Impact of Dataset Composition on Embedded Real-Time UAV Wildfire Detection Using Compact YOLO Models

Resumo Técnico: Impacto da Composição do Conjunto de Dados na Detecção de Incêndios Florestais em Tempo Real via UAV com Modelos YOLO Compactos Embarcados

Definição do Problema
O desenvolvimento de sistemas de detecção de incêndios florestais baseados em visão para Veículos Aéreos Não Tripulados (UAVs) é atualmente limitado pela escassez de imagens de treinamento diversas e do mundo real, particularmente aquelas capturadas de pontos de vista aéreos com anotações adequadas. Embora os modelos de aprendizado profundo, especificamente a família YOLO, ofereçam um equilíbrio favorável entre velocidade de inferência e qualidade de detecção para dispositivos de borda embarcados, sua implementação prática é frequentemente limitada pela disponibilidade de dados. Consequentemente, pesquisadores recorrem frequentemente à geração de dados sintéticos e ao aumento de dados (augmentation) para expandir os conjuntos de treinamento. No entanto, o valor prático dessas expansões sintéticas para a detecção de incêndios florestais em UAVs embarcados sob condições de recursos limitados permanece uma questão empírica, em vez de um fato estabelecido.

Metodologia
Este estudo emprega uma abordagem centrada no conjunto de dados para avaliar como a composição dos dados de treinamento afeta o desempenho da detecção, utilizando modelos YOLO compactos como uma família de validação controlada, em vez de propor novas arquiteturas de detectores.

• Plataforma do Sistema: Os experimentos utilizaram um UAV "Buzzard" personalizado, impresso em 3D, equipado com um NVIDIA Jetson Nano 4 GB para processamento embarcado e uma câmera RGB. O sistema suporta voo VTOL (Vertical Take-Off and Landing) e voo de cruzeiro de asa fixa, projetado para resistência e operação de baixa potência.
• Construção do Conjunto de Dados: O estudo reuniu um pool de imagens de quatro fontes: 447 imagens capturadas pelos próprios autores via UAV, 857 imagens de conjuntos de dados públicos, 82 imagens do serviço de sensoriamento remoto da Força Aérea Uruguaia e 1.296 imagens sintéticas geradas por IA.
• Configurações Experimentais: Quatro configurações distintas de conjuntos de dados foram avaliadas:
  1. Real não aumentado: 1.386 imagens reais.
  2. Real aumentado: O conjunto real expandido para 8.316 imagens via transformações geométricas e fotométricas (giros, rotações, variação de brilho/contraste, desfoque).
  3. Híbrido não aumentado: 2.682 imagens (1.386 reais + 1.296 sintéticas).
  4. Híbrido aumentado: 16.092 imagens (real aumentado + sintético aumentado).
• Modelos e Treinamento: Quatro variantes compactas do YOLOv5 (YOLOv5n, YOLOv5n6, YOLOv5s, YOLOv5s6) foram treinadas em cada configuração durante 1.000 épocas. Os modelos foram selecionados por sua adequação para implantação embarcada.
• Métricas de Avaliação: O desempenho foi medido usando Precisão, Recall, mAP@0.5, mAP@0.5:0.95 e Box Loss. O estudo priorizou o Recall e o mAP, visto que perder um evento de incêndio florestal é considerado mais custoso do que gerar um número limitado de alarmes falsos em um sistema de alerta precoce.

Principais Resultados
Os resultados experimentais produziram um achado contraintuitivo em relação às estratégias de expansão de dados:

• Superioridade dos Dados Reais Não Aumentados: O melhor ponto operacional geral foi alcançado utilizando o conjunto de dados real não aumentado. Especificamente, o YOLOv5n6 treinado nesta configuração alcançou o maior Recall, o maior mAP@0.5 e o maior mAP@0.5:0.95.
• Valor Limitado de Aumento e Hibridização: Nem o aumento de dados (augmentation) nem a inclusão de dados sintéticos (hibridização) produziram uma escolha de implementação final melhor do que a linha de base real não aumentada.
  • Embora o conjunto de dados real aumentado tenha permanecido competitivo, ele não superou o conjunto real não aumentado.
  • Configurações híbridas (tanto aumentadas quanto não aumentadas) resultaram em padrões de desempenho fragmentados e, geralmente, menor Recall e mAP em comparação com a linha de base apenas de dados reais.
• Comportamento do Modelo: Diferentes variantes YOLO exibiram forças complementares; o YOLOv5n6 se destacou em recall e mAP em dados reais, enquanto o YOLOv5s6 frequentemente alcançou o menor Box Loss e maior precisão, particularmente em configurações aumentadas. No entanto, a tendência dominante em todos os modelos foi que a composição do conjunto de dados (real vs. sintético/aumentado) teve um impacto mais significativo no desempenho do que a variante específica do modelo escolhida.
• Validação no Mundo Real: Testes de voo no mundo real confirmaram que o modelo treinado no conjunto de dados real não aumentado pode detectar eventos de incêndio florestal de forma eficaz durante a operação em tempo real, mesmo sob variações de movimento e de perspectiva.

Significância e Alegações
O artigo afirma que, para a detecção de incêndios florestais em UAVs embarcados, o realismo do conjunto de dados e o alinhamento de domínio são mais valiosos do que aumentar o tamanho do conjunto de treinamento através da expansão sintética.

O estudo conclui que, embora os dados sintéticos e o aumento de dados sejam ferramentas valiosas quando as imagens reais anotadas são escassas, sua utilidade é contingente ao quão bem eles preservam as características visuais do domínio de implantação alvo. No cenário avaliado, as diferenças visuais entre as imagens sintéticas e as cenas aéreas reais de incêndios florestais (em textura e naturalidade da cena) impactaram negativamente a capacidade de generalização do detector. Portanto, a estratégia mais eficaz para a implementação prática foi treinar em imagens de alta qualidade do mundo real sem expansão artificial, priorizando a fidelidade dos dados de treinamento ao ambiente operacional sobre o mero volume de dados.

Os autores posicionam este trabalho não como uma proposta de um novo detector, mas como uma análise comparativa controlada demonstrando que, sob condições de recursos limitados, preservar a aparência original e as características de domínio das imagens reais produz um desempenho de detecção prática superior.