Junta-te a nós e revê a apresentação de David Scott em YOLO Vision 2024 sobre a análise comportamental baseada em IA e as suas aplicações no mundo real em sectores como a criação de animais.
%202.png)
Durante muitos anos, as inovações da visão computacional centraram-se em tarefas como a deteção de objectos - identificar objectos como um cão ou um carro em imagens e vídeos. Estas abordagens permitiram aplicações em áreas como os veículos autónomos, a produção e os cuidados de saúde.
No entanto, estas tarefas centram-se frequentemente apenas na identificação de um objeto. E se os sistemas de IA de visão pudessem dar um passo em frente? Por exemplo, em vez de simplesmente detectarem um cão, digamos que podiam compreender que o cão está a perseguir uma bola ou que um carro está a travar subitamente porque um peão está a atravessar. Esta passagem do reconhecimento básico para a compreensão contextual representa uma grande mudança para uma IA comportamental mais inteligente e consciente do contexto.
No YOLO Vision 2024 (YV24), o evento híbrido anual da Ultralyticsque celebra os avanços na IA de visão, o conceito de análise comportamental orientada para a IA foi o centro das atenções durante uma interessante palestra de David Scott, CEO da The Main Branch.
Na sua palestra, David explorou a transição das tarefas básicas de visão por computador para o rastreio comportamental. Com mais de 25 anos de experiência na criação de aplicações tecnológicas de ponta, mostrou o impacto deste salto. Salientou a forma como a descodificação de padrões e comportamentos está a remodelar indústrias como a agricultura e o bem-estar animal.
Neste artigo, vamos analisar os destaques da palestra de David e explorar como o rastreio comportamental torna a IA mais prática.
David Scott começou a sua apresentação com uma ousada constatação da realidade e disse: "Um colega meu diz muitas vezes: 'A ciência não vende', o que ofende muitos de nós aqui, porque gostamos muito de ciência. A IA é muito fixe - porque é que as pessoas não a comprariam? Mas a realidade é que as pessoas não a querem comprar só porque achamos que é fixe; precisam de uma razão para a comprar".
Continua e explica que na sua empresa, The Main Branch, o foco está sempre na resolução de problemas reais com IA, e não apenas em mostrar as suas capacidades. Muitos clientes chegam querendo falar sobre como podem usar a IA em geral, mas ele vê isso como uma abordagem retrógrada - é como ter uma solução sem um problema. Em vez disso, trabalha com clientes que apresentam desafios específicos para que possam criar soluções de IA que realmente façam a diferença.
David também partilhou que o seu trabalho vai muitas vezes além do simples reconhecimento de objectos numa cena. Detetar o que está lá é apenas o primeiro passo. O verdadeiro valor vem de descobrir o que fazer com essa informação e torná-la útil dentro da cadeia de valor maior.
Um passo vital para tornar a IA verdadeiramente útil é ir além das tarefas básicas de visão por computador, como a deteção de objectos, e utilizar esses conhecimentos para o rastreio comportamental. David salientou que a IA comportamental se concentra na compreensão de acções e padrões, e não apenas na identificação de objectos. Isto faz com que a IA seja capaz de reconhecer eventos significativos e fornecer informações acionáveis.
Dá o exemplo de um animal a rolar no chão, o que pode indicar uma doença. Embora as pessoas não possam vigiar um animal 24 horas por dia, os sistemas de vigilância orientados por IA com capacidades de controlo comportamental podem fazê-lo. Estas soluções podem monitorizar objectos continuamente, detetar comportamentos específicos, enviar um alerta e permitir uma ação atempada. Isto transforma os dados brutos em algo prático e valioso.
David também demonstrou que esta abordagem torna a IA não apenas interessante, mas verdadeiramente impactante. Ao abordar problemas reais, como monitorizar comportamentos e agir sobre eles, o rastreio comportamental pode tornar-se uma parte essencial das soluções de IA eficazes em vários sectores.
David Scott ilustrou então como o Ultralytics YOLOv8, um modelo de visão por computador, foi um avanço para os projectos de rastreio comportamental da sua equipa. Deu-lhes uma base sólida para detetar, classificar e seguir objectos. A sua equipa também deu um passo em frente e treinou o YOLOv8 para se concentrar na monitorização de comportamentos ao longo do tempo, tornando-o mais prático e útil para situações do mundo real.
Curiosamente, com o lançamento do Ultralytics YOLO11as soluções como as criadas pela The Main Branch podem tornar-se ainda mais fiáveis e precisas. Este último modelo oferece caraterísticas como maior precisão e processamento mais rápido que melhoram a sua capacidade de seguir comportamentos. Discutiremos isto com mais pormenor depois de compreendermos melhor as aplicações para as quais a IA comportamental pode ser utilizada.
A seguir, vamos explorar as soluções de que o David falou e a forma como a tecnologia de rastreio comportamental está a ser utilizada em aplicações do mundo real para resolver os desafios do dia a dia e ter um impacto significativo.
Em primeiro lugar, David partilhou um desafio empolgante que enfrentaram com um projeto chamado HerdSense, que envolvia a monitorização da saúde de milhares de vacas num enorme confinamento. O objetivo era seguir o comportamento de cada vaca para identificar potenciais problemas de saúde. Isto significava manter um olho em dezenas de milhares de animais ao mesmo tempo, e não era uma tarefa simples.
Para começar a resolver o problema de identificar cada vaca e seguir os seus comportamentos, a equipa de David realizou um workshop de dois dias para delinear todos os comportamentos possíveis que precisavam de monitorizar. Identificaram mais de 200 comportamentos no total.
