YOLOv8 Ultralytics – Detecção de Objetos

    Nesta sprint, buscamos explorar um novo caminho: utilizar um único modelo capaz de detectar e classificar fissuras em imagens — distinguindo entre fissuras de retração e fissuras térmicas. Para isso, foi adotado o modelo YOLOv8, da Ultralytics, amplamente reconhecido por sua eficiência em tarefas de detecção de objetos.

1. Instalação de Dependências

!pip install ultralytics roboflow 

Instalação das bibliotecas necessárias:

• ultralytics: Biblioteca oficial para uso do YOLOv8, com suporte a detecção, segmentação e classificação.
• roboflow: Facilita a importação e gerenciamento de datasets anotados, especialmente os provenientes da plataforma Roboflow.

2. Importação de Bibliotecas

from ultralytics import YOLO
import os
import numpy as np
import cv2

Explicação das bibliotecas utilizadas:

• YOLO: Classe principal da Ultralytics para trabalhar com modelos YOLOv8.
• os: Permite manipulação de diretórios e arquivos.
• numpy: Biblioteca para cálculos numéricos, útil na manipulação de arrays de imagem.
• cv2: OpenCV para leitura, exibição e modificação de imagens.

3. Carregamento e Treinamento do Modelo

# Carrega um modelo pré-treinado
model = YOLO('yolov8n.pt')  # Também pode-se usar: 'yolov8s.pt', 'yolov8m.pt', 'yolov8l.pt', 'yolov8x.pt'

# Inicia o treinamento com parâmetros específicos
model.train(data='data/data.yaml', epochs=50, imgsz=640, batch=16)

Detalhes do processo:

• Carrega um modelo base treinado no COCO, adaptável ao seu dataset customizado.
• O treinamento é realizado com base nas anotações definidas no arquivo data.yaml, que especifica caminhos para os conjuntos de train, val e test.

Parâmetros:

• epochs=50: Número de ciclos completos de treinamento.
• imgsz=640: Redimensionamento das imagens de entrada para 640x640.
• batch=16: Número de imagens processadas simultaneamente.

4. Predição no Conjunto de Teste

from ultralytics import YOLO
import os
from pathlib import Path

# Carrega o modelo treinado
model = YOLO('../../../../../runs/detect/train/weights/best.pt')

# Diretório com imagens de teste
test_images_dir = Path('data/test/images')

# Loop pelas imagens
for image_file in test_images_dir.glob('*.jpg'):
    print(f'Processando {image_file.name}...')

    # Realiza a predição
    results = model.predict(source=str(image_file), save=True, conf=0.3)

    # Exibe imagem com as predições (opcional)
    results[0].show()

    # Quantidade de objetos detectados
    boxes = results[0].boxes
    print(f'Detectado {len(boxes)} objeto(s) em {image_file.name}')

Explicação:

• O modelo treinado é carregado e utilizado para inferência sobre as imagens do conjunto de teste.
• As detecções são salvas automaticamente em uma pasta de saída (runs/).
• A predição inclui a localização (bounding boxes) e a classe da fissura detectada.
• A confiança mínima para a detecção é ajustada com conf=0.3.

Observações Importantes

• Estrutura do dataset: Verifique se o data.yaml aponta corretamente para os diretórios de treino, validação e teste.
• Ajuste de parâmetros: É possível adaptar epochs, batch, imgsz, conf e outros conforme os recursos disponíveis e a complexidade do problema.
• Saídas do treinamento: Os modelos e métricas são salvos no diretório runs/detect/train/, sendo best.pt o modelo com melhor desempenho durante o treino.

Resultados

Durante os testes, observou-se que o modelo YOLOv8 foi mais preciso na detecção de fissuras de retração do que nas fissuras térmicas. Isso sugere que há espaço para melhoria na capacidade de classificação do tipo de fissura, apesar da detecção em si ser promissora.

Próximos Passos

• Avaliar formas de melhorar a acurácia da classificação, possivelmente através de:

  • Ajuste fino de hiperparâmetros.
  • Aplicação de filtros ou estratégias de pré-processamento de imagem.

• Considerar o uso do YOLOv8 apenas para localização das fissuras, integrando-o com um segundo modelo especializado na classificação do tipo.

• Explorar outras arquiteturas ou variantes do YOLO (como segmentação) para capturar detalhes mais sutis nas imagens.