Modelos
Introdução
Este projeto visa a implementação e otimização de modelos de detecção de objetos utilizando a arquitetura YOLOv8, com o objetivo de rodar eficientemente em um Raspberry Pi 5. Considerando as limitações de hardware do Raspberry Pi, optamos por converter os modelos treinados para os formatos TFLite e ONNX, garantindo a viabilidade de execução no dispositivo.
Estrutura do Projeto
O projeto foi dividido em duas etapas principais:
-
Treinamento e Avaliação do Modelo:
- Utilizamos o modelo YOLOv8 para treinar em um dataset específico de árvores.
- Avaliação do desempenho do modelo em relação à precisão de detecção e eficiência de bounding boxes.
- Verificação da robustez do modelo ao utilizar diferentes tamanhos e posições de árvores nas imagens.
-
Conversão e Otimização do Modelo:
- Conversão do modelo YOLOv8 para os formatos TFLite e ONNX, adequados para execução em dispositivos com baixa capacidade de processamento, como o Raspberry Pi 5.
- Realização de testes de inferência para validar a precisão e eficiência do modelo convertido.
- Implementação de técnicas de supressão de não-máximos (NMS) para otimizar as detecções de bounding boxes.
Estratégias de Treinamento
Treinamento com YOLOv8
O YOLOv8 foi escolhido pela sua capacidade de detecção rápida e precisa, com uma arquitetura eficiente que pode ser ajustada para modelos leves, ideal para dispositivos de borda. No treinamento, consideramos:
-
Dataset: Um dataset customizado com imagens de árvores, focado em diferentes ambientes e densidades de árvores. Dataset - Tree-Top-View.
-
Configuração do Modelo: Ajustamos hiperparâmetros como taxa de aprendizado e tamanhos de lote para otimizar o desempenho em hardware limitado.
-
Avaliação: Implementamos técnicas de visualização de bounding boxes para validar a performance em diferentes cenários antes da conversão.
| Result - 1 | Result - 2 |
|---|---|
 |  |
Conversão para TFLite e ONNX
Dada a necessidade de rodar os modelos em um Raspberry Pi 5, a conversão para TFLite e ONNX foi um passo crucial. A estratégia de conversão envolveu:
- TFLite: A conversão para TensorFlow Lite permite que o modelo seja executado eficientemente no Raspberry Pi, aproveitando as otimizações de quantização que reduzem o tamanho do modelo e a latência de inferência.
- ONNX: A conversão para ONNX garante que o modelo possa ser utilizado em diferentes frameworks e dispositivos, oferecendo flexibilidade adicional.
| ONNX | TFLite |
|---|---|
 |  |
Desempenho no Raspberry Pi 5
Apesar de não termos realizado testes oficiais, tinhamos em mente o próximo passo, o desempenho do modelo em um Raspberry Pi 5, focamos nos seguintes pontos:
- Eficiência Computacional: A conversão e quantização do modelo para TFLite "garantem" que ele possa ser executado dentro das limitações de CPU e memória do Raspberry Pi.
- Avaliação Pós-conversão: Testes extensivos foram realizados para verificar se o modelo convertido mantém uma precisão aceitável e se o tempo de inferência está dentro dos limites esperados para aplicações em tempo real. Nesse primeiro momento, estamos satisfeitos e prontos para testes no dispositivo.
Resultados e Justificativas
- Desempenho do Modelo: O modelo treinado apresentou uma precisão elevada durante o treinamento, 62%, e os testes pós-conversão mostraram que o modelo manteve uma performance robusta.
- Escolha de Arquitetura: A arquitetura YOLOv8 foi justificada pela sua eficiência e capacidade de ser adaptada para versões leves, como as necessárias para rodar em um Raspberry Pi.
- Conversão para TFLite e ONNX: A decisão de converter para esses formatos foi crucial para garantir que o modelo pudesse rodar eficientemente no Raspberry Pi, mantendo a precisão e reduzindo o tempo de inferência.
Conclusão
Esta parte do projeto demonstrou a viabilidade de treinar e converter modelos de detecção de objetos de alta precisão, como o YOLOv8, para serem executados eficientemente em dispositivos de baixa capacidade de processamento como o Raspberry Pi 5. As estratégias adotadas garantiram que o modelo mantivesse um desempenho robusto, mesmo após a conversão para formatos mais leves como TFLite e ONNX.