YOLOv8 para Detecção de Embarcações em Ambiente Fluvial Amazônico

• Paulo Henrique Barros Diniz USP
• Sarita Mazzini Bruschi USP

DOI: https://doi.org/10.5753/eradsp.2026.30975

Resumo

A família YOLOv8 é investigada neste artigo para detecção de embarcações em ambientes fluviais amazônicos, cenário pouco coberto por bases genéricas como COCO e ImageNet. As cinco variantes oficiais (n, s, m, l, x) foram treinadas em um dataset próprio de embarcações regionais (regional, voadeira, expresso, balsa, ferry), coletado em sete pontos do Amazonas e totalizando 1.344 instâncias anotadas. Os experimentos, com 150 épocas, batch size 8 e resolução 640× 640, foram executados em uma NVIDIA RTX 3050. O YOLOv8l alcançou a melhor precisão geral (71,14% mAP@50), enquanto o YOLOv8s ofereceu o melhor equilíbrio entre precisão (68,87% mAP@50) e tempo de treinamento (16,9 min), mostrando-se mais adequado para instituições locais com poder computacional limitado, como órgãos de fiscalização e equipes de monitoramento fluvial.

Referências

Agência Nacional de Águas e Saneamento Básico. Regiões Hidrográficas Brasileiras. [link], 2017. Accessed: 2026-05-15.

Agência Nacional de Transportes Aquaviários. Anuário Estatístico da Hidrovia do Amazonas. [link], 2022.

Yann LeCun, Yoshua Bengio, and Geoffrey Hinton. Deep learning. Nature, 521(7553):436–444, 2015.

Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. In Advances in Neural Information Processing Systems (NeurIPS), pages 91–99, 2015.

Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, and Alexander C. Berg. SSD: Single Shot MultiBox Detector. In European Conference on Computer Vision (ECCV), pages 21–37, 2016.

Joseph Redmon, Santosh Divvala, Ross Girshick, and Ali Farhadi. You Only Look Once: Unified, Real-Time Object Detection. In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 779–788, 2016.

Glenn Jocher, Ayush Chaurasia, and Jing Qiu. Ultralytics YOLO, 2023. Software.

J Sharafaldeen, M Rizk, D Heller, Amer Baghdadi, and J-Ph Diguet. Marine object detection based on top-view scenes using deep learning on edge devices. In 2022 International Conference on Smart Systems and Power Management (IC2SPM), pages 35–40. IEEE, 2022.

Ao Wang, Hui Chen, Zhuangwei Liu, Jianlong Chen, Ziyi Liu, Haoyu Ke, Jian Sun, Mingyu Jia, et al. Yolov10: Real-time end-to-end object detection. arXiv preprint arXiv:2405.14458, 2024.

Hyago VLB Silva, Felipe AP de Figueiredo, and Samuel B Mafra. Performance evaluation of edge computing object detection models for maritime surveillance on a raspberry pi. In 2024 IEEE Latin-American Conference on Communications (LATINCOM), pages 1–6. IEEE, 2024.

Sergey Ioffe and Christian Szegedy. Batch normalization: Accelerating deep network training by reducing internal covariate shift. In Proceedings of the 32nd International Conference on Machine Learning, volume 37 of Proceedings of Machine Learning Research, pages 448–456. PMLR, 2015.