COMBATENDO A DISTRAÇÃO AO VOLANTE: UMA ANÁLISE DE PRECISÃO E LATÊNCIA NA COMPARAÇÃO DE MODELOS PARA DETECÇÃO EM TEMPO REAL

Resumo

A desatenção do condutor permanece como uma das principais causas de acidentes fatais no trânsito. Com o avanço das tecnologias de assistência ao motorista, de visão computacional e aprendizado de máquina, assim como do número exponencial de veículos em circulação, tornam-se cruciais os investimentos em pesquisas que envolvam soluções tecnológicas para reduzir os riscos no trânsito e promover um ambiente viário mais seguro. Este trabalho compara três modelos de detecção de objetos — YOLOv8 (You Only Live Once), Faster R-CNN (Faster Region-based Convolutional Neural Network) e SSD (Single Shot Detection) — na tarefa de detectar distrações visuais de condutores. Para isso, foi utilizado um subconjunto manualmente anotado do StateFarm Distracted Driver, com 2853 imagens distribuídas em sete categorias e divididas em 70% treino, 20% validação e 10% teste. Os modelos foram treinados no ambiente Google Colab com GPU T4 e o desempenho dos algoritmos foi aferido por meio das métricas de precisão e tempo de inferência. O estudo apresenta uma avaliação qualitativa dos três detectores no cenário de distração, destacando fatores de implementação que impactam no desempenho de cada um dos modelos. 

Agência de fomento: UESB