Cada um dos 200 comportamentos dependia da capacidade de reconhecer com precisão as vacas individualmente, uma vez que todos os dados tinham de estar ligados a animais específicos. Uma das maiores preocupações era seguir as vacas quando se agrupavam em grupos, o que tornava difícil ver os animais individualmente.
A equipa de David desenvolveu um sistema de visão por computador para garantir que cada vaca era identificada de forma consistente, mesmo em situações complicadas. Conseguiram confirmar que à mesma vaca seria sempre atribuída a mesma identificação, mesmo que desaparecesse de vista, se misturasse com outras ou reaparecesse mais tarde.
Continuando, David apresentou outro projeto fascinante em que aplicaram técnicas semelhantes de rastreio comportamental para monitorizar cavalos. Neste projeto, a equipa de David não precisou de seguir as identificações individuais dos cavalos tão de perto como fez com as vacas. Em vez disso, concentraram-se em comportamentos específicos e seguiram pormenores como padrões alimentares e níveis gerais de atividade para detetar quaisquer problemas de saúde numa fase inicial. A identificação de pequenas alterações de comportamento pode levar a intervenções mais rápidas para prestar melhores cuidados e evitar problemas antes que se tornem graves.
David também falou sobre a complexidade do rastreamento comportamental através de um exemplo intrigante. Enquanto pesquisava formas de melhorar a análise comportamental, a sua equipa deparou-se com uma empresa que afirmava detetar furtos em lojas através da análise de poses específicas, como a de alguém com a mão no bolso. No início, parecia uma ideia inteligente - certos movimentos poderiam sugerir um comportamento suspeito, certo?
No entanto, à medida que David explorava mais, apercebeu-se das limitações deste método. Uma única pose, como uma mão no bolso, não significa necessariamente que alguém está a roubar uma loja. Pode apenas indicar que está relaxado, a pensar ou mesmo com frio. O problema de se concentrar em poses isoladas é que ignora o contexto mais amplo. O comportamento não é apenas uma única ação - é um padrão de acções ao longo do tempo, moldado pelo contexto e pela intenção.
David salientou que o verdadeiro acompanhamento comportamental é muito mais complexo e requer uma abordagem holística. Trata-se de analisar sequências de acções e compreender o que significam num quadro mais amplo. Embora a indústria da IA esteja a dar passos em frente, observou que ainda há trabalho a fazer no avanço do rastreio comportamental para fornecer informações significativas e precisas.
Posteriormente, David levou a audiência aos bastidores para lhes mostrar como a sua equipa construiu uma solução de visão computacional para monitorizar a saúde das vacas com a ajuda do YOLOv8, e as suas capacidades de estimativa de pose.
Começaram por criar um conjunto de dados personalizado para a estimativa da pose de uma vaca, aumentando o número padrão de pontos-chave de 17 para 145 para tornar o modelo melhor na análise do movimento. Depois, o modelo foi treinado num enorme conjunto de dados com mais de 2 milhões de imagens e 110 milhões de exemplos de comportamento.
Utilizando uma infraestrutura de hardware avançada, a equipa de David conseguiu treinar o modelo em apenas dois dias, em vez das semanas que teria demorado com hardware convencional. O modelo treinado foi então integrado com um rastreador de comportamento personalizado que analisou vários quadros de vídeo simultaneamente para detetar padrões nas acções das vacas.
O resultado foi uma solução de visão orientada por IA que pode detetar e seguir oito comportamentos diferentes das vacas, como comer, beber e deitar-se, para detetar pequenas alterações comportamentais que possam sinalizar problemas de saúde. Isto permite que os agricultores actuem rapidamente e melhora a gestão do rebanho.
David terminou a sua palestra partilhando uma lição importante com o público: "Se não deres espaço à IA para falhar, estás a preparar-te para o fracasso porque, no fim de contas, é estatística." Salientou que a IA, apesar dos seus pontos fortes, não é perfeita. É uma ferramenta que aprende com padrões e haverá sempre alturas em que não acerta nas coisas. Em vez de temeres esses erros, a chave é construir sistemas que possam lidar com eles e continuar a melhorar ao longo do tempo.
O mesmo se aplica aos próprios modelos de visão por computador. Por exemplo, Ultralytics YOLO11 , a versão mais recente dos modelos Ultralytics YOLO , foi construído tendo em conta a necessidade de levar as coisas para o próximo nível em comparação com YOLOv8.
Em particular, o YOLO11 oferece um melhor desempenho, especialmente no que diz respeito a aplicações em tempo real em que a precisão é fundamental, como a agricultura e os cuidados de saúde. Com as suas funcionalidades avançadas, o YOLO11 está a redefinir a forma como as indústrias utilizam a IA, fornecendo informações inovadoras em tempo real e ajudando-as a enfrentar os desafios de forma mais eficaz.
A apresentação de David no YV24 foi um lembrete de que a IA é mais do que apenas uma inovação interessante - é uma ferramenta poderosa para resolver problemas reais e melhorar a forma como vivemos e trabalhamos. Ao centrar-se no comportamento, a IA já está a ter impacto em áreas como o acompanhamento da saúde animal e o reconhecimento de padrões significativos nas acções quotidianas.
O potencial da IA comportamental é empolgante, e estamos apenas no início. Ao transformar dados brutos em informações acionáveis, a IA comportamental passa da monitorização passiva para a resolução ativa de problemas. À medida que se desenvolve, a IA comportamental está preparada para tomar decisões mais inteligentes, simplificar processos e trazer melhorias significativas para as nossas vidas.
Mantém-te ligado à nossa comunidade para saberes mais sobre a IA e as suas aplicações no mundo real. Visita o nosso repositório GitHub para descobrires inovações em áreas como a IA na agricultura e a visão computacional no fabrico.
Começa a tua viagem com o futuro da aprendizagem automática
