Avaliação comparativa de arquiteturas Yolo para identificação de jabutis e implementação do software Tortoisevisiony Detect

Authors:
Open Access
Publisher website
Google Scholar
Abstract
A identificação automática de jabutis em imagens é fundamental para monitoramento ambiental e conservação da biodiversidade, uma vez que esses animais desempenham papel ecológico essencial na dispersão de sementes e no equilíbrio dos ecossistemas. No entanto, sua classificação manual é um processo trabalhoso e requer a atuação de especialistas, devido à semelhança morfológica entre espécies e à influência de fatores externos, como o ambiente e posição nas imagens. Este trabalho avaliou diversas versões da arquitetura YOLO (v8 a v12) para detecção de jabutis piranga e tinga, utilizando técnicas de aprendizado profundo e data augmentation para melhorar a robustez dos modelos. Foram realizados treinamentos extensivos, com análise comparativa de desempenho baseada nas métricas de precisão, recall e F1-score, além da avaliação do tempo computacional para cada versão. Os resultados demonstraram que as versões mais recentes alcançaram melhor equilíbrio entre acurácia, sensibilidade e F1-score, embora demandem maior tempo de treinamento. Enquanto a versão YOLOv8 apresentou a maior precisão (97,9%), a versão YOLOv12 destacou-se pelo equilíbrio superior entre recall (97,6%) e F1-score (97,5%), evidenciando sua maior capacidade de identificação. Para melhorar a usabilidade, desenvolveu-se uma interface gráfica desktop utilizando Electron.js, facilitando a interação do usuário com o software TortoiseVisionY Detect. Este estudo valida o uso de redes neurais profundas para apoio à pesquisa e conservação de quelônios, oferecendo uma solução tecnológica acessível e eficiente para o campo ambiental.