16 de dezembro de 2024
Junte-se a nós para explorar a necessidade de dados de alta qualidade ao criar modelos de visão por computador. Descubra como a qualidade dos dados pode afetar o desempenho do modelo.
Em 2019, a adoção da inteligência artificial (IA) empresarial tinha aumentado 270% em relação aos quatro anos anteriores. Esse crescimento alimentou a rápida integração de aplicativos de visão computacional (CV) - sistemas de IA que permitem que as máquinas interpretem e analisem dados visuais do mundo ao seu redor. Estas aplicações estão na base de uma vasta gama de tecnologias, desde a deteção de doenças em imagiologia médica e a viabilização de veículos autónomos até à otimização do fluxo de tráfego nos transportes e ao reforço da vigilância em sistemas de segurança.
A precisão notável e o desempenho inigualável dos modelos de visão computacional de ponta, como o Ultralytics YOLO11, impulsionaram em grande medida este crescimento exponencial. No entanto, o desempenho destes modelos depende em grande medida da qualidade e da quantidade dos dados utilizados para treinar, validar e testar os modelos.
Sem dados suficientes e de alta qualidade, pode ser difícil treinar e afinar eficazmente os modelos de visão por computador para satisfazer os padrões da indústria. Neste artigo, exploraremos o papel vital dos dados na criação de modelos de visão computacional e por que razão os dados de alta qualidade são tão importantes na visão computacional. Também apresentaremos algumas dicas para ajudá-lo a criar conjuntos de dados de alta qualidade enquanto trabalha no treinamento de modelos personalizados de visão computacional. Vamos começar!
Os modelos de visão por computador podem ser treinados em grandes conjuntos de dados de imagens e vídeos para reconhecer padrões e fazer previsões exactas. Por exemplo, um modelo de deteção de objectos pode ser treinado em centenas - ou mesmo milhares - de imagens e vídeos rotulados para identificar objectos com precisão.
A qualidade e a quantidade destes dados de treino influenciam o desempenho do modelo.
Uma vez que os modelos de visão por computador só podem aprender com os dados a que estão expostos, o fornecimento de dados de alta qualidade e de exemplos diversificados é crucial para o seu sucesso. Sem conjuntos de dados suficientes e diversificados, estes modelos podem não conseguir analisar com precisão os cenários do mundo real e podem produzir resultados tendenciosos ou incorrectos.
É por isso que é importante entender claramente o papel dos dados no treinamento de modelos . Antes de analisarmos as caraterísticas dos dados de alta qualidade, vamos compreender os tipos de conjuntos de dados que pode encontrar ao treinar modelos de visão computacional.
Na visão por computador, os dados utilizados no processo de formação são categorizados em três tipos, cada um com um objetivo específico. Aqui está uma visão rápida de cada tipo:
Independentemente do tipo de conjunto de dados, dados de alta qualidade são essenciais para a construção de modelos de visão computacional bem-sucedidos. Aqui estão algumas das principais caraterísticas que tornam um conjunto de dados de alta qualidade:
Embora seja importante compreender as caraterísticas dos dados de alta qualidade, é igualmente vital considerar como os dados de baixa qualidade podem afetar os seus modelos de visão por computador.
Problemas como o sobreajuste e o subajuste podem afetar gravemente o desempenho do modelo. O sobre ajuste ocorre quando um modelo tem um bom desempenho nos dados de treino, mas tem dificuldades com dados novos ou não vistos, muitas vezes porque o conjunto de dados não é variado. A subadaptação, por outro lado, ocorre quando o conjunto de dados não fornece exemplos ou qualidade suficientes para o modelo aprender padrões significativos. Para evitar estes problemas, é essencial manter conjuntos de dados diversificados, imparciais e de elevada qualidade, garantindo um desempenho fiável tanto na formação como nas aplicações reais.
Os dados de baixa qualidade também podem dificultar a extração e a aprendizagem de padrões significativos a partir de dados em bruto, um processo conhecido como extração de caraterísticas. Se o conjunto de dados estiver incompleto, for irrelevante ou não tiver diversidade, o modelo pode ter dificuldade em funcionar eficazmente.
Por vezes, os dados de baixa qualidade podem ser o resultado da simplificação dos dados. A simplificação de dados pode ajudar a economizar espaço de armazenamento e reduzir os custos de processamento, mas a simplificação excessiva pode remover detalhes importantes que o modelo precisa para funcionar bem. É por isso que é tão importante manter dados de alta qualidade durante todo o processo de visão computacional, desde a coleta até a implantação. Como regra geral, os conjuntos de dados devem incluir caraterísticas essenciais, mantendo-se diversificados e precisos para garantir previsões fiáveis do modelo.
Agora que já compreendemos a importância de dados de elevada qualidade e o impacto de dados de baixa qualidade, vamos explorar a forma de garantir que o seu conjunto de dados cumpre padrões elevados.
Tudo começa com uma recolha de dados fiável. A utilização de diversas fontes, como o crowdsourcing, dados de regiões geográficas variadas e a geração de dados sintéticos , reduz a parcialidade e ajuda os modelos a lidar com cenários do mundo real. Uma vez recolhidos os dados, o pré-processamento é fundamental. Técnicas como a normalização, que dimensiona os valores de píxeis para um intervalo consistente, e o aumento, que aplica transformações como rotação, inversão e zoom, melhoram o conjunto de dados. Estes passos ajudam o seu modelo a generalizar melhor e a tornar-se mais robusto, reduzindo o risco de sobreajuste.
A divisão correta dos conjuntos de dados é outro passo fundamental. Uma abordagem comum é atribuir 70% dos dados para treino, 15% para validação e 15% para teste. Verificar duas vezes se não há sobreposição entre estes conjuntos evita a fuga de dados e garante uma avaliação exacta do modelo.
Também pode utilizar modelos pré-treinados como o YOLO11 para poupar tempo e recursos computacionais. O YOLO11, treinado em grandes conjuntos de dados e concebido para várias tarefas de visão por computador, pode ser ajustado no seu conjunto de dados específico para satisfazer as suas necessidades. Ao ajustar o modelo aos seus dados, pode evitar o sobreajuste e manter um bom desempenho.
A comunidade de IA tem-se concentrado tradicionalmente na melhoria do desempenho através da criação de modelos mais profundos com mais camadas. No entanto, à medida que a IA continua a evoluir, o foco está a mudar da otimização de modelos para a melhoria da qualidade dos conjuntos de dados. Andrew Ng, muitas vezes referido como o "pai da IA", acredita que "a mudança mais importante que o mundo da IA precisa de fazer nesta década será uma mudança para a IA centrada nos dados".
Esta abordagem dá ênfase ao refinamento dos conjuntos de dados, melhorando a exatidão dos rótulos, removendo exemplos ruidosos e assegurando a diversidade. Para a visão computacional, estes princípios são fundamentais para resolver questões como enviesamento e dados de baixa qualidade, permitindo que os modelos tenham um desempenho fiável em cenários do mundo real.
Olhando para o futuro, o avanço da visão computacional basear-se-á na criação de conjuntos de dados mais pequenos e de alta qualidade, em vez de recolher grandes quantidades de dados. De acordo com Andrew Ng, "melhorar os dados não é um passo único de pré-processamento; é uma parte essencial do processo iterativo de desenvolvimento de modelos de aprendizagem automática ". Ao concentrar-se em princípios centrados nos dados, a visão computacional continuará a tornar-se mais acessível, eficiente e com impacto em vários sectores.
Os dados desempenham um papel crítico ao longo do ciclo de vida de um modelo de visão. Desde a recolha de dados até ao pré-processamento, formação, validação e teste, a qualidade dos dados tem um impacto direto no desempenho e fiabilidade do modelo. Ao dar prioridade a dados de alta qualidade e rotulagem precisa, podemos construir modelos robustos de visão por computador que fornecem resultados fiáveis e precisos.
À medida que avançamos em direção a um futuro orientado para os dados, é essencial abordar considerações éticas para mitigar os riscos relacionados com as regulamentações de preconceito e privacidade. Em última análise, garantir a integridade e a justiça dos dados é fundamental para desbloquear todo o potencial das tecnologias de visão computacional.
Junte-se à nossa comunidade e consulte o nosso repositório GitHub para saber mais sobre IA. Consulte as nossas páginas de soluções para explorar mais aplicações de IA em sectores como a agricultura e a indústria transformadora.
