Criação e Disponibilização de um Dataset Anotado de Onças-Pintadas para Treinamento de Modelos de Inteligência Artificial

• Ederson R. da Costa SENAC-MS
• Calebe P. Lemos SENAC-MS
• Enilda A. M. da R. Cáceres SENAC-MS
• Maurício de S. Estevam SENAC-MS
• Thiago G. de Almeida SENAC-MS
• Lucélia A. Castro SENAC-MS

DOI: https://doi.org/10.5753/wcama.2026.19543

Resumo

A onça-pintada (Panthera onca) desempenha papel ecológico fundamental como predador de topo em diversos biomas brasileiros, especialmente no Pantanal. Apesar de sua relevância, há escassez de bases públicas anotadas voltadas à sua detecção automática. Este trabalho apresenta a criação, curadoria, anotação e disponibilização pública de um dataset de imagens de onças-pintadas destinado ao treinamento e avaliação de modelos de visão computacional, com ênfase em algoritmos da família YOLO [Redmon et al. 2016, Bochkovskiy et al. 2020]. As imagens foram obtidas a partir de fontes públicas na internet e passaram por processo manual de seleção e rotulagem. O dataset visa fomentar pesquisas em Inteligência Artificial aplicada à conservação ambiental e ao monitoramento automatizado da fauna.

Referências

Bochkovskiy, A., Wang, C.-Y., and Liao, H.-Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.

Cavalcanti, S. M. C. and Gese, E. M. (2010). Kill rates and predation patterns of jaguars (panthera onca) in the southern pantanal, brazil. Journal of Mammalogy, 91(3):722–736.

Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. MIT Press, Cambridge, MA.

Norouzzadeh, M. S., Nguyen, A., Kosmala, M., Swanson, A., Palmer, M. S., Packer, C., and Clune, J. (2018). Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning. Proceedings of the National Academy of Sciences, 115(25):E5716–E5725.

Peng, R. D. (2011). Reproducible research in computational science. Science, 334(6060):1226–1227.

Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 779–788.

Redmon, J. and Farhadi, A. (2018). Yolov3: An incremental improvement. arXiv preprint arXiv:1804.02767.

Schneider, S., Greenberg, S., Taylor, G. W., and Kremer, S. C. (2019). Three critical factors affecting automated image species recognition performance for camera traps. Ecology and Evolution, 9(6):3503–3517.

Torralba, A. and Efros, A. A. (2011). Unbiased look at dataset bias. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 1521–1528.

United Nations (2015). Transforming our world: the 2030 agenda for sustainable development.