Reconhecimento de Expressões Faciais em Tempo Real com YOLO: Estudo Comparativo em Cenários Não Controlados
Resumo
O reconhecimento de expressões faciais em tempo real em cenários não controlados (in-the-wild) ainda é desafiador devido a variações de iluminação, pose e oclusões. Este trabalho compara YOLOv8n, YOLOv10n, YOLOv11n e YOLOv12n, todas na variante nano, para reconhecimento de expressões faciais usando o dataset público “9 Facial Expressions for YOLO” sob um protocolo experimental unificado. Os resultados evidenciam trade-offs entre mAP e velocidade: o YOLOv12n obteve maior mAP, o YOLOv10n maior FPS e o YOLOv8n o melhor equilíbrio para aplicações em tempo real sob restrições computacionais.
Referências
Adimas, R., Firmansyah, G., and Ardiansyah, A. (2025). Real-time facial expression detection using yolov12. Journal of Knowledge and Technology Innovation, 9(2):1–9.
Alshammari, A. and Alshammari, M. E. (2024). Emotional facial expression detection using YOLOv8. Engineering, Technology & Applied Science Research, 14(5):16619–16623.
Jegham, N., Koh, C. Y., Abdelatti, M. F., and Hendawi, A. (2025). Yolo evolution: A comprehensive benchmark and architectural review of yolov12, yolo11, and their previous versions. Preprint.
Kumari, J., Rajesh, R., and Pooja, K. M. (2015). Facial expression recognition: A survey. Procedia Computer Science, 58:486–491.
Li, S. and Deng, W. (2018). Deep facial expression recognition: A survey. arXiv preprint arXiv:1804.08348.
Mollahosseini, A., Hasani, B., and Mahoor, M. H. (2017). Affectnet: A database for facial expression, valence, and arousal computing in the wild. IEEE Transactions on Affective Computing, 10(1):18–31.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. arXiv preprint arXiv:1506.02640.
Shao, J. and Qian, Y. (2019). Three convolutional neural network models for facial expression recognition in the wild. Neurocomputing, 355:82–92.
Alshammari, A. and Alshammari, M. E. (2024). Emotional facial expression detection using YOLOv8. Engineering, Technology & Applied Science Research, 14(5):16619–16623.
Jegham, N., Koh, C. Y., Abdelatti, M. F., and Hendawi, A. (2025). Yolo evolution: A comprehensive benchmark and architectural review of yolov12, yolo11, and their previous versions. Preprint.
Kumari, J., Rajesh, R., and Pooja, K. M. (2015). Facial expression recognition: A survey. Procedia Computer Science, 58:486–491.
Li, S. and Deng, W. (2018). Deep facial expression recognition: A survey. arXiv preprint arXiv:1804.08348.
Mollahosseini, A., Hasani, B., and Mahoor, M. H. (2017). Affectnet: A database for facial expression, valence, and arousal computing in the wild. IEEE Transactions on Affective Computing, 10(1):18–31.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. arXiv preprint arXiv:1506.02640.
Shao, J. and Qian, Y. (2019). Three convolutional neural network models for facial expression recognition in the wild. Neurocomputing, 355:82–92.
Publicado
19/07/2026
Como Citar
RICARDO, Paulo; MELO, Tiago de.
Reconhecimento de Expressões Faciais em Tempo Real com YOLO: Estudo Comparativo em Cenários Não Controlados. In: SEMINÁRIO INTEGRADO DE SOFTWARE E HARDWARE (SEMISH), 53. , 2026, Gramado/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 998-1003.
ISSN 2595-6205.
DOI: https://doi.org/10.5753/semish.2026.22019.
