Tipos de técnicas de aprendizagem de IA utilizadas em visão computacional

O aprendizado de máquina é um tipo de inteligência artificial (IA) que ajuda os computadores a aprender com dados para tomarem 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 o aprendizado de máquina desempenha um papel crucial é a visão computacional, um campo da IA centrado em dados visuais. A visão computacional usa aprendizado de máquina para ajudar os computadores a detetar e reconhecer padrões em imagens e vídeos. Impulsionado pelos avanços no aprendizado de máquina, estima-se que o valor do mercado global da visão computacional seja de cerca de 175,72 mil milhões de dólares até 2032.

Neste artigo, vamos analisar os diferentes tipos de aprendizado de máquina usados na visão computacional, incluindo aprendizado supervisionado, não supervisionado, por reforço e por transferência, e o papel de cada um em diferentes aplicações.

Visão geral da aprendizagem automática na visão computacional#

A visão computacional depende do aprendizado de máquina, especialmente de técnicas como aprendizado profundo e redes neurais, para interpretar e analisar informações visuais. Estes métodos permitem que os computadores executem tarefas de visão computacional, como detetar objetos em imagens, classificar imagens por categoria e reconhecer rostos. O aprendizado de máquina também é essencial para aplicações de visão computacional em tempo real, como o controle de qualidade na indústria e a imagiologia médica na área da saúde. Nestes casos, as redes neurais ajudam os computadores a interpretar dados visuais complexos, por exemplo, analisando exames cerebrais para detetar tumores.

Na verdade, muitos modelos avançados de visão computacional, como o Ultralytics YOLO11, baseiam-se em redes neuronais.

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

Há vários tipos de métodos de aprendizagem em machine learning, como aprendizagem supervisionada, aprendizagem não supervisionada, aprendizagem por reforço e aprendizagem por transferência, que moldam o que é possível fazer em visão computacional. Nas seções a seguir, vamos explorar cada um desses tipos para entender como contribuem para a visão computacional.

Explorar a aprendizagem supervisionada#

A aprendizagem supervisionada é o tipo de machine learning mais usado. Na aprendizagem supervisionada, os modelos são treinados com dados rotulados. Cada entrada é marcada com a saída correta, o que ajuda o modelo a aprender. Assim como um aluno aprende com um professor, esses dados rotulados servem como orientação ou supervisão.

Durante o treinamento, o modelo recebe dados de entrada (as informações que precisa processar) e dados de saída (as respostas corretas). Essa configuração ajuda o modelo a aprender a relação entre entradas e saídas. O principal objetivo da aprendizagem supervisionada é fazer com que o modelo descubra uma regra ou padrão que associe com precisão cada entrada à saída correta. Com esse mapeamento, o modelo pode fazer previsões precisas quando encontra novos dados. Por exemplo, o reconhecimento facial em visão computacional depende da aprendizagem supervisionada para identificar rostos com base nesses padrões aprendidos.

Um uso comum dessa tecnologia é desbloquear o smartphone com reconhecimento facial. O modelo é treinado com imagens rotuladas do seu rosto para que, quando você tentar desbloquear o telefone, compare a imagem ao vivo com o que aprendeu. Se detectar uma correspondência, o telefone será desbloqueado.

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

Como funciona a aprendizagem não supervisionada em IA?#

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

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

• Agrupamento: reúne pontos de dados semelhantes. É útil em tarefas como a segmentação de clientes, em que clientes semelhantes podem ser agrupados com base em seus comportamentos ou atributos.
• Associação: é usada para identificar relações entre itens e ajuda a descobrir conexões nos dados (por exemplo, encontrar produtos que costumam ser comprados juntos na análise de cesta de compras, uma técnica comum de mineração de dados).
• Redução de dimensionalidade: simplifica conjuntos de dados removendo 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 agrupamento k-means reduzem o tamanho da imagem sem afetar a qualidade visual. Os pixels são agrupados em clusters, e cada cluster é representado por uma cor média, resultando em uma imagem com menos cores e um arquivo menor.

Fig. 3. Exemplo de compressão de imagens não supervisionada.

No entanto, a aprendizagem não supervisionada tem algumas limitações. Sem respostas predefinidas, pode ser difícil obter precisão e avaliar o desempenho. Muitas vezes, é necessário interpretar os resultados e rotular os grupos manualmente, e o método é sensível a problemas como valores ausentes 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 de redes neuronais que interagem com um ambiente para alcançar um objetivo específico.

