Faça o upload de uma imagem para começar a detecção.
PreviDengue
Visão Geral da IA: YOLO
A tecnologia YOLO (You Only Look Once) revoluciona a detecção de objetos ao processar imagens e vídeos em tempo real. Entenda como ela identifica, localiza e classifica objetos com precisão e velocidade.
O Conceito: Você Só Olha Uma Vez
Diferente de métodos tradicionais que analisam a imagem em várias etapas para encontrar e classificar objetos, o YOLO inova ao fazer a detecção em uma única passagem. O modelo divide a imagem em uma grade e, para cada célula, prevê simultaneamente a existência de objetos, suas localizações (caixas delimitadoras) e as classes a que pertencem. Isso permite um processamento extremamente rápido, ideal para aplicações em tempo real.
Esta imagem ilustra o resultado da detecção em uma única passagem, com as caixas delimitadoras e as classes de objetos aplicadas diretamente.
Velocidade Extrema
Capaz de processar dezenas de frames por segundo, tornando-se perfeito para vídeos e robótica.
Visão Holística
O modelo 'vê' a imagem inteira de uma só vez, o que reduz erros de contexto.
Arquitetura do Modelo
A estrutura do YOLO é dividida em três partes principais que trabalham em conjunto para uma detecção eficiente.
Backbone
Extrai as características essenciais da imagem.
Neck
Combina características de diferentes escalas para melhorar a detecção.
Head
Gera as previsões finais de caixas e classes.
Estrutura do Dataset
Para treinar o YOLO, o dataset consiste em imagens acompanhadas por arquivos de anotação que descrevem a localização e a classe de cada objeto.
| Campo | Tipo | Exemplo | Descrição |
|---|---|---|---|
| image_path | string | "car_01.jpg" | Localização do arquivo de imagem. |
| class_id | int | 2 | ID numérico da classe do objeto. |
| bbox_x | float | 0.51 | Coordenada X do centro da caixa. |
| bbox_y | float | 0.78 | Coordenada Y do centro da caixa. |
| bbox_width | float | 0.12 | Largura normalizada da caixa. |
| bbox_height | float | 0.25 | Altura normalizada da caixa. |
Métricas de Avaliação
A precisão do YOLO é medida por métricas que combinam a localização e a classificação dos objetos.
95.1%
Excelente
mAP (Mean Average Precision)
A métrica principal. Avalia a precisão média de detecção do modelo para todas as classes.
0.89
Excelente
IoU (Intersection over Union)
Mede a sobreposição entre a caixa prevista e a caixa real. Um valor alto indica uma localização precisa.
97%
Ótimo
Confiança da Classe
A certeza do modelo de que o objeto detectado pertence a uma classe específica. Valores próximos de 100% são ideais.
Aplicações Práticas
A velocidade e precisão do YOLO o tornam essencial em diversas áreas que exigem análise visual em tempo real.
Veículos Autônomos
Identificação de pedestres, carros, semáforos e placas de trânsito para navegação segura.
Varejo e Indústria
Controle de estoque, análise de prateleiras e automação de linhas de produção.
Segurança e Vigilância
Monitoramento de multidões, detecção de atividades suspeitas e identificação de objetos.
Desempenho da IA no Treinamento
Curva de erro durante o processo de treinamento e validação, mostrando a melhoria da precisão do modelo ao longo das épocas.