Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/38128| Título: | Reconhecimento de produtos de supermercados utiizando modelos de detecção de objetos com dados de imagens sintéticas |
| Título(s) alternativo(s): | Recognition of products on supermarket shelves using object detection models with synthetic data |
| Autor(es): | Souza, Mike Gonçalves |
| Orientador(es): | Naves, Thiago França |
| Palavras-chave: | Redes neurais (Computação) Aprendizado do computador Métodos orientados a objetos (Computação) Neural networks (Computer science) Machine learning Object-oriented methods (Computer science) |
| Data do documento: | 26-Jun-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Santa Helena |
| Citação: | SOUZA, Mike Gonçalves. Reconhecimento de produtos de supermercados utilizando modelos de detecção de objetos com dados de imagens sintéticas. 2025. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Santa Helena, 2025. |
| Resumo: | Este trabalho tem como objetivo treinar um modelo de detecção de objetos para reconhecimento de produtos de supermercado utilizando exclusivamente dados sintéticos, eliminando a necessidade de anotação manual, e investigar o impacto da randomização de domínio na capacidade de generalização do modelo para imagens reais. Os modelos 3D dos produtos foram obtidos por fotogrametria com o aplicativo Polycam e refinados no Blender. A geração dos renders e das anotações foi automatizada por meio da API Python do Blender, possibilitando a criação de um dataset completo. Foram avaliadas duas estratégias de geração dos dados sintéticos: uma com foco em realismo visual e outra baseada em randomização de domínio. O modelo de detecção utilizado foi o YOLO11, sendo treinadas três versões: uma com dados realistas, outra com dados da estratégia de randomização e uma terceira com uma combinação de ambas. Os resultados demonstraram que o modelo treinado com dados gerados via randomização de domínio apresentou melhor desempenho em imagens reais, indicando maior capacidade de generalização |
| Abstract: | This work aimed to train an object detection model for recognizing supermarket products using exclusively synthetic data, eliminating the need for manual annotation, and to investigate the impact of domain randomization on the model’s generalization capability to real images. The 3D models of the products were obtained through photogrammetry using the Polycam application and refined in Blender. The rendering and annotation processes were automated via Blender’s Python API, enabling the creation of a complete dataset. Two synthetic data generation strategies were evaluated: one focused on visual realism and the other based on domain randomization. The detection model used was YOLO11, and three versions were trained: one with realistic data, another with randomized data, and a third with a combination of both. The results showed that the model trained with data generated through domain randomization achieved better performance on real images, indicating a greater generalization capability |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/38128 |
| Aparece nas coleções: | SH - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| reconhecimentoprodutosdeteccaoimagens.pdf | 28,36 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
