Tipos de técnicas de aprendizagem de IA utilizadas em visão computacional

A aprendizagem automática é um tipo de inteligência artificial (AI) que ajuda os computadores a aprender com dados para que possam tomar decisões por conta própria, sem precisarem de programação detalhada para cada tarefa. Envolve a criação de modelos algorítmicos capazes de identificar padrões nos dados. Ao identificar padrões nos dados e aprender com eles, estes algoritmos podem melhorar gradualmente o seu desempenho ao longo do tempo.

Uma área em que a aprendizagem automática desempenha um papel crucial é a visão computacional, um campo da IA focado em dados visuais. A visão computacional utiliza a aprendizagem automática para ajudar os computadores a detetar e reconhecer padrões em imagens e vídeos. Impulsionado pelos avanços na aprendizagem automática, estima-se que o valor do mercado global de visão computacional atinja cerca de 175,72 mil milhões de dólares até 2032.

Neste artigo, vamos analisar os diferentes tipos de aprendizagem automática utilizados na visão computacional, incluindo a aprendizagem supervisionada, não supervisionada, por reforço e por transferência, e como cada um desempenha um papel em diferentes aplicações. Vamos começar!

Visão geral da aprendizagem automática na visão computacional#

A visão computacional depende da aprendizagem automática, especialmente de técnicas como aprendizagem profunda e redes neuronais, para interpretar e analisar informação visual. Estes métodos permitem que os computadores executem tarefas de visão computacional, como detetar objetos em imagens, classificar imagens por categoria e reconhecer rostos. A aprendizagem automática também é essencial para aplicações de visão computacional em tempo real, como o [controlo de qualidade](https://ultralytics-translation-7.invalid na produção industrial e a imagiologia médica nos cuidados de saúde. Nestes casos, as redes neuronais ajudam os computadores a interpretar dados visuais complexos, como analisar exames cerebrais para detetar tumores.

Na verdade, muitos modelos avançados de visão computacional, como o Ultralytics YOLO11, são desenvolvidos com base em redes neuronais.

Fig. 1. Segmentação de exames cerebrais com o Ultralytics YOLO11.

Existem vários tipos de métodos de aprendizagem automática, como a aprendizagem supervisionada, a aprendizagem não supervisionada, a aprendizagem por transferência e a aprendizagem por reforço, que estão a expandir os limites do que é possível na visão computacional. Nas secções seguintes, vamos explorar cada um destes tipos para compreender como contribuem para a visão computacional.

Explorar a aprendizagem supervisionada#

A aprendizagem supervisionada é o tipo de aprendizagem automática mais utilizado. Na aprendizagem supervisionada, os modelos são treinados com dados rotulados. Cada entrada é associada à saída correta, o que ajuda o modelo a aprender. Tal como um aluno que aprende com um professor, estes dados rotulados funcionam como um guia ou supervisor.

Durante o treino, o modelo recebe tanto dados de entrada (a informação que precisa de processar) como dados de saída (as respostas corretas). Esta configuração ajuda o modelo a aprender a relação entre as entradas e as saídas. O principal objetivo da aprendizagem supervisionada é que o modelo descubra uma regra ou padrão que associe corretamente cada entrada à sua saída correta. Com este mapeamento, o modelo pode fazer previsões precisas quando encontra novos dados. Por exemplo, o reconhecimento facial na visão computacional depende da aprendizagem supervisionada para identificar rostos com base nestes padrões aprendidos.

Uma utilização comum é desbloquear o seu smartphone com reconhecimento facial. O modelo é treinado com imagens rotuladas do seu rosto para que, quando tentar desbloquear o telemóvel, compare a imagem em tempo real com aquilo que aprendeu. Se detetar uma correspondência, o telemóvel é desbloqueado.

Fig. 2. O reconhecimento facial pode ser utilizado para desbloquear o seu smartphone.

