Monitoramento Inteligente de Tempo Real para Tráfego Urbano em Cidades Brasileiras
Resumo
Visando contribuir para o monitoramento em tempo real do tráfego urbano em cidades brasileiras, este trabalho apresenta uma solução inteligente que utiliza imagens de câmeras de monitoramento urbanas para treinar modelos inteligentes de contagem e classificação de veículos. O modelo YOLOv11 Medium obteve mAP experimental de 0,7372 a 94 FPS, e foi implantado em um dashboard interativo. Este trabalho também propõe um benchmark para a tarefa de detecção de veículos e contribui com estratégias adaptativas e responsivas para a mobilidade urbana inteligente em cidades brasileiras.Referências
Brasil (1997). Lei No 9.503, de 23 de setembro de 1997 – Código de Trânsito Brasileiro. Disponível em [link]. Acesso: 03/mar/2025.
Brasil (2022). Ministério das Cidades – Pesquisa Nacional de Mobilidade Urbana (PEMOB) 2022. Technical report. Disponível em: [link]. Acesso: 10/mar/2025.
Campos, D. H. C., Rodrigues, E. d. O., and Campos, E. C. (2020). Criação e validação de uma base de dados com elementos do trânsito brasileiro para veículos autônomos. Brazilian Applied Science Review, 4(3):1578–1590.
Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., and Zagoruyko, S. (2020). End-to-end object detection with transformers. In European Conference on Computer Vision, pages 213–229. Springer.
Carvalho, C. H. d. (2016a). Mobilidade urbana: avanços, desafios e perspectivas. In Costa, M. A., editor, O Estatuto da Cidade e a Habitat III: um balanço de quinze anos da política urbana no Brasil e a nova agenda urbana, pages 345–364, Brasília. IPEA.
Carvalho, C. H. R. (2016b). Desafios da mobilidade urbana no Brasil. Technical Report 2198, Brasília. Disponível em [link]. Acesso: 03/mar/2025.
Carvalho, R., Guedes, E., and Figueiredo, C. (2022). Detecção Inteligente de Falhas em Pavimentações Asfálticas com Redes Neurais Convolucionais Regionais. In Anais do III Workshop Brasileiro de Cidades Inteligentes, pages 119–130, Porto Alegre, RS, Brasil. SBC.
Cerutti, P. S., Martins, R. D., Macke, J., and Sarate, J. A. R. (2019). “Green, but not as green as that”: An analysis of a Brazilian bike-sharing system. Journal of Cleaner Production, 217:185–193.
Gassmann, O., Böhm, J., and Palmié, M. (2019). Smart Cities: Introducing Digital Innovation to Cities. Emerald Publishing Limited.
IBGE (2022). Instituto Brasileiro de Geografia e Estatística – Censo Demográfico 2022. Disponível em [link]. Acesso: 03/mar/2025.
Leal, D. M. (2023). Detecção e Rastreamento de Objetos em Vídeo via Rede Neural Convolucional (CNN). Instituto Federal do Espírito Santo. Curso de Engenharia de Controle e Automação (Trabalho de Conclusão de Curso).
Moreira, M. A. L., Freitas Junior, M. d., and Toloi, R. C. (2018). O transporte rodoviário no Brasil e suas deficiências. Refas - Revista FATEC Zona Sul, 4(4):1–13.
Padilla, R., Netto, S. L., and da Silva, E. A. B. (2020). A Survey on Performance Metrics for Object-Detection Algorithms. In 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), pages 237–242, Niterói, Brasil.
Pasqual Lofhagen, J. C. and Lira, G. S. d. (2022). Cidades Inteligentes e o Transporte Urbano Sustentável com Bioenergia: Um Estudo de Caso de Curitiba, Brasil. Rev. Tecnol. Soc., 18(51):207.
Policarpo, V. A. (2021). Análise de datasets para a detecção de veículos em imagens aéreas com algoritmos de Deep Learning e aplicação para a cidade de São Carlos. Escola de Engenharia de São Carlos, Universidade de São Paulo (Trabalho de Conclusão de Curso).
Redmon, J., Divvala, S., Girshick, R. B., and Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 779–788.
Ribeiro, V. and Hirata, N. (2023). Combining YOLO and Visual Rhythm for vehicle counting. In Anais Estendidos da XXXVI Conference on Graphics, Patterns and Images (SIBGRAPI), pages 164–167. SBC.
Santos, A. M., Bastos-Filho, C. J. A., Maciel, A. M. A., and Lima, E. (2020). Counting vehicle with high-precision in Brazilian roads using YOLOv3 and Deep SORT. In 2020 33rd SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI). IEEE.
Savithramma, R. M., Ashwini, B. P., and Sumathi, R. (2022). Smart Mobility Implementation in Smart Cities: A Comprehensive Review On State-of-art Technologies. In 2022 4th International Conference on Smart Systems and Inventive Technology (ICSSIT), pages 10–17, India. IEEE.
Vijayakumar, A. and Vairavasundaram, S. (2024). YOLO-based object detection models: A review and its applications. Multimed. Tools Appl.
