Aprendizado Profundo (DL)

A aprendizagem profunda (AP) é um subconjunto transformador da aprendizagem automática (ML) que permite aos computadores aprender com a experiência e compreender o mundo em termos de uma hierarquia de conceitos. Inspirada na estrutura biológica estrutura biológica do cérebro humano, a DL utiliza arquitecturas complexas e multicamadas conhecidas como redes neurais (NN) para processar grandes quantidades de dados. Ao contrário dos algoritmos tradicionais, que frequentemente requerem intervenção humana para definir regras, os modelos de DL automaticamente realizam automaticamente a extração de caraterísticas, identificando identificando padrões intrincados que vão desde simples arestas numa imagem até significados semânticos complexos num texto. Esta capacidade faz do DL o motor por detrás de muitos avanços modernos em Inteligência Artificial (IA), particularmente em domínios como Visão por computador (CV) e Processamento de linguagem natural (PNL).

Como o Deep Learning Funciona

O "profundo" em Aprendizagem Profunda refere-se ao número de camadas ocultas dentro da rede neural. Enquanto uma rede simples simples pode ter uma ou duas camadas, os modelos profundos podem ter dezenas ou mesmo centenas. Cada camada é constituída por nós, ou neurónios, que processam os dados de entrada utilizando pesos do modelo e uma função de ativação, como ReLU ou Sigmoid. Durante a fase de treino, o modelo é exposto a conjuntos de dados conjuntos de dados rotulados, e ajusta os seus parâmetros internos para minimizar os erros.

Este ajuste é conseguido através de um processo chamado backpropagation, que calcula o gradiente da da função de perda. Um algoritmo de otimização, tipicamente descida de gradiente, actualiza os pesos para melhorar a precisão. Ao longo de muitas iterações, ou épocas, a rede aprende a mapear as entradas para as saídas com elevada precisão, "aprendendo" efetivamente com os dados de treino.

Aprendizagem profunda vs. Aprendizagem automática

Embora o DL seja uma parte do ML, os dois diferem significativamente na sua abordagem aos dados. Os métodos tradicionais de ML dependem frequentemente na engenharia manual de caraterísticas, em que os especialistas do domínio devem selecionar e formatar explicitamente as caraterísticas que o modelo deve analisar. Por exemplo, no reconhecimento de imagem, um perito pode escrever código para detect arestas ou cantos.

Em contrapartida, os modelos de aprendizagem profunda aprendem estas caraterísticas automaticamente. A uma rede neural convolucional (CNN), uma arquitetura DL comum, pode aprender a detect arestas na primeira camada, formas na segunda e objectos reconhecíveis objectos reconhecíveis, como carros ou rostos, nas camadas mais profundas. Isto elimina a necessidade de extração manual de caraterísticas e permite que a DL seja escalável de forma eficaz com os grandes volumes de dados.

Aplicações no Mundo Real

A versatilidade da Aprendizagem Profunda levou à sua adoção em vários sectores.

1. Veículos autónomos: Os veículos autónomos dependem da DL para a perceção em tempo real. Modelos como Ultralytics YOLO11 são utilizados para deteção de objectos para identificar peões veículos e sinais de trânsito instantaneamente. Esta aplicação ajuda a tomar decisões críticas para uma navegação segura, um componente essencial da IA no sector automóvel.
2. Análise de imagens médicas: No sector da saúde, a DL ajuda os médicos a analisar os exames médicos com elevada sensibilidade. Os algoritmos podem facilitar deteção de tumores em ressonâncias magnéticas ou identificar a retinopatia diabética em exames oftalmológicos, muitas vezes igualando ou excedendo o desempenho humano. Para mais pormenores, veja como a DL transforma a IA nos cuidados de saúde.

Implementação com Ultralytics

A implementação de um modelo de Deep Learning para inferência é simples com bibliotecas modernas. Abaixo está um exemplo de usando um modelo YOLO11 pré-treinado para detect objetos em uma imagem.

from ultralytics import YOLO

# Load a pretrained YOLO11 model (a deep learning architecture)
model = YOLO("yolo11n.pt")

# Run inference on a source image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results
results[0].show()

Ferramentas e Ecossistema

O desenvolvimento de modelos de DL requer estruturas de software e hardware robustos.

• Estruturas: As bibliotecas de código aberto mais populares são PyTorchdesenvolvida pela Meta, e TensorFlowcriado pela Google. Estas plataformas fornecem os blocos de construção para conceber e treinar redes neuronais.
• Hardware: O treino de redes profundas envolve cálculos matriciais pesados, que são acelerados utilizando GPUs. Hardware de fabricantes como a NVIDIA é padrão para um processamento eficiente.
• Plataformas: A futura plataforma Ultralytics oferecerá um ambiente abrangente para gerir todo o ciclo de vida do DL, desde a anotação de conjuntos de dados até implantação de modelos, simplificando o fluxo de trabalho para desenvolvedores e empresas.

Para uma compreensão mais ampla do campo, recursos como a Documentação de aprendizagem profunda do MIT e guia da IBM para IA fornecem uma excelente leitura.