Detecção e segmentação de instâncias em tempo real utilizando detectron2

Este trabalho apresenta uma análise da aplicação do framework Detectron2 para detecção e segmentação de objetos em imagens urbanas complexas. A pesquisa implementou o modelo Mask R-CNN com backbone ResNet-50 e Feature Pyramid Network (FPN) para identificação automática de múltiplas categorias de objetos, incluindo veículos, pessoas, semáforos e aeronaves. Os resultados demonstraram precisão na detecção com scores de confiança superiores a 90% para a maioria dos objetos identificados. O estudo evidenciou a eficácia do framework em cenários urbanos complexos, destacando sua capacidade de processamento em tempo real e robustez na identificação de objetos sobrepostos. A metodologia empregada utilizou configurações pré-treinadas no dataset COCO, com threshold de confiança ajustado para 0.5, permitindo detecções precisas mesmo em condições de alta densidade de objetos. Os achados contribuem para o avanço das tecnologias de visão computacional aplicadas a sistemas de monitoramento urbano inteligente e veículos autônomos.