Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/35308
Título: | Detecção de mamíferos em ambientes de mata utilizando YOLO |
Título(s) alternativo(s): | Mammal detection in forest environments using YOLO |
Autor(es): | Oliveira, Igor Lara de |
Orientador(es): | Foleis, Juliano Henrique |
Palavras-chave: | Redes neurais (Computação) Animais silvestres Aprendizado do computador Neural networks (Computer science) Forest animals Machine learning |
Data do documento: | 26-Ago-2024 |
Editor: | Universidade Tecnológica Federal do Paraná |
Câmpus: | Campo Mourao |
Citação: | OLIVEIRA, Igor Lara de. Detecção de mamíferos em ambientes de mata utilizando YOLO. 2024. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Universidade Tecnológica Federal do Paraná, Campo Mourão, 2024. |
Resumo: | A biodiversidade do planeta Terra está ameaçada frente aos diversos desafios ambientais enfrentados na atualidade. Uma das ferramentas que biólogos utilizam para quantificar a biodiversidade é o monitoramento de animais selvagens em seu habitat por meio de gravações por armadilhas fotográficas. Estas armadilhas acionam a captura de vídeos quando algum movimento é detectado nas imediações do campo de visão da câmera. Estas gravações podem apresentar vários falsos positivos de aparições de animais, uma vez que vários outros fatores naturais podem implicar em movimentos, como o vento, por exemplo. A detecção de objetos em imagens ou vídeos através de sistemas inteligentes tem sido um tema de crescente interesse nos últimos anos. Técnicas de machine learning e deep learning tem apresentado bom desempenho para a detecção de objetos em diversas áreas. Com base nisso, este trabalho utiliza técnicas de deep learning utilizando as versões 3, 5 e 9 da rede neural convolucional YOLO para a detecção de animais em ambientes de mata. A versão YOLOv5, com batch de tamanho 32, demonstrou o melhor desempenho, atingindo F1-Score de 96,48%. Também foi desenvolvido de um aplicativo para facilitar o uso dos modelos por biólogos. |
Abstract: | The Earth’s biodiversity is increasingly threatened by various environmental challenges. To monitor and quantify biodiversity, biologists often use camera traps that record wildlife in their natural habitats, capturing videos when movement is detected within the camera’s range. However, these recordings frequently result in false positives, as factors like wind can trigger motion detection. In recent years, the use of intelligent systems for object detection in images and videos has gained significant attention, with machine learning and deep learning techniques showing strong performance across multiple fields. This study leverages deep learning, specifically using versions 3, 5, and 9 of the YOLO convolutional neural network, to detect animals in forest environments. Among these, the YOLOv5 model, with a batch size of 32, achieved the best results, boasting an F1-Score of 96.48%. Additionally, an application was developed to make these models more accessible to biologists. |
URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/35308 |
Aparece nas coleções: | CM - Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
deteccaomamiferosmarayolo.pdf | 14,37 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons