Arte acessível: uma análise comparativa de algoritmos de detecção de obras de arte

A 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.