema identificou dois grandes tubarões e 15 menores, com uma média de pouco mais de um tubarão por semana.

Ele então apresentou Neil Nathan, o cientista que liderou os esforços por trás do SharkEye. Apesar de ter experiência em estudos ambientais em vez de ciência da computação, Nathan liderou o projeto com sucesso. Jim enfatizou como ferramentas modernas de IA, como as usadas no SharkEye, são projetadas para serem acessíveis, permitindo que indivíduos de origens não técnicas desenvolvam soluções impactantes.

Usando Ultralytics YOLOv8 para detectar tubarões#

Indo mais a fundo nos detalhes, o Jim detalhou o que está por trás do capuz do SharkEye e como a solução de deteção de tubarões não envolveu apenas uma simples tarefa de object detection. Tinha de lidar com condições dinâmicas e imprevisíveis, como algas flutuantes que podiam facilmente ser confundidas com tubarões. Ao contrário de detetar um objeto estacionário, identificar um tubarão exige precisão e adaptabilidade, tornando o Ultralytics YOLOv8 uma escolha ideal.

Outra vantagem do Ultralytics YOLOv8 era que podia ser deployed on a drone sem depender de servidores em nuvem. O Jim explicou como esta abordagem tornou possível para o SharkEye enviar alertas imediatos - uma parte essencial para garantir respostas atempadas em condições oceânicas imprevisíveis.

Detecção de objetos com apenas seis linhas de código#

Após destacar como o SharkEye funciona e o esforço colaborativo por trás dele, Jim apresentou uma demonstração ao vivo.

Jim Griffin começou a sua demonstração ao vivo guiando o público através de um exemplo familiar - um pequeno fragmento de código "hello world" para Ultralytics YOLO models. Com apenas seis linhas de código Python, mostrou como um modelo Ultralytics YOLOv8 pré-treinado conseguia detetar sem esforço um autocarro numa imagem.

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

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

Para dar mais contexto, Jim mencionou que o modelo na demonstração estava a ser treinado no COCO128, um subconjunto mais pequeno do amplamente utilizado COCO dataset. O conjunto de dados COCO contém mais de 20.000 imagens em 80 categorias de objetos diferentes. Embora o COCO128 funcione bem para demonstrações rápidas, ele apontou que o SharkEye precisava de algo mais robusto - um conjunto de dados de deteção de tubarões específico para a aplicação que conseguisse lidar com as complexidades de cenários do mundo real.

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 coletar os dados certos. Ele comentou: “O trabalho principal deste projeto não foi a IA. O trabalho principal deste projeto foi pilotar aqueles drones durante cinco anos, extrair as imagens daqueles vídeos e marcá-las adequadamente.”

Ele descreveu como a equipe coletou 15.000 imagens em Padaro Beach. Cada imagem teve que ser rotulada manualmente para diferenciar entre tubarões, algas e outros objetos na água. Embora o processo tenha sido lento e exigente, ele estabeleceu a base para tudo o que veio a seguir.

Fig 3. Usando drones para capturar imagens de tubarões para detecção de objetos em tempo real.

Assim que o conjunto de dados ficou pronto, o Ultralytics YOLOv8 foi custom-trained nele. Jim disse: "O treino real não foi a parte difícil - demorou apenas 20 horas em GPUs T4 [Unidades de processamento gráfico]." Ele também acrescentou que o tempo poderia ter sido reduzido para apenas cinco horas com hardware mais potente, como GPUs A100.

Avaliando o SharkEye: Precisão acima do recall#

Em seguida, Jim discutiu como o desempenho do SharkEye foi avaliado. Ele ilustrou que a métrica chave era a precisão - com que precisão o sistema identificava tubarões reais. Com o SharkEye atingindo uma impressionante precisão de 92%, o modelo provou ser altamente eficaz na identificação precisa de tubarões em meio ao complexo ambiente oceânico.

Aprofundando a importância da precisão, Jim esclareceu porque é que a precisão importava mais do que a revocação (recall) neste caso. "Na maior parte do tempo, as pessoas estão interessadas em recall, especialmente em áreas como os cuidados de saúde, onde perder um caso positivo pode ser crítico. Mas, neste caso, não sabíamos quantos tubarões estavam lá fora, por isso o que nos importava era a precisão", explicou. O SharkEye garantiu que os alarmes falsos eram minimizados ao focar-se na precisão, tornando mais fácil para os nadadores-salvadores e outros socorristas agir rapidamente.

Fig 4. Jim apresentando o SharkEye no YOLO Vision 2024.

Ele concluiu sua palestra comparando a IA ao desempenho humano, observando que a precisão de 92% do SharkEye superou em muito a precisão de 60% dos especialistas humanos. Ele enfatizou essa lacuna, dizendo: “É porque somos humanos. Não importa o quanto você ou eu possamos ser especialistas, se tivermos que sentar na frente de uma tela o dia todo procurando por tubarões, eventualmente, vamos deixar nossa mente divagar.” Ao contrário das pessoas, os modelos de IA não se cansam nem se distraem, tornando-a uma solução confiável para tarefas que exigem monitoramento contínuo.

Ultralytics YOLO11: O mais novo YOLO#

Uma citação intrigante da palestra de Jim Griffin, "Seis linhas de código podem salvar a tua vida um dia", capta perfeitamente quão avançada e acessível a IA se tornou. Os modelos Ultralytics YOLO foram criados com isto em mente, tornando a tecnologia de visão computacional de ponta acessível a programadores e empresas de todas as dimensões. O Ultralytics YOLO11 baseia-se nisto com inferências mais rápidas e maior precisão.

Aqui tens uma rápida vista d'olhos sobre o que diferencia o Ultralytics YOLO11:

• Arquitetura redesenhada: Sua arquitetura de backbone e neck aprimorada permite uma melhor extração de características e precisão aprimorada.
• Facilidade de uso: Pode ser acessado através de codificação em Python ou ferramentas sem código, como o Ultralytics HUB.
• Flexibilidade entre tarefas: O Ultralytics YOLO11 suporta computer vision tasks como deteção de objetos, segmentação de instâncias, classificação de imagens, rastreio, estimativa de pose e caixas delimitadoras orientadas (OBB).
• Precisão aprimorada: O Ultralytics YOLO11 alcança uma precisão média média (mAP) 22% maior em comparação com o YOLOv8m no conjunto de dados COCO, oferecendo detecções mais precisas.

Estes recursos tornam o Ultralytics YOLO11 excelente para o rastreamento de comportamento animal em ambientes dinâmicos, seja numa quinta ou na natureza.

Principais pontos#

Os avanços na IA de visão estão a tornar mais fácil enfrentar desafios do mundo real ao fornecer ferramentas práticas para várias áreas. Por exemplo, modelos de visão computacional como o Ultralytics YOLO11 podem ser usados para a monitorização e rastreamento em tempo real de animais, mesmo em condições difíceis.

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

Foi um estudo de caso fascinante de como a IA acessível capacita pessoas de diferentes origens a criar soluções eficazes. À medida que a IA continua a evoluir, ela está transformando indústrias e tornando possível para indivíduos aproveitar seu potencial para tornar o mundo um lugar mais seguro, inteligente e eficiente.

Torna-te parte de our community e explora o nosso GitHub repository para mergulhares mais fundo na IA. Desde computer vision in agriculture até AI in self-driving cars, vê como estas tecnologias estão a impulsionar a inovação. Consulta our licensing options para começares os teus projetos de IA hoje mesmo!