O Aedes aegypti é o principal vetor de doenças como dengue, zika, chikungunya e febre amarela. Em 2024, de janeiro a agosto, foram notificados mais de 6,5 milhões de casos prováveis de dengue no Brasil, um aumento de 300% em relação ao mesmo período do ano passado (MINISTÉRIO DA SAÚDE, 2024). Esse aumento significativo deve-se à dificuldade do combate ao mosquito, uma vez que muitas pessoas não eliminam focos de água parada em suas próprias casas, o que facilita a sua proliferação. Nesse cenário, o uso de tecnologias capazes de identificar potenciais focos do Aedes aegypti em fotos aéreas, especialmente em áreas de difícil acesso ou pouco monitoradas, é fundamental, podendo auxiliar o governo no planejamento de rotas de inspeção, otimizando visitas casa a casa e contribuindo para o controle e a prevenção da expansão dessas doenças. O trabalho tem como finalidade desenvolver um software capaz de identificar esses possíveis focos do Aedes aegypti, com a intenção de apoiar a prevenção e o combate ao mosquito. Para atingir esse objetivo, a metodologia empregada contou com uma pesquisa bibliográfica e utilizou inteligência artificial de visão computacional na análise das imagens. Para o desenvolvimento do modelo, a prefeitura de Novo Hamburgo disponibilizou 210 fotos tiradas por drone, porém com uma resolução muito alta, dificultando a identificação de pequenos objetos. Em busca de resolver esse problema, foi desenvolvido um código em Python que reduziu as fotos em pedaços, deixando a resolução ideal para o treinamento da inteligência artificial. Assim, foram rotuladas e inseridas no sistema 8400 imagens através da plataforma RoboFlow. Dessas, 2790 foram definidas como as melhores e então divididas em 70% para treinamento, 20% para validação e 10% para testes. A determinação das classes identificadas nas imagens foi baseada em um levantamento do Ministério da Saúde (2023), que apresenta os objetos com maior ocorrência de Aedes aegypti na casa das pessoas. O modelo de detecção de objetos aplicado foi o YOLOv8, desenvolvido em Python, que faz a análise de imagens de forma extremamente rápida, usando redes neurais convolucionais para identificar padrões visuais como formas e texturas em imagens, filtrando-as para extrair características relevantes. Além disso, foi desenvolvido um software com a biblioteca Tkinter para a criação de uma interface gráfica em Python, o que permite a melhor utilização do modelo de inteligência artificial. Os resultados parciais, obtidos a partir de gráficos gerados pela biblioteca da Ultralytics, mostraram que o modelo atingiu uma precisão de aproximadamente 70% na identificação dos potenciais focos, atingindo o objetivo do estudo. Isso com a base de dados coletada, que simula a mesma situação em que a inteligência artificial seria utilizada pelo governo. Mesmo com bons resultados, ainda é possível a melhora da acurácia, filtrando mais as imagens e classes usadas, o que continuará sendo feito. Esse sistema pode ser usado para contribuir significativamente com o controle da proliferação do mosquito, auxiliando nas ações preventivas e reduzindo o risco de surtos. Palavras-chaves: Prevenção. Combate. Aedes aegypti. Inteligência artificial. Visão computacional. YOLOv8.