Visualização de dados

Conceitos e técnicas fundamentais

O principal objetivo da visualização de dados é apresentar os dados de forma clara e facilitar a sua compreensão. Isto é conseguido através de vários métodos gráficos, incluindo:

• Gráficos de barras: Compara quantidades em diferentes categorias.
• Gráficos de linhas: Mostra tendências ao longo do tempo ou intervalos contínuos.
• Gráficos de dispersão: Revela relações e correlações entre duas variáveis numéricas.
• Mapas de calor: Apresenta dados de matriz em que os valores são representados por intensidade de cor, frequentemente utilizados para matrizes de correlação ou para visualizar a ativação em redes neurais. Vê o guiaUltralytics sobre mapas de calor.
• Histogramas: Mostra a distribuição de uma única variável numérica.
• Gráficos de caixa: Resume a distribuição de dados através de quartis.

A escolha da técnica de visualização correta depende muito do tipo de dados e da informação específica que se pretende transmitir. Uma visualização eficaz também requer uma consideração cuidadosa dos elementos de design, como paletas de cores, escala, eixos e etiquetas, para garantir uma representação exacta sem induzir o espetador em erro. Bibliotecas Python populares como Matplotlib e Seaborn fornecem ferramentas poderosas para criar uma vasta gama de visualizações estáticas, animadas e interactivas normalmente utilizadas na ciência dos dados. Aderir aos princípios fundamentais da apresentação visual é fundamental para uma narrativa de dados com impacto.

Importância da IA e da aprendizagem automática

A visualização de dados é indispensável durante todo o ciclo de vida do projeto de IA/ML:

• Análise Exploratória de Dados (EDA): Antes da formação, as visualizações ajudam a compreender as caraterísticas do conjunto de dados. Traçar distribuições de caraterísticas ou visualizar amostras de conjuntos de dados como COCO ou Pascal VOC pode revelar desequilíbrios, outliers ou a necessidade de estratégias específicas de pré-processamento ou aumento de dados. Este passo é crucial para preparar os dados para modelos como o Ultralytics YOLO11.
• Monitorização do treino do modelo: A visualização de métricas como a perda e a precisão ao longo das épocas de treino é vital. Ferramentas como o TensorBoard ou plataformas como o Ultralytics HUB fornecem painéis de controlo para monitorizar o progresso do treino em tempo real. Estes gráficos ajudam a identificar questões como sobreajuste, subajuste ou problemas de convergência, orientando os ajustes aos hiperparâmetros.
• Avalia o desempenho do modelo: As visualizações são fundamentais para avaliar os resultados do modelo. As matrizes de confusão fornecem uma análise detalhada dos erros de classificação, enquanto as curvas Precisão-Recall e as curvas ROC ajudam a avaliar o desempenho da classificação binária em diferentes limiares. Compreender estas métricas de desempenhoYOLO é essencial.
• Interpretar modelos complexos: As técnicas de IA explicável (XAI) baseiam-se frequentemente na visualização. Métodos como traçar a importância das caraterísticas, visualizar mapas de ativação em Redes Neuronais Convolucionais (CNN) ou mapas de atenção em Transformers ajudam a compreender porque é que um modelo faz determinadas previsões. A visualização de caixas delimitadoras ou máscaras de segmentação sobrepostas em imagens mostra claramente os resultados do modelo para tarefas de visão por computador.

Aplicações de IA/ML do mundo real

1. Análise de imagens médicas: Na IA dos cuidados de saúde, a visualização ajuda a interpretar exames médicos complexos. Um modelo de deteção de objectos treinado num conjunto de dados como o conjunto de dados de Tumores Cerebrais pode produzir caixas delimitadoras que identificam potenciais anomalias. A visualização destas caixas sobrepostas diretamente em exames de ressonância magnética ou de tomografia computorizada permite aos radiologistas avaliar rapidamente as conclusões do modelo, ajudando no diagnóstico. Além disso, a visualização de grupos de resultados de doentes com base em caraterísticas de imagem pode ajudar a identificar subtipos de doenças. A IA nos cuidados de saúde depende em grande medida deste tipo de ajudas visuais. Podes explorar outras aplicações no Instituto Nacional de Imagem Biomédica e Bioengenharia (NIBIB).
2. Desenvolvimento de veículos autónomos: Os sistemas de veículos autónomos processam grandes quantidades de dados de sensores. A visualização é utilizada extensivamente durante o desenvolvimento e os testes. Os engenheiros visualizam nuvens de pontos LiDAR, assinaturas de radar e imagens de câmaras numa simulação 3D do ambiente. Os objectos detectados (carros, peões, ciclistas) identificados por modelos como YOLO são frequentemente apresentados com caixas delimitadoras, trajectórias de seguimento e pontuações de confiança, permitindo aos programadores verificar a precisão e a segurança do sistema de perceção em vários cenários. Vê exemplos de soluções de IA no sector automóvel e aprende sobre as abordagens da indústria de empresas como a Mobileye.

Distingue os termos relacionados

• Análise de dados: Este é um campo mais vasto que envolve todo o processo de inspeção, limpeza, transformação e modelação de dados para descobrir informações úteis e apoiar a tomada de decisões. A visualização de dados é um componente ou ferramenta utilizada na análise de dados para apresentar resultados ou explorar dados, mas a análise também inclui modelação estatística, testes de hipóteses e outros métodos não visuais. Sabe mais sobre os fundamentos da análise de dados.
• Processamento de imagens: Este campo centra-se na manipulação de imagens digitais para as melhorar ou extrair informações diretamente dos dados de píxeis (por exemplo, filtragem, deteção de margens, ajuste de contraste). Embora a visualização possa envolver a apresentação de imagens, a visualização de dados em IA/ML trata frequentemente da representação de dados abstractos (como métricas de desempenho de modelos ou relações de caraterísticas) ou da sobreposição de interpretações de modelos (como detecções) em imagens, em vez de transformar as próprias imagens. Lê sobre as diferenças nesta publicação do blogue Visão computacional vs Processamento de imagem.
• Análise Exploratória de Dados (EDA): A EDA é o processo de análise de conjuntos de dados para compreender as suas principais caraterísticas, utilizando frequentemente métodos visuais. As técnicas de visualização de dados são as principais ferramentas utilizadas durante a AED para descobrir padrões, detetar anomalias, testar hipóteses e verificar pressupostos. O guia sobre o pré-processamento de dados anotados aborda conceitos de AED relevantes para conjuntos de dados de visão computacional.