Resumo: Este trabalho investiga como diferentes condições visuais influenciam a capacidade do modelo YOLOv5 de detectar pessoas em ambientes de baixa luminosidade. A partir de um conjunto inicial de imagens capturadas em condições diurnas, foram geradas versões escurecidas e organizados diversos cenários de treinamento para avaliar o impacto da iluminação, de técnicas de transformação de imagens e de estratégias de aumento de dados no desempenho do modelo. Os experimentos conduzidos mostram que a combinação entre imagens originais e versões levemente escurecidas, aliada ao uso de data augmentation e imagens de fundo, resulta em modelos mais estáveis e precisos para a detecção em situações adversas. Os resultados evidenciam a relevância de considerar variações de iluminação no desenvolvimento de sistemas de visão computacional e apontam caminhos promissores para aplicações em vigilância, monitoramento e ambientes reais com pouca luz.

Banca:
Flávio Luis de Mello, DSc. (Presidente)
Heraldo Luis Silveira de Almeida, DSc. (Examinador)
Claudio Miceli de Farias, DSc. (Examinador)