Detecção de Buracos Baseada em TinyML: Uma Análise Comparativa do Desempenho dos Modelos YOLO e FOMO
Detecção de buracos, YOLO, FOMO, TinyML, Manutenção de estradas
Buracos representam uma ameaça substancial em ambientes urbanos, levando a danos em veículos e riscos à segurança. Portanto, sua identificação rápida é essencial para uma manutenção eficaz das estradas. Neste estudo, realizamos uma avaliação comparativa dos modelos YOLOv5, YOLOv8 e FOMO para a detecção de buracos usando a metodologia de Aprendizado de Máquina em Miniatura (TinyML). Usamos um conjunto de dados abertamente disponível composto por imagens rotuladas com caixas delimitadoras, treinamos esses modelos e avaliamos sua precisão na identificação de buracos em diferentes tamanhos de entrada. Além disso, acompanhamos a pegada de carbono durante a fase de treinamento dessas redes usando o Code Carbon. Finalmente, à medida que reduzimos metodicamente a complexidade da rede de detecção, avaliamos os efeitos dessa redução no uso de energia e na eficácia da detecção. Os resultados sugerem um desempenho notável em todos os modelos, com o modelo FOMO se destacando como o mais rápido e o mais eficiente em termos de energia para a detecção de buracos.