Descobre como os mapas de caraterísticas alimentam os modelos Ultralytics YOLO , permitindo a deteção precisa de objectos e aplicações avançadas de IA, como a condução autónoma.
Os mapas de caraterísticas são resultados fundamentais gerados pelas camadas de uma rede neural convolucional (CNN), em especial as camadas convolucionais. Representam caraterísticas aprendidas ou padrões detectados nos dados de entrada, como uma imagem. Pensa neles como versões filtradas da entrada, em que cada mapa destaca a presença e a localização de uma caraterística específica - como arestas, cantos, texturas ou formas mais complexas - que a rede considera importante para a tarefa em questão, como deteção de objectos ou classificação de imagens.
Numa arquitetura típica de CNN, a imagem de entrada passa por uma série de camadas. As primeiras camadas, mais próximas da entrada, tendem a produzir mapas de caraterísticas que captam caraterísticas simples e de baixo nível (por exemplo, linhas horizontais, contrastes de cores simples). medida que os dados fluem mais profundamente na rede, as camadas subsequentes combinam estas caraterísticas simples para construir representações mais complexas e abstractas. Os mapas de caraterísticas em camadas mais profundas podem destacar partes de objectos (como rodas num carro ou olhos num rosto) ou mesmo objectos inteiros. Este processo hierárquico permite que a rede aprenda progressivamente padrões complexos. Podes aprender mais sobre os conceitos fundamentais em recursos como as notas do curso CS231n de Stanford sobre CNNs.
Os mapas de caraterísticas são gerados através de uma operação matemática denominada convolução. Durante este processo, uma pequena matriz conhecida como filtro (ou kernel) desliza pelos dados de entrada (ou pelo mapa de caraterísticas da camada anterior). Em cada posição, o filtro efectua uma multiplicação por elementos com o fragmento sobreposto da entrada e soma os resultados para produzir um único valor no mapa de caraterísticas de saída. Cada filtro é concebido ou aprendido para detetar um padrão específico. Uma camada convolucional utiliza normalmente vários filtros, cada um produzindo o seu próprio mapa de caraterísticas, captando assim um conjunto diversificado de caraterísticas da entrada. Ferramentas como o OpenCV oferecem funcionalidades para visualizar e compreender as operações de filtragem de imagens. O backbone da rede é o principal responsável pela geração desses ricos mapas de caraterísticas.
Os mapas de caraterísticas são a pedra angular da forma como as CNNs efectuam a extração automática de caraterísticas, eliminando a necessidade de engenharia manual de caraterísticas que era comum na visão computacional tradicional. A qualidade e a relevância das caraterísticas captadas nestes mapas têm um impacto direto no desempenho do modelo. Em modelos de deteção de objectos como o Ultralytics YOLOos mapas de caraterísticas gerados pelo backbone são frequentemente processados por uma estrutura de "pescoço" antes de serem transmitidos à cabeça de deteção. A cabeça de deteção utiliza então estes mapas de caraterísticas refinados para prever os resultados finais: caixas delimitadoras que indicam a localização dos objectos e probabilidades de classe que identificam os objectos. A eficácia destas caraterísticas contribui significativamente para alcançar uma elevada exatidão e precisão média (mAP).
A capacidade dos mapas de caraterísticas para representar hierarquicamente dados complexos torna-os vitais em numerosas aplicações de IA:
Compreender os mapas de caraterísticas dá-te uma ideia do funcionamento interno de modelos poderosos como o YOLOv8permitindo que os programadores utilizem melhor plataformas como o Ultralytics HUB para criar soluções sofisticadas de IA. Uma exploração mais aprofundada dos conceitos de aprendizagem profunda pode proporcionar uma compreensão mais alargada destes mecanismos.
PT
EN
ZH
KO
JA
RU
DE
FR
ES
IT
AR
TR
VI
