Análise de Desempenho e Viabilidade de Modelos YOLOv8 para Detecção de Pás Eólicas em Ambientes Embarcados
Resumo
Este trabalho apresenta uma análise de desempenho e viabilidade de modelos YOLOv8 aplicados à detecção de pás de turbinas eólicas em cenários de inspeção aérea, considerando diferentes ambientes computacionais, incluindo plataformas em nuvem com GPU e dispositivos embarcados com restrições de recursos. A partir da análise de latência, FPS, consumo de memória e precisão (mAP50), os resultados evidenciam limitações de implantação em dispositivos embarcados quando a aceleração por hardware não está disponível, reforçando a necessidade de estratégias específicas de otimização para aplicações em edge computing.
Referências
Cazzato, D., Cimarelli, C., Sanchez-Lopez, J. L., Voos, H., and Leo, M. (2020). A survey of computer vision methods for 2d object detection from unmanned aerial vehicles. Journal of Imaging, 6(8):78.
Han, S., Mao, H., and Dally, W. J. (2016). Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding. In International Conference on Learning Representations (ICLR).
NVIDIA (2020). Jetson nano developer kit.
Palmas, A. and Andronico, P. (2022). Deep learning computer vision algorithms for real-time uav on-board camera image processing. In NATO AVT-353 Research Workshop: Artificial Intelligence in Cockpits for UAVs.
Rey, L., Bernardos, A. M., Dobrzycki, A., et al. (2025). A performance analysis of you only look once models for deployment on constrained computational edge devices in drone applications. arXiv preprint arXiv:2502.15737.
Shi, W., Cao, J., Zhang, Q., Li, Y., and Xu, L. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5):637–646.
Xu, L., Zhao, Y., Zhai, Y., Huang, L., and Ruan, C. (2024). Small object detection in uav images based on yolov8n. International Journal of Computational Intelligence Systems, 17:223.
Zhang, Q., Wang, Y., Liu, M., et al. (2023). Benchmarking deep learning inference performance on edge devices. IEEE Access, 11:45000–45015.
Han, S., Mao, H., and Dally, W. J. (2016). Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding. In International Conference on Learning Representations (ICLR).
NVIDIA (2020). Jetson nano developer kit.
Palmas, A. and Andronico, P. (2022). Deep learning computer vision algorithms for real-time uav on-board camera image processing. In NATO AVT-353 Research Workshop: Artificial Intelligence in Cockpits for UAVs.
Rey, L., Bernardos, A. M., Dobrzycki, A., et al. (2025). A performance analysis of you only look once models for deployment on constrained computational edge devices in drone applications. arXiv preprint arXiv:2502.15737.
Shi, W., Cao, J., Zhang, Q., Li, Y., and Xu, L. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5):637–646.
Xu, L., Zhao, Y., Zhai, Y., Huang, L., and Ruan, C. (2024). Small object detection in uav images based on yolov8n. International Journal of Computational Intelligence Systems, 17:223.
Zhang, Q., Wang, Y., Liu, M., et al. (2023). Benchmarking deep learning inference performance on edge devices. IEEE Access, 11:45000–45015.
Publicado
08/07/2026
Como Citar
SAMPAIO, Gustavo F. Freitas; FERREIRA, Carlos Yan M.; AMARAL, Luis Guilherme A. G. do; RODRIGUES, Antonio Wendell de O..
Análise de Desempenho e Viabilidade de Modelos YOLOv8 para Detecção de Pás Eólicas em Ambientes Embarcados. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO NORDESTE (ERAD-NE), 7. , 2026, Recife/PE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 21-24.
DOI: https://doi.org/10.5753/erad-ne.2026.26664.