O processo envolve três componentes principais:

• Agente: quem aprende ou toma decisões.
• 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. Esse feedback ajuda o agente a avaliar as suas escolhas e a ajustar o seu comportamento. O sinal de recompensa ajuda o agente a perceber quais ações o aproximam do objetivo.

A aprendizagem por reforço é fundamental em casos de uso como condução autônoma e robótica. Na condução autônoma, tarefas como controle do veículo, detecção de objetos e desvio de obstáculos são aprendidas com base em feedback. Os modelos são treinados com agentes de redes neurais para detectar pedestres ou outros objetos e tomar as medidas adequadas para evitar colisões. Da mesma forma, na robótica, a aprendizagem por reforço permite realizar tarefas como manipular objetos e controlar movimentos.

Um exemplo conhecido de aprendizagem por reforço em ação é um projeto da OpenAI, em que pesquisadores treinaram agentes de IA para jogar o popular videogame multijogador Dota 2. Usando redes neurais, esses agentes processaram enormes quantidades de informações do ambiente do jogo para tomar decisões rápidas e estratégicas. Com feedback contínuo, os agentes aprenderam e melhoraram ao longo do tempo, até alcançar um nível de habilidade suficiente para vencer alguns dos melhores jogadores do jogo.

Fig. 4. Interpretação humana e de IA da Dota Matrix.

Compreender os conceitos básicos da aprendizagem por transferência#

A aprendizagem por transferência é diferente de outros tipos de aprendizagem. Em vez de treinar um modelo do zero, ela usa um modelo pré-treinado em um grande conjunto de dados e o ajusta para uma tarefa nova, mas relacionada. O conhecimento adquirido durante o treinamento inicial é usado para melhorar o desempenho na nova tarefa. A aprendizagem por transferência reduz o tempo necessário para treinar o modelo para uma nova tarefa, dependendo da complexidade dela. O método funciona ao manter as camadas iniciais do modelo, que capturam características gerais, e substituir as camadas finais por camadas voltadas à nova tarefa.

A transferência artística de estilo é uma aplicação interessante da aprendizagem por transferência em visão computacional. Essa técnica permite que um modelo transforme uma imagem para que corresponda ao estilo de diferentes obras de arte. Para isso, primeiro se treina uma rede neural com um grande conjunto de imagens associadas a seus estilos artísticos. Nesse processo, o modelo aprende a identificar características gerais de 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 preservando as características de estilo aprendidas, o que lhe permite criar um resultado único que combina o conteúdo original com o estilo artístico escolhido. Por exemplo, podes tirar uma fotografia de uma cadeia montanhosa e aplicar-lhe o estilo de O Grito, de Edvard Munch, obtendo uma imagem que capta a paisagem com o estilo arrojado e expressivo da pintura.

Fig. 5. Exemplo de transferência de estilo artístico com aprendizagem por transferência.

Análise das diferenças entre os tipos de aprendizagem automática#

Agora que abordámos os principais tipos de aprendizagem automática, vamos analisá-los mais detalhadamente para te ajudar a perceber qual é o mais adequado às diferentes aplicações.

• Aprendizagem supervisionada: é muito precisa quando trabalha com dados rotulados, mas exige 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 tomarem decisões passo a passo em ambientes complexos, mas exige frequentemente um poder computacional significativo.
• Aprendizagem por transferência: esta abordagem utiliza modelos pré-treinados para acelerar o treino e melhorar o desempenho em novas tarefas, sobretudo quando há poucos dados.

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

A escolha do tipo de aprendizagem automática adequado depende de vários fatores. A aprendizagem supervisionada funciona bem se tiveres muitos dados rotulados e uma tarefa bem definida. 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 decisões passo a passo, enquanto a aprendizagem por transferência é uma boa opção quando há poucos dados ou recursos limitados. Ao considerar estes fatores, podes escolher a abordagem mais adequada para o teu projeto de visão computacional.

Encerramento#

As técnicas de aprendizagem automática podem resolver uma variedade de desafios, sobretudo 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 que envolvem decisões, e a aprendizagem por transferência é útil quando pretendes aproveitar modelos pré-treinados com poucos dados.

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

Para saber mais, visita o nosso repositório do GitHub e participa na nossa comunidade. Explora aplicações de IA em carros autónomos e na agricultura nas nossas páginas de soluções.