Como funciona a aprendizagem não supervisionada em IA?#

A aprendizagem não supervisionada é um tipo de aprendizagem automática que utiliza dados não rotulados — o modelo não recebe orientações nem respostas corretas durante o treino. Em vez disso, aprende a descobrir padrões e informações por conta própria.

A aprendizagem não supervisionada identifica padrões através de três métodos principais:

• Clustering: agrupa pontos de dados semelhantes. É útil para tarefas como a segmentação de clientes, em que clientes semelhantes podem ser agrupados com base nos seus comportamentos ou atributos.
• Associação: é utilizada para identificar relações entre itens, ajudando a descobrir ligações nos dados (por exemplo, encontrar produtos frequentemente comprados em conjunto na análise de cesto de compras).
• Redução da dimensionalidade: simplifica conjuntos de dados ao remover características redundantes, o que facilita a visualização e o processamento.

Uma aplicação importante da aprendizagem não supervisionada é a compressão de imagens, em que técnicas como o clustering k-means reduzem o tamanho da imagem sem afetar a qualidade visual. Os píxeis são agrupados em clusters e cada cluster é representado por uma cor média, resultando numa imagem com menos cores e um tamanho de ficheiro menor.

Fig. 3. Um exemplo de compressão de imagens não supervisionada.

No entanto, a aprendizagem não supervisionada também enfrenta algumas limitações. Sem respostas predefinidas, pode ter dificuldades com a precisão e a avaliação do desempenho. Muitas vezes, requer trabalho manual para interpretar os resultados e atribuir rótulos aos grupos, além de ser sensível a problemas como valores em falta e ruído, que podem afetar a qualidade dos resultados.

Aprendizagem por reforço explicada#

Ao contrário da aprendizagem supervisionada e não supervisionada, a aprendizagem por reforço não depende de dados de treino. Em vez disso, utiliza agentes baseados em redes neuronais que interagem com um ambiente para alcançar um objetivo específico.

O processo envolve três componentes principais:

• Agente: o aprendiz ou decisor.
• Ambiente: tudo aquilo com que o agente interage, seja real ou virtual.
• Sinal de recompensa: um valor numérico atribuído após cada ação, que orienta o agente em direção ao objetivo.

À medida que o agente executa ações, afeta o ambiente, que responde com feedback. O feedback ajuda o agente a avaliar as suas escolhas e a ajustar o seu comportamento. O sinal de recompensa ajuda o agente a compreender quais ações o aproximam da concretização do seu objetivo.

A aprendizagem por reforço é fundamental para casos de utilização como a condução autónoma e a robótica. Na condução autónoma, tarefas como o controlo do veículo, a deteção de objetos e a prevenção de colisões aprendem com base no feedback. Os modelos são treinados com agentes baseados em redes neuronais para detetar peões ou outros objetos e tomar medidas adequadas para evitar colisões. De forma semelhante, na robótica, a aprendizagem por reforço permite executar tarefas como a manipulação de objetos e o controlo do movimento.

Um excelente exemplo de aprendizagem por reforço em ação é um projeto da OpenAI, no qual investigadores treinaram agentes de IA para jogar o popular videojogo multijogador Dota 2. Utilizando redes neuronais, estes agentes processaram enormes quantidades de informação do ambiente do jogo para tomar decisões rápidas e estratégicas. Através de feedback contínuo, os agentes aprenderam e melhoraram ao longo do tempo, acabando por atingir um nível de competência suficientemente elevado para derrotar alguns dos melhores jogadores do jogo.

Fig. 4. Interpretação humana vs. IA da Dota Matrix.

Compreender os conceitos básicos da aprendizagem por transferência#

A aprendizagem por transferência é diferente dos outros tipos de aprendizagem. Em vez de treinar um modelo de raiz, utiliza um modelo pré-treinado num grande conjunto de dados e ajusta-o para uma tarefa nova, mas relacionada. O conhecimento adquirido durante o treino inicial é utilizado para melhorar o desempenho da nova tarefa. A aprendizagem por transferência reduz o tempo necessário para treinar uma nova tarefa, dependendo da sua complexidade. Funciona mantendo as camadas iniciais do modelo, que capturam as características gerais, e substituindo as camadas finais pelas da nova tarefa específica.

