Ninguna variante de los modelos realiz\u00f3 estas tareas a la perfecci\u00f3n al cotejar con los registros de cinco tipos de animales silvestres que los algoritmos han aprendido a reconocer: tapir, yaguarundi, aguar\u00e1 guaz\u00fa, puma y oso hormiguero gigante. Pero algunas versiones de los sistemas, como el denominado Scaled-YoloV4, obtuvieron un rendimiento superior al 85 % en la mayor\u00eda de los casos. \u201cLos estudios comparativos son importantes para determinar cu\u00e1l es el tiempo de respuesta necesario para que estos sistemas funcionen en forma eficiente en las carreteras, un escenario que comprende a veh\u00edculos circulando a gran velocidad, y evaluar si su implementaci\u00f3n es factible\u201d, comenta el cient\u00edfico de la computaci\u00f3n Rodolfo Meneguette, jefe del grupo de investigaci\u00f3n.<\/p>\n
Las pruebas se llevaron a cabo en computadoras diminutas, del modelo Raspberry Pi 4, que pesan unos 50 gramos y poseen especificaciones modestas. En teor\u00eda, merced a su bajo costo y su tama\u00f1o reducido, este tipo de dispositivos podr\u00edan utilizarse en sistemas instalados en las carreteras que cuenten con conexi\u00f3n wifi a internet. La microcomputadora analizar\u00eda y clasificar\u00eda localmente las im\u00e1genes captadas y solamente transmitir\u00eda su veredicto v\u00eda internet (si hay o no un animal en la v\u00eda) a un sistema alojado en la nube. Esta estructura externa tendr\u00eda la misi\u00f3n de activar, casi en tiempo real, alg\u00fan tipo de advertencia a los automovilistas que circulan por la carretera.<\/p>\n
Seg\u00fan estimaciones del Centro Brasile\u00f1o de Estudios en Ecolog\u00eda Vial (CBEE), vinculado a la Universidad Federal de Lavras (Ufla), de Minas Gerais, cada a\u00f1o mueren por atropellamiento unos 5 millones de animales de gran tama\u00f1o en las carreteras brasile\u00f1as, entre ellos carpinchos, yaguaret\u00e9s, monos y aguar\u00e1 guaz\u00fas.<\/p>\n
Para entrenar a los algoritmos de la arquitectura Yolo a los efectos que reconozcan espec\u00edficamente a estas cinco especies de animales, los investigadores crearon una base de datos denominada BRA-Dataset, con 1.458 im\u00e1genes de las especies. El banco de datos est\u00e1 compuesto por registros de los animales disponibles en forma gratuita en internet utilizando el buscador Google Im\u00e1genes. Para comprobar la celeridad con la que los modelos Yolo reconoc\u00edan a los animales se utilizaron filmaciones de las especies grabadas por los autores del estudio en el Parque Ecol\u00f3gico de S\u00e3o Carlos, como as\u00ed tambi\u00e9n videos gratuitos disponibles en internet.<\/p>\n
![\"\"](\"https:\/\/revistapesquisa.fapesp.br\/wp-content\/uploads\/2024\/07\/RPF-ia-animais-travessia-2024-03-800.jpg\")
BRA-Dataset<\/span>Tres ejemplos de resultados proporcionados por los sistemas de an\u00e1lisis que delimitan y clasifican a los animales silvestres mediante im\u00e1genesBRA-Dataset<\/span><\/p><\/div>\n La arquitectura Yolo combina procesamiento de im\u00e1genes e IA para formar redes neuronales convolucionales, de uso extendido en el \u00e1rea de la visi\u00f3n por computadora. \u201cEste abordaje permite que la m\u00e1quina, cuando recibe nuevas im\u00e1genes o videos, compare las caracter\u00edsticas aprendidas con las clases predefinidas\u201d, explica el cient\u00edfico de la computaci\u00f3n Gabriel Ferrante, autor principal del art\u00edculo, quien bajo la direcci\u00f3n de Meneguette, defendi\u00f3 su tesina de maestr\u00eda sobre el tema en el ICMC-USP, en 2023.