Navegando por Assunto "Object detection"
Agora exibindo 1 - 2 de 2
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Arte acessível: uma análise comparativa de algoritmos de detecção de obras de arte(2025-07-17) FERREIRA, Marcus Vinícius Carvalho; MEDEIROS, Iago Lins de; http://lattes.cnpq.br/7024608706674939; https://orcid.org/0000-0003-4758-0519A visão computacional tem se mostrado uma ferramenta promissora no desenvolvimento de tecnologias assistivas, especialmente para promover acessibilidade a pessoas com deficiência visual. Este trabalho propõe a análise comparativa de algoritmos de detecção de objetos com foco na identificação de obras de arte pintadas, utilizando redes neurais convolucionais. Foram avaliados os modelos YOLOv8, YOLOv11, RetinaNet e Faster R-CNN quanto à sua eficácia e viabilidade em dispositivos móveis. O dataset utilizado foi criado a partir da coleta automatizada de imagens da internet, envolvendo obras consagradas como Mona Lisa, Meisje met de Parel e The Starry Night. As imagens foram rotuladas manualmente com o auxílio da ferramenta LabelImg. Os modelos foram treinados e avaliados com base em métricas como precisão média (mAP), recall, tempo de inferência e consumo de recursos computacionais. Os resultados demonstraram que os modelos da família YOLO, especialmente o YOLOv8, obtiveram o melhor equilíbrio entre desempenho e eficiência, atingindo mAP de 0,992 e recall de 0,987. Além disso, apresentaram menor tempo de inferência, o que os torna particularmente adequados para aplicações em tempo real e em dispositivos com recursos limitados. A pesquisa contribui para o avanço de soluções acessíveis no campo da arte e inclusão digital, demonstrando o potencial da inteligência artificial como aliada da acessibilidade cultural.Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Avaliação de modelos de detecção de objetos na identificação de doenças pulmonares e cardíacas em imagens de raio-x torácicos(2024-10-04) PEREIRA, Lucas Vitor Loch; PINHEIRO, Daniel da Conceição; http://lattes.cnpq.br/2970581734279237As doenças pulmonares e cardíacas representam um dos maiores desafios à saúde pública, sendo responsáveis por uma significativa taxa de mortalidade global, cenário que foi ainda mais agravado pela pandemia de COVID-19, que evidenciou a importância de diagnósticos precoces e precisos. Nesse contexto, a radiografia torácica destaca-se como um dos métodos mais eficazes para a detecção dessas patologias, pois permite uma análise detalhada da caixa torácica, pulmões e coração, fornecendo informações cruciais para o diagnóstico e acompanhamento clínico. Este trabalho propõe uma análise comparativa entre quatro modelos de detecção de objetos — YOLOv5, YOLOv8, Faster R-CNN e RetinaNet — com o objetivo de avaliar qual deles apresenta o melhor desempenho em precisão e sensibilidade na identificação de doenças pulmonares e cardíacas em imagens de raio-X torácico. A pesquisa examina as características específicas de cada modelo, considerando a eficácia na identificação de diversas patologias, como atelectasia, cardiomegalia, efusão, infiltração e pneumonia, e explora as métricas de avaliação, como precisão, sensibilidade e taxa de falsos positivos, para determinar qual modelo se destaca na prática clínica. Os resultados esperados visam contribuir para o avanço da detecção automatizada dessas doenças, oferecendo uma base sólida para a implementação de tecnologias de inteligência artificial em ambientes clínicos, com o intuito de melhorar a acurácia dos diagnósticos e, consequentemente, os desfechos dos pacientes.