A transferência de estilo artístico é uma aplicação interessante da aprendizagem por transferência na visão computacional. Esta técnica permite que um modelo transforme uma imagem para corresponder ao estilo de diferentes obras de arte. Para isso, uma rede neuronal é primeiro treinada com um grande conjunto de dados de imagens associadas aos respetivos estilos artísticos. Através deste processo, o modelo aprende a identificar características gerais das imagens e padrões de estilo.

Depois de treinado, o modelo pode ser ajustado para aplicar o estilo de uma pintura específica a uma nova imagem. A rede adapta-se à nova imagem enquanto preserva as características de estilo aprendidas, permitindo criar um resultado único que combina o conteúdo original com o estilo artístico selecionado. Por exemplo, pode tirar uma fotografia de uma cordilheira e aplicar-lhe o estilo de O Grito, de Edvard Munch, obtendo uma imagem que capta a paisagem, mas com o estilo arrojado e expressivo da pintura.

Fig. 5. Um exemplo de transferência de estilo artístico utilizando aprendizagem por transferência.

Uma análise das diferenças entre os tipos de aprendizagem automática#

Agora que abordámos os principais tipos de aprendizagem automática, vamos analisar cada um mais detalhadamente para ajudar-te a compreender qual é o mais adequado para diferentes aplicações.

• Aprendizagem supervisionada: este tipo é muito preciso quando trabalha com dados rotulados, mas requer muitos dados e pode ser sensível ao ruído.
• Aprendizagem não supervisionada: é útil para explorar dados não rotulados e encontrar padrões ocultos, embora os resultados possam ser menos precisos e mais difíceis de interpretar.
• Aprendizagem por reforço: treina agentes para tomar decisões passo a passo em ambientes complexos, mas muitas vezes requer um poder computacional significativo.
• Aprendizagem por transferência: esta abordagem utiliza modelos pré-treinados para acelerar o treino e melhorar o desempenho em novas tarefas, especialmente quando os dados são limitados.

Fig. 6. Uma comparação de todos os tipos de aprendizagem automática. Imagem do autor.

A escolha do tipo certo de aprendizagem automática depende de vários fatores. A aprendizagem supervisionada funciona bem quando tens muitos dados rotulados e uma tarefa clara. A aprendizagem não supervisionada é útil para explorar dados ou quando há poucos exemplos rotulados. A aprendizagem por reforço é ideal para tarefas complexas que exigem tomada de decisões passo a passo, enquanto a aprendizagem por transferência é excelente quando os dados são limitados ou os recursos são reduzidos. Ao considerar estes fatores, podes selecionar a abordagem mais adequada para o teu projeto de visão computacional.

Conclusão#

As técnicas de aprendizagem automática podem enfrentar uma grande variedade de desafios, especialmente em áreas como a visão computacional. Ao compreenderes os diferentes tipos — aprendizagem supervisionada, não supervisionada, por reforço e por transferência — podes escolher a melhor abordagem para as tuas necessidades.

A aprendizagem supervisionada é excelente para tarefas que exigem elevada precisão e dados rotulados, enquanto a aprendizagem não supervisionada é ideal para encontrar padrões em dados não rotulados. A aprendizagem por reforço funciona bem em contextos complexos baseados em decisões, e a aprendizagem por transferência é útil quando queres desenvolver modelos pré-treinados com dados limitados.

Cada método tem pontos fortes e aplicações únicos, desde o reconhecimento facial à robótica e à transferência de estilo artístico. Escolher o tipo certo pode abrir novas possibilidades em setores como os cuidados de saúde, o setor automóvel e o entretenimento.

Para saberes mais, visita o nosso repositório no GitHub e participa na nossa comunidade. Explora aplicações de AI em carros autónomos e na agricultura nas nossas páginas de soluções. 🚀