Detecção e Contagem de Ativos Verdes: Um Estudo Comparativo Usando YOLOv8, YOLOv11, RT-DETR e Faster R-CNN

• Maxwell Pires Silva UFMA https://orcid.org/0009-0004-3237-5234
• Italo Francyles Santos da Silva UFMA https://orcid.org/0000-0002-2041-7538
• João Dallyson Sousa de Almeida UFMA https://orcid.org/0000-0001-7013-9700
• Anderson Lopes Silva UFMA https://orcid.org/0009-0003-7721-0700
• Joana Kuelvia de Araujo Silva UFMA https://orcid.org/0009-0004-2216-357X
• João Pedro Gomes de Souza UFMA https://orcid.org/0009-0007-2921-8969
• Anselmo Cardoso de Paiva UFMA https://orcid.org/0000-0003-4921-0626
• Laura Giovanna Freitas Castro Instituto de Ciencia e Tecnologia Grupo Equatorial https://orcid.org/0009-0006-7079-5998
• Luan Felipe Araujo Sousa Instituto de Ciencia e Tecnologia Grupo Equatorial https://orcid.org/0009-0000-6549-6519

DOI: https://doi.org/10.5753/semish.2026.23705

Resumo

Ativos verdes urbanos são relevantes para a resiliência climática e o bem-estar, mas também podem gerar riscos operacionais quando a vegetação se aproxima de redes aéreas de energia. Este trabalho avalia a detecção e contagem automática de ativos verdes em imagens em nível de rua por meio de um estudo comparativo entre YOLOv8, YOLOv11, RT-DETR e Faster R-CNN. Os experimentos comparam o dataset original e uma versão ampliada com novas anotações. Os resultados obtidos indicam melhor desempenho global do YOLOv11 tanto em detecção (mAP50 e Dice) quanto em contagem (MAE e RMSE), sugerindo sua adequação para aplicações de monitoramento da vegetação urbana.

Referências

IPCC (2022). Climate change 2022: Impacts, adaptation and vulnerability — chapter 6: Cities, settlements and key infrastructure. Technical report, Intergovernmental Panel on Climate Change (IPCC). Acesso em: 2026-02-02.

Jodas, D. S., Yojo, T., Brazolin, S., Velasco, G. D. N., and Papa, J. P. (2022). Detection of trees on street-view images using a convolutional neural network. International Journal of Neural Systems, 32(1):2150042.

Nielsen, A. B., Östberg, J., and Delshammar, T. (2014). Review of urban tree inventory methods used to collect data at single-tree level. Arboriculture & Urban Forestry, 40(2):96–111.

Nitoslawski, S. A., Galle, N. J., Van Den Bosch, C. K., and Steenberg, J. W. (2019). Smarter ecosystems for smarter cities? a review of trends, technologies, and turning points for smart urban forestry. Sustainable Cities and Society, 51:101770.

OMS (2017). Urban green space interventions and health: A review of impacts and effectiveness. Technical report, Organização Mundial da Saúde, Regional Office for Europe. Acesso em: 2026-02-02.

Sant Ana, W. d. O., Faria, J. d., Zavarize, M. d. S., Pezente, D. P., Barbosa, V. d. C., Spacek, A. D., Vianna, M. P., and Junior, O. H. A. (2022). Methodology for defining priority locations for carrying out a forest inventory in points with conflict between urban tree planting and the electricity grid. Energies, 15(3):684.

Taylor, W. O., Watson, P. L., Cerrai, D., and Anagnostou, E. (2022). A statistical framework for evaluating the effectiveness of vegetation management in reducing power outages caused during storms in distribution networks. Sustainability, 14(2):904.

Tzutalin (2015). Labelimg. [link]. Acesso em: 2026-02-08.

Wang, S. (2025). Effectiveness of traditional augmentation methods for rebar counting using uav imagery with faster r-cnn and yolov10-based transformer architectures. Scientific Reports, 15(1):33702.

Wedagedara, H., Witharana, C., Fahey, R., Cerrai, D., Joshi, D., and Parent, J. (2023). Modeling the impact of local environmental variables on tree-related power outages along distribution powerlines. Electric Power Systems Research, 221:109486.