Utilize este link para identificar ou citar este item:
https://bdm.unb.br/handle/10483/41606
Arquivos neste item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
2025_AyssaGiovannaDeOliveiraMarques_tcc.pdf | 4,12 MB | Adobe PDF | ver/abrir |
Título: | Detecção de objetos very small size soccer utilizando redes convolucionais YOLO |
Autor(es): | Marques, Ayssa Giovanna de Oliveira |
Orientador(es): | Lamar, Marcus Vinicius |
Assunto: | Redes neurais convolucionais (Computação) Aprendizado de máquina Visão por computador |
Data de apresentação: | 19-Fev-2025 |
Data de publicação: | 21-Mar-2025 |
Referência: | MARQUES, Ayssa Giovanna de Oliveira. Detecção de objetos very small size soccer utilizando redes convolucionais YOLO. 2025. 52 f., il. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) — Universidade de Brasília, Brasília, 2025. |
Resumo: | O sistema visual humano analisa uma imagem e, com base em seu conhecimento prévio sobre as características de determinados objetos, identifica quase instantaneamente quais objetos estão presentes, suas localizações e como eles interagem entre si. Algoritmos rápidos e precisos para detecção de objetos podem se aproximar da eficácia da visão humana, permitindo que computadores dirijam carros sem sensores especializados, dispositivos de assistência transmitam informações em tempo real da cena para usuários humanos e desbloqueiem o potencial para sistemas robóticos de uso geral e responsivos. E por que não jogar futebol? Este trabalho propõe uma abordagem para a detecção de objetos em partidas de futebol de robôs da categoria IEEE Very Small Size Soccer (VSSS), utilizando redes neurais convolucionais da família You Only Look Once (YOLO), especificamente a versão YOLOv8-pose. O projeto envolveu a criação de um banco de imagens a partir de vídeos de partidas da IronCup 2020, onde foram anotados os pontos-chave dos robôs e da bola para treinamento do modelo. Foram realizados treinamentos com diferentes variantes do YOLOv8-pose (nano, small, medium, large e extra-large), variando o número de épocas para avaliar a precisão e a perda do modelo. O modelo YOLOv8x-pose demonstrou o melhor desempenho, com menor perda e maior precisão na detecção dos objetos e cálculo da orientação dos robôs. Os resultados mostraram que o sistema proposto, denominado Ballnet Pose, superou o Main System em termos de precisão na localização dos objetos e no cálculo da orientação dos robôs. |
Abstract: | The human visual system analyzes an image and, based on its prior knowledge about the characteristics of certain objects, almost instantly identifies which objects are present, their locations and how they interact with each other. Fast and accurate object detection algorithms can approach the effectiveness of human vision, enabling computers to drive cars without specialized sensors, assistive devices to transmit real-time scene information to human users, and unlock the potential for general-purpose, responsive robotic systems. And why not play soccer? This work proposes an approach for object detection in IEEE Very Small Size Soccer (VSSS) matches using convolutional neural networks from the You Only Look Once (YOLO) family, specifically the YOLOv8-pose version. The project involved creating an image dataset from videos of matches from the IronCup 2020, where keypoints of the robots and the ball were annotated for model training. Training sessions were conducted with different variants of YOLOv8-pose (nano, small, medium, large, and extra-large), varying the number of epochs to evaluate the model’s accuracy and loss. The YOLOv8x-pose model demonstrated the best performance, with the lowest loss and highest accuracy in object detection and robot orientation calculation. The results showed that the proposed system, named BallnetPose, outperformed the Main System in terms of both accuracy in object localization and robot orientation calculation. |
Informações adicionais: | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2025. |
Licença: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. |
Aparece na Coleção: | Ciência da Computação |
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.