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 os dados para poderem tomar decisões de forma autónoma, sem precisarem de programação detalhada para cada tarefa. Envolve a criação de modelos algorítmicos capazes de identificar padrões nos dados. Ao identificarem padrões nos dados e aprenderem 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 ramo da IA centrado nos 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 da 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 o papel de cada um em diferentes aplicações. Vamos começar!

Visão geral da aprendizagem automática na visão computacional#

A visão computacional baseia-se na aprendizagem automática, especialmente em técnicas como a aprendizagem profunda e as redes neuronais, para interpretar e analisar informação visual. Estes métodos permitem que os computadores realizem 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 na indústria transformadora e a imagiologia médica no setor da saúde. Nestes casos, as redes neuronais ajudam os computadores a interpretar dados visuais complexos, como analisar imagens 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.

Existem vários tipos de métodos de aprendizagem automática, como a aprendizagem supervisionada, não supervisionada, por transferência e por reforço, que estão a alargar os limites do que é possível em 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 servem de guia ou supervisão.

Durante o treino, o modelo recebe dados de entrada (a informação que tem de processar) e 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 um padrão que associe com precisão cada entrada à saída correta. Com este 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 nos padrões aprendidos.

Um exemplo comum é desbloquear o teu smartphone com reconhecimento facial. O modelo é treinado com imagens rotuladas do teu rosto para que, quando tentas desbloquear o telemóvel, compare a imagem em tempo real com o que aprendeu. Se detetar uma correspondência, o telemóvel desbloqueia-se.

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, na qual os clientes semelhantes podem ser agrupados com base nos seus comportamentos ou atributos.
• Associação: é utilizada para identificar relações entre itens e ajudar a descobrir ligações nos dados (por exemplo, encontrar produtos comprados frequentemente em conjunto na análise de cabazes de compras).
• Redução da dimensionalidade: simplifica conjuntos de dados ao remover características redundantes, facilitando a visualização e o processamento.

Uma aplicação importante da aprendizagem não supervisionada é a compressão de imagens, na qual técnicas como o agrupamento 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 ficheiro mais pequeno.

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

No entanto, a aprendizagem não supervisionada tem algumas limitações. Sem respostas predefinidas, pode ter dificuldades com a avaliação da precisão e do desempenho. Muitas vezes, é necessário trabalho manual para interpretar os resultados e rotular os grupos, e o método é 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 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 utilização como a condução autónoma e a robótica. Na condução autónoma, tarefas como o controlo do veículo, a deteção de objetos e o desvio de obstáculos aprendem com base no feedback. Os modelos são treinados com agentes de redes neuronais para detetar peões ou outros objetos e tomar medidas adequadas para evitar colisões. Do mesmo modo, na robótica, a aprendizagem por reforço permite realizar tarefas como a manipulação de objetos e o controlo dos movimentos.

Um excelente exemplo de aprendizagem por reforço em ação é um projeto da OpenAI, no qual os investigadores treinaram agentes de IA para jogar o popular jogo de vídeo multijogador Dota 2. Com redes neuronais, estes agentes processaram enormes quantidades de informação do ambiente de jogo para tomar decisões estratégicas rápidas. Através de feedback contínuo, os agentes aprenderam e melhoraram ao longo do tempo, acabando por atingir um nível de competência 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 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 na nova tarefa. A aprendizagem por transferência reduz o tempo necessário para treinar para uma nova tarefa, consoante a sua complexidade. O método mantém as camadas iniciais do modelo, que captam características gerais, e substitui as camadas finais pelas específicas da nova tarefa.

A transferência de estilo artístico é uma aplicação interessante da aprendizagem por transferência em 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 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 saberes 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. 🚀