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 inteligência artificial (IA), esse processo está se tornando mais rápido, mais inteligente e muito mais eficiente, reduzindo a sobrecarga sobre os observadores humanos enquanto melhora a precisão. Em particular, a visão computacional pode ser usada para rastrear animais, detectar perigos e tomar decisões em tempo real. Tarefas que antes levavam horas agora podem ser feitas em minutos, abrindo novas maneiras de entender o comportamento animal.

No YOLO Vision 2024 (YV24), um evento híbrido anual organizado pela Ultralytics, especialistas e inovadores se reuniram para explorar como a IA está lidando com desafios cotidianos. Alguns dos tópicos apresentados incluíram avanços em detecção de objetos em tempo real e monitoramento animal, demonstrando como a IA está melhorando a segurança e a eficiência em vários campos.

Um dos destaques do evento foi uma palestra de Jim Griffin, fundador do AI Master Group, onde ele demonstrou como a visão computacional com IA está tornando as praias mais seguras ao detectar tubarões antes que eles cheguem muito perto da costa. Ele explicou como usaram o Ultralytics YOLOv8, um modelo de visão computacional de ponta, para identificar tubarões com precisão em tempo real, mesmo em condições desafiadoras como ondas agitadas, reflexos e obstáculos subaquáticos.

Neste artigo, veremos mais de perto o projeto SharkEye e compartilharemos insights interessantes da palestra de Jim.

Link to this sectionConhecendo 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 lidar com essa questão, com o apoio da Universidade da Califórnia, Santa Barbara. Jim descreveu como drones com câmeras de IA de alta resolução foram usados para voar a cerca de 60 metros acima da água, escaneando 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.

Link to this sectionUsando Ultralytics YOLOv8 para detectar tubarões#

Entrando nos detalhes, Jim explicou o que está por baixo do capô do SharkEye e como a solução de detecção de tubarões não envolvia apenas uma simples tarefa de detecção de objetos. Ela teve que lidar com condições dinâmicas e imprevisíveis, como algas flutuantes que poderiam ser facilmente confundidas com tubarões. Ao contrário de detectar um objeto estacionário, identificar um tubarão requer precisão e adaptabilidade, tornando o YOLOv8 uma escolha ideal.

Outra vantagem do YOLOv8 foi que ele pôde ser implantado em um drone sem depender de servidores em nuvem. Jim explicou como essa abordagem tornou possível que o SharkEye enviasse alertas imediatos - uma parte essencial para garantir respostas oportunas em condições oceânicas imprevisíveis.

Link to this sectionDetecção 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 sua demonstração ao vivo guiando o público através de um exemplo familiar - um trecho de código "hello world" para modelos Ultralytics YOLO. Com apenas seis linhas de código Python, ele demonstrou como um modelo Ultralytics YOLOv8 pré-treinado poderia detectar facilmente um ônibus em uma imagem.

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

Sua demonstração usou o modelo YOLOv8 Nano, uma versão leve para dispositivos de baixo consumo de energia, como drones. O mesmo modelo foi usado no SharkEye para detecção de tubarões em tempo real.

Para dar mais contexto, Jim mencionou que o modelo na demonstração estava sendo treinado no COCO128, um subconjunto menor do amplamente utilizado dataset COCO. O dataset 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 dataset de detecção de tubarões específico da aplicação que pudesse lidar com as complexidades de cenários do mundo real.

Link to this sectionTreinamento personalizado do 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 dataset estava pronto, o Ultralytics YOLOv8 foi treinado de forma personalizada nele. Jim disse: "O treinamento em si não foi a parte difícil - levou 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.

Link to this sectionAvaliando 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.

Indo mais fundo na importância da precisão, Jim esclareceu por que a precisão importava mais do que o recall neste caso. “Na maioria das vezes, as pessoas estão interessadas em recall, especialmente em áreas como saúde, onde perder um caso positivo pode ser crítico. Mas, neste caso, não sabíamos quantos tubarões estavam lá fora, então o que nos importava era a precisão”, explicou ele. O SharkEye garantiu que falsos alarmes fossem minimizados ao focar na precisão, facilitando para salva-vidas e outros socorristas agirem 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.

Link to this sectionUltralytics YOLO11: O mais novo YOLO#

Uma citação intrigante da palestra de Jim Griffin, “Seis linhas de código poderiam salvar sua vida um dia”, captura perfeitamente o quão avançada, porém acessível, a IA se tornou. Os modelos Ultralytics YOLO foram criados com isso em mente, tornando a tecnologia de visão computacional de ponta acessível a desenvolvedores e empresas de todos os tamanhos. O Ultralytics YOLO11 constrói sobre isso com inferências mais rápidas e maior precisão.

Aqui está uma visão rápida do que diferencia o 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 YOLO11 suporta tarefas de visão computacional como detecção de objetos, segmentação de instâncias, classificação de imagens, rastreamento, estimativa de pose e caixas delimitadoras orientadas (OBB).
• Precisão aprimorada: O YOLO11 alcança 22% a mais de precisão média (mAP) em comparação com o YOLOv8m no dataset COCO, entregando detecções mais precisas.

Esses recursos tornam o YOLO11 uma ótima opção para rastreamento de comportamento animal em ambientes dinâmicos, seja em uma fazenda ou na natureza.

Link to this sectionPrincipais pontos#

Os avanços na IA de visão estão tornando mais fácil lidar com desafios do mundo real, fornecendo ferramentas práticas para vários campos. Por exemplo, modelos de visão computacional como o YOLO11 podem ser usados para o monitoramento e rastreamento de animais em tempo real, mesmo em condições difíceis.

A palestra principal de Jim Griffin no YV24 ilustrou como o YOLOv8 pode ser usado para resolver problemas complexos com codificação mínima. O projeto SharkEye, que combina drones com IA para detecção de tubarões em tempo real, mostrou 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.

Faça parte da nossa comunidade e explore nosso repositório GitHub para mergulhar mais fundo na IA. Desde visão computacional na agricultura até IA em carros autônomos, veja como essas tecnologias estão impulsionando a inovação. Confira nossas opções de licenciamento para começar seus projetos de IA hoje!