Implementação de Faster R-CNN para detecção automática de veículos em ambientes de tráfego
uma abordagem baseada em deep learning
DOI:
https://doi.org/10.47385/tudoeciencia.2463.2025Palavras-chave:
Detecção de objetos. Faster R-CNN. Deep learning. Visão computacional. Veículos autônomos.Resumo
A detecção automática de objetos em imagens tem se tornado uma área de crescente interesse na comunidade científica, especialmente com o avanço das técnicas de deep learning. Este estudo apresenta a implementação do algoritmo Faster R-CNN (Region-based Convolutional Neural Network) para detecção de veículos em ambientes de tráfego urbano. O trabalho utiliza o modelo pré-treinado FasterRCNN ResNet50 FPN disponível na biblioteca PyTorch, aplicado sobre imagens contendo veículos em movimento. A metodologia empregada consistiu na implementação de um pipeline completo de detecção, incluindo carregamento de imagens via URL, pré-processamento, inferência do modelo e visualização dos resultados com bounding boxes e scores de confiança. Os resultados demonstraram precisão na identificação de veículos, com o modelo conseguindo detectar corretamente um veículo esportivo vermelho com score de confiança de 0.97, evidenciando a eficácia da arquitetura Faster R-CNN para aplicações em sistemas de transporte inteligentes e monitoramento de tráfego urbano.
Downloads
Referências
DAVIS, J.; GOADRICH, M. The relationship between Precision-Recall and ROC curves. In: PROCEEDINGS OF THE 23RD INTERNATIONAL CONFERENCE ON MACHINE LEARNING, 2006, Pittsburgh. Proceedings... New York: ACM, 2006. p. 233-240. DOI: 10.1145/1143844.1143874. Acesso em: 13 set. 2025.
DENG, J.; DONG, W.; SOCHER, R.; LI, L. J.; LI, K.; FEI-FEI, L. ImageNet: A large-scale hierarchical image database. In: IEEE COMPUTER VISION AND PATTERN RECOGNITION, 2009, Miami. Proceedings... IEEE, 2009. p. 248-255. DOI: 10.1109/CVPR.2009.5206848. Acesso em: 13 set. 2025.
EVERINGHAM, M.; VAN GOOL, L.; WILLIAMS, C. K.; WINN, J.; ZISSERMAN, A. The Pascal Visual Object Classes (VOC) Challenge. International Journal of Computer Vision, v. 88, n. 2, p. 303-338, 2010. DOI: 10.1007/s11263-009-0275-4. Acesso em: 13 set. 2025.
GIRSHICK, R. Fast R-CNN. In: IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION, 2015, Santiago. Proceedings... IEEE, 2015. p. 1440-1448. DOI: 10.1109/ICCV.2015.169. Acesso em: 13 set. 2025.
GIRSHICK, R.; DONAHUE, J.; DARRELL, T.; MALIK, J. Rich feature hierarchies for accurate object detection and semantic segmentation. In: IEEE COMPUTER VISION AND PATTERN RECOGNITION, 2014, Columbus. Proceedings... IEEE, 2014. p. 580-587. DOI: 10.1109/CVPR.2014.81. Acesso em: 13 set. 2025.
GUERRERO-IBÁÑEZ, J.; ZEADALLY, S.; CONTRERAS-CASTILLO, J. Sensor technologies for intelligent transportation systems. Sensors, v. 18, n. 4, p. 1212, 2018. DOI: 10.3390/s18041212. Acesso em: 13 set. 2025.
HE, K.; ZHANG, X.; REN, S.; SUN, J. Deep residual learning for image recognition. In: IEEE COMPUTER VISION AND PATTERN RECOGNITION, 2016, Las Vegas. Proceedings... IEEE, 2016. p. 770-778. DOI: 10.1109/CVPR.2016.90. Acesso em: 13 set. 2025.
HOWARD, A. G.; ZHU, M.; CHEN, B.; KALENICHENKO, D.; WANG, W.; WEYAND, T.; ANDREETTO, M.; ADAM, H. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. arXiv preprint arXiv:1704.04861, 2017. Disponível em: https://arxiv.org/abs/1704.04861. Acesso em: 13 set. 2025.
LECUN, Y.; BOTTOU, L.; BENGIO, Y.; HAFFNER, P. Gradient-based learning applied to document recognition. Proceedings of the IEEE, v. 86, n. 11, p. 2278-2324, 1998. DOI: 10.1109/5.726791. Acesso em: 13 set. 2025.