Zhao, Y., Lv, W., Xu, S., Wei, J., Wang, G., Dang, Q., Liu, Y., and Chen, J. (2024). DETRs beat YOLOs on real-time object detection. In 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pages 16965–16974. IEEE.
Brasil (2022). Ministério das Cidades – Pesquisa Nacional de Mobilidade Urbana (PEMOB) 2022. Technical report. Disponível em: [link]. Acesso: 10/mar/2025.
Campos, D. H. C., Rodrigues, E. d. O., and Campos, E. C. (2020). Criação e validação de uma base de dados com elementos do trânsito brasileiro para veículos autônomos. Brazilian Applied Science Review, 4(3):1578–1590.
Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., and Zagoruyko, S. (2020). End-to-end object detection with transformers. In European Conference on Computer Vision, pages 213–229. Springer.
Carvalho, C. H. d. (2016a). Mobilidade urbana: avanços, desafios e perspectivas. In Costa, M. A., editor, O Estatuto da Cidade e a Habitat III: um balanço de quinze anos da política urbana no Brasil e a nova agenda urbana, pages 345–364, Brasília. IPEA.
Carvalho, C. H. R. (2016b). Desafios da mobilidade urbana no Brasil. Technical Report 2198, Brasília. Disponível em [link]. Acesso: 03/mar/2025.
Carvalho, R., Guedes, E., and Figueiredo, C. (2022). Detecção Inteligente de Falhas em Pavimentações Asfálticas com Redes Neurais Convolucionais Regionais. In Anais do III Workshop Brasileiro de Cidades Inteligentes, pages 119–130, Porto Alegre, RS, Brasil. SBC.
Cerutti, P. S., Martins, R. D., Macke, J., and Sarate, J. A. R. (2019). “Green, but not as green as that”: An analysis of a Brazilian bike-sharing system. Journal of Cleaner Production, 217:185–193.
Gassmann, O., Böhm, J., and Palmié, M. (2019). Smart Cities: Introducing Digital Innovation to Cities. Emerald Publishing Limited.
IBGE (2022). Instituto Brasileiro de Geografia e Estatística – Censo Demográfico 2022. Disponível em [link]. Acesso: 03/mar/2025.
Leal, D. M. (2023). Detecção e Rastreamento de Objetos em Vídeo via Rede Neural Convolucional (CNN). Instituto Federal do Espírito Santo. Curso de Engenharia de Controle e Automação (Trabalho de Conclusão de Curso).
Moreira, M. A. L., Freitas Junior, M. d., and Toloi, R. C. (2018). O transporte rodoviário no Brasil e suas deficiências. Refas - Revista FATEC Zona Sul, 4(4):1–13.
Padilla, R., Netto, S. L., and da Silva, E. A. B. (2020). A Survey on Performance Metrics for Object-Detection Algorithms. In 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), pages 237–242, Niterói, Brasil.
Pasqual Lofhagen, J. C. and Lira, G. S. d. (2022). Cidades Inteligentes e o Transporte Urbano Sustentável com Bioenergia: Um Estudo de Caso de Curitiba, Brasil. Rev. Tecnol. Soc., 18(51):207.
Policarpo, V. A. (2021). Análise de datasets para a detecção de veículos em imagens aéreas com algoritmos de Deep Learning e aplicação para a cidade de São Carlos. Escola de Engenharia de São Carlos, Universidade de São Paulo (Trabalho de Conclusão de Curso).
Redmon, J., Divvala, S., Girshick, R. B., and Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 779–788.
Ribeiro, V. and Hirata, N. (2023). Combining YOLO and Visual Rhythm for vehicle counting. In Anais Estendidos da XXXVI Conference on Graphics, Patterns and Images (SIBGRAPI), pages 164–167. SBC.
Santos, A. M., Bastos-Filho, C. J. A., Maciel, A. M. A., and Lima, E. (2020). Counting vehicle with high-precision in Brazilian roads using YOLOv3 and Deep SORT. In 2020 33rd SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI). IEEE.
Savithramma, R. M., Ashwini, B. P., and Sumathi, R. (2022). Smart Mobility Implementation in Smart Cities: A Comprehensive Review On State-of-art Technologies. In 2022 4th International Conference on Smart Systems and Inventive Technology (ICSSIT), pages 10–17, India. IEEE.
Vijayakumar, A. and Vairavasundaram, S. (2024). YOLO-based object detection models: A review and its applications. Multimed. Tools Appl.
Zhao, Y., Lv, W., Xu, S., Wei, J., Wang, G., Dang, Q., Liu, Y., and Chen, J. (2024). DETRs beat YOLOs on real-time object detection. In 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pages 16965–16974. IEEE.
Publicado
20/07/2025
Como Citar
LOUREIRO, Carlos; GUEDES, Elloá B.; FIGUEIREDO, Carlos M. S..
Monitoramento Inteligente de Tempo Real para Tráfego Urbano em Cidades Brasileiras. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO UBÍQUA E PERVASIVA (SBCUP), 17. , 2025, Maceió/AL.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 41-50.
ISSN 2595-6183.
DOI: https://doi.org/10.5753/sbcup.2025.7964.
