Arquivo retido, a pedido da autora, até julho de 2024.Ensuring the health and well-being of pigs requires significant effort in terms of labor, material resources, and time. The use of traditional monitoring methods can be stressful for pigs and demand substantial resources from producers, especially in large-scale production systems like industrial pig farming. This practice can have negative impacts on pig health and welfare, as well as the economic profitability of pig production. In this context, the aim of this study was to develop a model using the YOLOv8 architecture to detect and track pigs in a group housing environment. A total of 690 images of pigs housed in groups of nine individuals were used, with the dataset divided into training and validation sets in an 80:20 ratio. With the developed model, it was possible to perform tracking and establish individual identification for each pig. However, the metrics used to evaluate the model's performance yielded unsatisfactory results, highlighting the need to increase the training dataset. Despite these challenges, the model demonstrated good performance in terms of frames per second (FPS), indicating its viability for real-time applications, thus ensuring that the model has potential for practical implementation in pig monitoring and management.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Garantir a saúde e o bem-estar dos suínos requer um esforço significativo em termos de mão de obra, recursos materiais e tempo. O uso de métodos tradicionais de monitoramento pode ser estressante para os suínos e demandar recursos substanciais dos produtores, especialmente em sistemas de produção em larga escala, como a suinocultura industrial. Essa prática pode ter impactos negativos na saúde e bem-estar dos suínos e na lucratividade econômica da produção sunícula. Neste contexto, o objetivo deste estudo foi desenvolver um modelo usando a arquitetura YOLOv8 para detectar e rastrear suínos em um ambiente de alojamento em grupo. Foram utilizadas 690 imagens de suínos alojados em grupos de nove indivíduos. O conjunto de dados foi dividido em treinamento e validação em uma proporção de 80:20. Com o modelo desenvolvido, foi possível realizar o rastreamento e estabelecer a identificação individual de cada suíno. No entanto, as métricas utilizadas para avaliar o desempenho do modelo apresentaram resultados pouco satisfatórios, evidenciando a necessidade de aumentar o conjunto de dados de treinamento. Apesar desses desafios, o modelo demonstrou bom desempenho em termos de quadros por segundo (FPS), indicando sua viabilidade para aplicações em tempo real, garantindo que o modelo tem potencial para implementação prática no monitoramento e manejo de suínos.