LIN, T. Y.; DOLLÁR, P.; GIRSHICK, R.; HE, K.; HARIHARAN, B.; BELONGIE, S. Feature pyramid networks for object detection. In: IEEE COMPUTER VISION AND PATTERN RECOGNITION, 2017, Honolulu. Proceedings... IEEE, 2017. p. 2117-2125. DOI: 10.1109/CVPR.2017.106. Acesso em: 13 set. 2025.
LIN, T. Y.; MAIRE, M.; BELONGIE, S.; HAYS, J.; PERONA, P.; RAMANAN, D.; DOLLÁR, P.; ZITNICK, C. L. Microsoft COCO: Common objects in context. In: EUROPEAN CONFERENCE ON COMPUTER VISION, 2014, Zurich. Proceedings... Springer, 2014. p. 740-755. DOI: 10.1007/978-3-319-10602-1_48. Acesso em: 13 set. 2025.
LIU, W.; ANGUELOV, D.; ERHAN, D.; SZEGEDY, C.; REED, S.; FU, C. Y.; BERG, A. C. SSD: Single shot multibox detector. In: EUROPEAN CONFERENCE ON COMPUTER VISION, 2016, Amsterdam. Proceedings... Springer, 2016. p. 21-37. DOI: 10.1007/978-3-319-46448-0_2. Acesso em: 13 set. 2025.
PADILLA, R.; NETTO, S. L.; DA SILVA, E. A. A survey on performance metrics for object-detection algorithms. In: INTERNATIONAL CONFERENCE ON SYSTEMS, SIGNALS AND IMAGE PROCESSING, 2020, Niterói. Proceedings... IEEE, 2020. p. 237-242. DOI: 10.1109/IWSSIP48289.2020.9145130. Acesso em: 13 set. 2025.
PASZKE, A.; GROSS, S.; MASSA, F.; LERER, A.; BRADBURY, J.; CHANAN, G.; KILLEEN, T.; LIN, Z.; GIMELSHEIN, N.; ANTIGA, L.; DESMAISON, A.; KOPF, A.; YANG, E.; DEVITO, Z.; RAISON, M.; TEJANI, A.; CHILAMKURTHY, S.; STEINER, B.; FANG, L.; BAI, J.; CHINTALA, S. PyTorch: An imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems, v. 32, p. 8024-8035, 2019. Disponível em: https://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf. Acesso em: 13 set. 2025.
REDMON, J.; DIVVALA, S.; GIRSHICK, R.; FARHADI, A. You only look once: Unified, real-time object detection. In: IEEE COMPUTER VISION AND PATTERN RECOGNITION, 2016, Las Vegas. Proceedings... IEEE, 2016. p. 779-788. DOI: 10.1109/CVPR.2016.91. Acesso em: 13 set. 2025.
REN, S.; HE, K.; GIRSHICK, R.; SUN, J. Faster R-CNN: Towards real-time object detection with region proposal networks. Advances in Neural Information Processing Systems, v. 28, p. 91-99, 2015. Disponível em: https://papers.nips.cc/paper/5638-faster-r-cnn-towards-real-time-object-detection-with-region-proposal-networks.pdf. Acesso em: 13 set. 2025.
SIMONYAN, K.; ZISSERMAN, A. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556, 2014. Disponível em: https://arxiv.org/abs/1409.1556. Acesso em: 13 set. 2025.
VIOLA, P.; JONES, M. Rapid object detection using a boosted cascade of simple features. In: IEEE COMPUTER VISION AND PATTERN RECOGNITION, 2001, Kauai. Proceedings... IEEE, 2001. p. 511-518. DOI: 10.1109/CVPR.2001.990517. Acesso em: 13 set. 2025.
YOSINSKI, J.; CLUNE, J.; BENGIO, Y.; LIPSON, H. How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, v. 27, p. 3320-3328, 2014. Disponível em: https://papers.nips.cc/paper/5347-how-transferable-are-features-in-deep-neural-networks.pdf. Acesso em: 13 set. 2025.
AUTOMOTIVO SHOPPING. O que são carros superesportivos? Disponível em: https://automotivoshopping.com.br/o-que-sao-carros-superesportivos/. Acesso em: 14 ago. 2025.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
