Impacto do Data Augmentation na detecção de bovinos em bezerreiros tropicais com modelos baseados na arquitetura YOLO: uma análise comparativa, via Roboflow, em cenários com restrição de dados

Abstract

A utilização de técnicas de Visão Computacional na bovinocultura tem se mostrado uma alternativa promissora para automatizar atividades de monitoramento animal em ambientes de produção. No entanto, o desempenho de modelos de detecção de objetos depende diretamente da qualidade, da quantidade e da diversidade das imagens disponíveis para treinamento, o que representa um desafio em cenários com restrição de dados. Neste contexto, este trabalho investiga o impacto de diferentes técnicas de Data Augmentation no desempenho de modelos baseados na arquitetura YOLO para a detecção de bovinos em bezerreiros tropicais. A pesquisa utilizou conjuntos de dados compostos por 50, 100 e 228 imagens coletadas em ambiente real de produção leiteira, originário de um projeto de pesquisa denominado “Criação de bezerras sob diferentes métodos de fornecimento de água de dessedentação durante a fase de aleitamento”, coordenado pelo departamento de Ciências Agrárias da UFRPE, cujas imagens apresentavam variações de iluminação, oclusões e movimentação de animais. Essas imagens foram organizadas, anotadas e processadas na plataforma Roboflow, onde foram aplicadas transformações geométricas e fotométricas, incluindo espelhamento, rotação, ajustes de brilho e saturação, conversão para escala de cinza e inserção de ruído. Os experimentos foram organizados em grupos de teste e avaliados por meio das métricas mAP@0.5, Precision e Recall. Os resultados demonstraram que o impacto do Data Augmentation varia conforme o volume de dados disponível e a natureza das transformações aplicadas. Transformações fotométricas moderadas apresentaram os resultados mais consistentes, especialmente na base de 100 imagens, contribuindo para melhorias nas métricas de detecção. Em contrapartida, combinações excessivas de transformações geométricas e fotométricas produziram degradação do desempenho, evidenciando que o aumento artificial de dados não garante ganhos automáticos de generalização. Conclui-se, portanto, que a eficácia do Data Augmentation depende diretamente da coerência entre as transformações aplicadas e as características reais do domínio investigado, sendo mais eficiente quando empregado de forma controlada e compatível com as condições do ambiente de criação animal.