Resultados de Testes
Durante o desenvolvimento deste projeto, nossa equipe focou em criar uma solução eficiente para a contagem automatizada de árvores, utilizando técnicas avançadas de aprendizado de máquina. A partir da Sprint 4, aprendemos a selecionar e propor testes de desempenho que nos permitiram identificar melhorias e detectar falhas em nossa abordagem. O objetivo principal era otimizar a precisão da contagem e a detecção das árvores, bem como avaliar o desempenho computacional dos modelos escolhidos.
Abaixo, apresentamos uma tabulação dos resultados dos modelos testados, juntamente com uma análise de sua performance com base em critérios de qualidade estabelecidos.
Critérios de Qualidade e Resultados Esperados
Para garantir que os modelos selecionados atendessem às necessidades do projeto, estabelecemos os seguintes critérios de qualidade:
-
Precisão da Contagem de Árvores: Medida pela proporção entre o número de árvores detectadas corretamente e o número real de árvores no dataset. Buscamos uma precisão acima de 0.90, para garantir confiabilidade na detecção em larga escala.
-
Detecção de Árvores (Quantidade): Verificação da quantidade de árvores detectadas por cada modelo, comparando o desempenho em relação ao mesmo conjunto de dados.
-
Desempenho Computacional: Avaliação do consumo de memória dos modelos durante a execução. O objetivo é identificar soluções que ofereçam alto desempenho com consumo de recursos otimizado, sendo preferível modelos com menor impacto no uso de memória, especialmente para ambientes embarcados ou em nuvem.
Resultados dos Testes
Abaixo, apresentamos os resultados obtidos para dois modelos principais utilizados para a contagem de árvores: YOLO e DeepForest.
| Métricas | YOLO | DeepForest |
|---|---|---|
| Precisão da Contagem de Árvores | 0.36 | 0.97 |
| Detecção de Árvores (Quantidade) | 34 | 70 |
| Desempenho Computacional (Uso de Memória) | 1.2GB | 527.1MB |
Análise dos Resultados
-
Precisão da Contagem de Árvores: O modelo DeepForest apresentou uma precisão significativamente superior à do YOLO, atingindo 0.97, próximo do valor ideal esperado. Isso indica que o modelo é muito mais eficaz na detecção correta de árvores em imagens de satélites e drones, o que o torna a melhor escolha para o nosso projeto.
-
Detecção de Árvores (Quantidade): O DeepForest também foi capaz de detectar um número maior de árvores no mesmo conjunto de dados (70 árvores) em comparação ao YOLO (34 árvores). Este desempenho superior é crucial para garantir que áreas florestais extensas sejam monitoradas de forma mais detalhada e precisa.
-
Desempenho Computacional: O DeepForest não só apresentou melhores resultados em termos de precisão e quantidade de árvores detectadas, como também teve um desempenho computacional mais eficiente, utilizando 527.1MB de memória comparado a 1.2GB consumidos pelo YOLO. Isso o torna uma solução mais viável para ser implementada em sistemas com restrições de recursos, como embarcados ou nuvens de baixo custo.
Conclusão
A partir dos testes realizados, o modelo DeepForest mostrou-se superior ao YOLO em todos os critérios estabelecidos: precisão, quantidade de detecções e eficiência computacional. Essa solução se mostrou ideal para o projeto de contagem automatizada de árvores, sendo robusta o suficiente para ser utilizada em ambientes reais, especialmente em áreas extensas de monitoramento florestal.
Com base nos resultados, recomendamos fortemente o uso do DeepForest como a solução padrão para a contagem de árvores em nosso sistema, devido ao seu desempenho otimizado e capacidade de gerar resultados confiáveis.
Próximos Passos
- Otimização do modelo: Embora o DeepForest tenha atendido aos critérios esperados, futuras otimizações podem ser feitas para melhorar ainda mais o desempenho computacional.
- Implementação em tempo real: Integrar a solução com uma interface em tempo real para facilitar o monitoramento e análise das áreas florestais.
- Escalabilidade: Expandir o modelo para áreas maiores e introduzir mais variáveis para aumentar a acurácia em diferentes tipos de vegetação.