Computer Vision for Wildlife Monitoring: Detecting Brown Howler Monkeys using YOLO

Resumo Técnico: Visão Computacional para Monitoramento de Vida Selvagem – Detecção de Bugios-pretos utilizando YOLO

Problema
A expansão urbana e a fragmentação do habitat representam ameaças críticas para espécies arbóreas, particularmente o bugio-preto (Alouatta guariba), ao isolar populações e aumentar os riscos de mortalidade por acidentes rodoviários e eletrocussão. Pontes de dossel servem como uma estratégia de mitigação, mas sua eficácia depende do monitoramento contínuo via armadilhas fotográficas. Este processo de revisão manual é dificultado por um volume esmagador de dados, grande parte dos quais consiste em falsos positivos disparados por vegetação ou condições climáticas. Além disso, o desenvolvimento de modelos de visão computacional de alto desempenho para esta tarefa específica é limitado pelo "gargalo de dados": a escassez de conjuntos de dados amplos, anotados manualmente, necessários para o treinamento.

Metodologia
O estudo propõe uma abordagem híbrida para automatizar a detecção de bugios-pretos em filmagens de armadilhas fotográficas, integrando dados do mundo real com dados sintéticos para superar a escassez de anotação.

• Conjunto de Dados Primário: Os autores utilizaram filmagens de um estudo de campo de longo prazo em Porto Alegre, Brasil, envolvendo 10 pontes de corda (escadas de corda) no dossel. De 16.179 vídeos, um subconjunto selecionado de 2.325 vídeos contendo bugios foi processado. Quadros (frames) foram amostrados em intervalos de 1 segundo para criar 10.508 imagens únicas, que foram anotadas manualmente usando o VGG Image Annotator.
• Conjuntos de Dados Auxiliares: Para testar o impacto da diversidade de treinamento, dois conjuntos de dados públicos foram incorporados: um "Conjunto de Dados de Detecção Humana" e um "Conjunto de Dados de Primatas Não Humanos" (5.000 imagens cada).
• Geração de Dados Sintéticos: Um conjunto de dados sintéticos de 10.000 imagens foi criado utilizando Unity e Blender. Um modelo 3D de um bugio-preto foi texturizado e posicionado em um ambiente virtual de ponte de dossel. O processo de geração variou as condições de iluminação (usando 9 HDRIs e 3 configurações de pós-processamento para dia, nublado e noite) e ângulos de câmera para simular diversidade ambiental.
• Arquitetura do Modelo: O estudo ajustou (fine-tuned) o framework de detecção de objetos YOLOv10.
• Design Experimental:
  • Experimentos de Imagem: O modelo foi treinado com proporções variáveis de dados primários (bugio real) e dados auxiliares (humano, primata não humano, sintético). Os experimentos testaram combinações que variam de 100% de dados reais até 100% de dados auxiliares, bem como proporções mistas (ex: divisões de 50/50).
  • Triagem de Vídeo: Para avaliar a utilidade do modelo para conservacionistas, um protocolo de classificação de vídeo foi desenhado. O modelo processou 4 quadros por segundo de vídeos de 30 segundos. Um vídeo foi classificado como "contendo um bugio" se a contagem de detecções positivas de quadros excedesse um limite específico (otimizado via F1-score).
• Avaliação: O estudo empregou validação cruzada temporal para evitar vazamento de dados (data leakage), garantindo que os dados de treinamento fossem cronologicamente anteriores aos dados de validação. O desempenho foi medido utilizando Precisão, Recall, F1-score e Mean Average Precision em IoU 0.5 (mAP@0.5).

Principais Resultados

• Impacto da Mistura de Dados: O modelo de referência treinado com 5.000 imagens reais alcançou um F1-score de 0,808 e mAP@0.5 de 0,805.
  • Superioridade dos Dados Sintéticos: Entre os conjuntos de dados auxiliares, os dados sintéticos geraram os melhores ganhos de desempenho. Um modelo treinado com 2.500 imagens reais e 2.500 sintéticas alcançou uma precisão de 0,889 (um aumento de 5% sobre o modelo de referência), embora com uma leve redução no recall.
  • Treinamento Híbrido Ótimo: O maior desempenho geral foi alcançado treinando com o conjunto de dados total disponível: 10.508 imagens reais combinadas com 10.000 imagens sintéticas. Esta configuração resultou em um F1-score de 0,859 e mAP@0.5 de 0,873, superando o modelo treinado com 10.000 imagens reais isoladamente.
  • Limites dos Dados Auxiliares: O treinamento exclusivo em dados auxiliares (ex: apenas sintéticos ou apenas primatas não humanos) resultou em uma severa degradação de desempenho, confirmando que os dados sintéticos complementam, mas não substituem totalmente, os dados reais.
• Desempenho da Triagem de Vídeo: Utilizando um limiar de 24 quadros positivos por vídeo, o sistema alcançou um F1-score de 0,762 para classificação de vídeo, com um recall de 0,838. Isso indica que o sistema reteve com sucesso aproximadamente 84% dos vídeos contendo bugios enquanto filtrava os negativos.
• Análise de Falhas: Os falsos negativos estiveram primariamente associados a vídeos contendo apenas um único animal, visibilidade parcial do animal ou aparições breves (<5 segundos). Fatores ambientais como luz solar intensa e chuva também contribuíram para dificuldades de detecção.

Significância e Alegações
O artigo afirma que a estratégia híbrida proposta oferece uma solução viável para o problema da escassez de dados. Ao integrar dados sintéticos gerados no Unity com filmagens do mundo real, os autores demonstram que é possível manter alta precisão de detecção enquanto se reduz a dependência de anotação manual laboriosa.

O estudo posiciona a ferramenta desenvolvida não como um substituto perfeito para a revisão humana, mas como um mecanismo de triagem eficiente. Ela permite que os conservacionistas filtrem rapidamente vastas quantidades de filmagens de armadilhas fotográficas, descartando vídeos sem a espécie alvo e priorizando aqueles que contêm bugios para análise detalhada. Os autores observam que, embora o modelo enfrente desafios com oclusões parciais e aparições breves, a abordagem reduz significativamente a carga de trabalho manual, permitindo assim estratégias de conservação mais escaláveis e oportunas para mamíferos arbóreos em ambientes urbanos fragmentados. Os autores também lançaram um aplicativo complementar (HowlerApp) para facilitar a implementação dessas ferramentas para pesquisadores de campo.