<\/p>\n Este tipo de red divide una imagen fija o en movimiento (video) en partes m\u00e1s peque\u00f1as, en conjuntos de p\u00edxeles (puntos) que luego se convierten en datos num\u00e9ricos. Mediante c\u00e1lculos matem\u00e1ticos y probabil\u00edsticos, estos datos se utilizan para clasificar, con cierto grado de certeza, qu\u00e9 tipo de objeto aparece en la imagen y d\u00f3nde est\u00e1 ubicado en el registro.<\/p>\n En el trabajo con los animales que cruzan carreteras, los sistemas Yolo proporcionaron resultados como los que se muestran en las fotograf\u00edas m\u00e1s peque\u00f1as incluidas en este art\u00edculo. Trazaron l\u00edneas rectas alrededor de la especie reconocida, formando un cuadrado o un rect\u00e1ngulo, y la clasificaron seg\u00fan alguna de las cinco clases que aprendieron a reconocer. Al final del procesamiento, aparece en la imagen el nombre del animal que el modelo reconoci\u00f3, seguido de un n\u00famero entre 0 y 1. La expresi\u00f3n \u201ctapir 0,90\u201d significa, por ejemplo, que el sistema tiene un 90 % de certeza de que el objeto delimitado en la imagen pertenece a esta clase.<\/p>\n \u201cProbamos distintos modelos de la arquitectura Yolo para tratar de entender cu\u00e1l de ellos podr\u00eda ser m\u00e1s id\u00f3neo para contextos espec\u00edficos\u201d, comenta el cient\u00edfico de la computaci\u00f3n Lu\u00eds Nakamura, del campus de Catanduva del Instituto Federal de S\u00e3o Paulo (IFSP), coautor del art\u00edculo. Incluso una vez entrenados, los sistemas son imprecisos para reconocer a los animales en escenarios complejos, como cuando est\u00e1n ocultos por otros objetos, aparecen camuflados en el paisaje o est\u00e1n muy lejos.<\/p>\n \u201cPara entender los patrones de los p\u00edxeles de una imagen, los modelos de las redes neuronales convolucionales escanean secuencialmente las partes de ese registro\u201d, explica Ferrante. \u201cSi el entorno interfiere en el reconocimiento de caracter\u00edsticas visuales importantes, tales como bordes, texturas y colores, a los modelos se les dificulta clasificar y definir el \u00e1rea que delimita a un posible objeto\u201d.<\/p>\n Los sistemas que operan con im\u00e1genes en el rango de la luz visible no son adecuados para el monitoreo nocturno o en condiciones de baja visibilidad. En estos casos, una alternativa podr\u00eda ser el empleo de c\u00e1maras infrarrojas, que son capaces de \u201cver\u201d en la oscuridad. Este enfoque, empero, no se puso a prueba en el estudio.<\/p>\n Para el cient\u00edfico de datos Alexandre de Siqueira, quien no particip\u00f3 en el trabajo, el paso siguiente en este tipo de investigaciones ser\u00eda ampliar el n\u00famero de especies incluidas en la base de datos que se utiliza para entrenar a los sistemas. \u201cSi esta tecnolog\u00eda se instala en c\u00e1maras est\u00e1ticas, podr\u00eda observarse, por ejemplo, si hay especies migrando entre las diferentes regiones del pa\u00eds\u201d, dice Siqueira, quien entre 2019 y 2022 trabaj\u00f3 en el Berkeley Institute for Data Science (Bids), de la Universidad de California. \u201cTambi\u00e9n ser\u00eda importante probar redes con arquitecturas diferentes a Yolo para evaluar cu\u00e1l es la m\u00e1s r\u00e1pida o barata, dependiendo del prop\u00f3sito de su aplicaci\u00f3n\u201d.<\/p>\n Proyectos
\n1.<\/strong> Servicios para un sistema de transporte inteligente (n\u00b0 20\/07162-0<\/a>); Modalidad <\/strong>Ayuda de Investigaci\u00f3n \u2013 Regular; Investigador responsable<\/strong> Rodolfo Meneguette (USP); Inversi\u00f3n<\/strong> R$ 146.438,83.
\n2.<\/strong> Gesti\u00f3n de recursos din\u00e1micos para aplicaciones de sistemas de transporte inteligentes (n\u00ba 22\/00660-0<\/a>); Modalidad <\/strong>Ayuda de Investigaci\u00f3n \u2013 Regular; Programa<\/strong> Sprint; Convenio<\/strong> Universidad de Manchester; Investigador responsable<\/strong> Rodolfo Meneguette (USP); Inversi\u00f3n<\/strong> R$ 64.930,00.<\/p>\n