
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Foleis, Juliano Henrique | - |
| Autor(es): dc.contributor | Gonçalves, Diego Bertolini | - |
| Autor(es): dc.contributor | Foleis, Juliano Henrique | - |
| Autor(es): dc.contributor | Campiolo, Rodrigo | - |
| Autor(es): dc.contributor | Hübner, Rodrigo | - |
| Autor(es): dc.creator | Oliveira, Igor Lara de | - |
| Data de aceite: dc.date.accessioned | 2025-08-29T11:53:49Z | - |
| Data de disponibilização: dc.date.available | 2025-08-29T11:53:49Z | - |
| Data de envio: dc.date.issued | 2024-10-30 | - |
| Data de envio: dc.date.issued | 2024-10-30 | - |
| Data de envio: dc.date.issued | 2024-08-26 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/35308 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1085260 | - |
| Descrição: dc.description | The Earth’s biodiversity is increasingly threatened by various environmental challenges. To monitor and quantify biodiversity, biologists often use camera traps that record wildlife in their natural habitats, capturing videos when movement is detected within the camera’s range. However, these recordings frequently result in false positives, as factors like wind can trigger motion detection. In recent years, the use of intelligent systems for object detection in images and videos has gained significant attention, with machine learning and deep learning techniques showing strong performance across multiple fields. This study leverages deep learning, specifically using versions 3, 5, and 9 of the YOLO convolutional neural network, to detect animals in forest environments. Among these, the YOLOv5 model, with a batch size of 32, achieved the best results, boasting an F1-Score of 96.48%. Additionally, an application was developed to make these models more accessible to biologists. | - |
| Descrição: dc.description | A biodiversidade do planeta Terra está ameaçada frente aos diversos desafios ambientais enfrentados na atualidade. Uma das ferramentas que biólogos utilizam para quantificar a biodiversidade é o monitoramento de animais selvagens em seu habitat por meio de gravações por armadilhas fotográficas. Estas armadilhas acionam a captura de vídeos quando algum movimento é detectado nas imediações do campo de visão da câmera. Estas gravações podem apresentar vários falsos positivos de aparições de animais, uma vez que vários outros fatores naturais podem implicar em movimentos, como o vento, por exemplo. A detecção de objetos em imagens ou vídeos através de sistemas inteligentes tem sido um tema de crescente interesse nos últimos anos. Técnicas de machine learning e deep learning tem apresentado bom desempenho para a detecção de objetos em diversas áreas. Com base nisso, este trabalho utiliza técnicas de deep learning utilizando as versões 3, 5 e 9 da rede neural convolucional YOLO para a detecção de animais em ambientes de mata. A versão YOLOv5, com batch de tamanho 32, demonstrou o melhor desempenho, atingindo F1-Score de 96,48%. Também foi desenvolvido de um aplicativo para facilitar o uso dos modelos por biólogos. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Campo Mourao | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Departamento Acadêmico de Computação | - |
| Publicador: dc.publisher | Ciência da Computação | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| Palavras-chave: dc.subject | Redes neurais (Computação) | - |
| Palavras-chave: dc.subject | Animais silvestres | - |
| Palavras-chave: dc.subject | Aprendizado do computador | - |
| Palavras-chave: dc.subject | Neural networks (Computer science) | - |
| Palavras-chave: dc.subject | Forest animals | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
| Título: dc.title | Detecção de mamíferos em ambientes de mata utilizando YOLO | - |
| Título: dc.title | Mammal detection in forest environments using YOLO | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: