10 projetos simples de visão computacional para aprender na prática

Já reparaste como as câmaras de trânsito detetam veículos automaticamente, como as lojas usam câmaras de vigilância para acompanhar os produtos nas prateleiras ou como as aplicações de fitness usam a câmara do teu telemóvel para compreender os teus movimentos em tempo real? Todas estas tecnologias dependem da visão computacional.

A visão computacional é um ramo da inteligência artificial que ajuda as máquinas a ver e interpretar imagens e vídeos. Em vez de apenas registar imagens, estes sistemas conseguem reconhecer objetos, identificar padrões e transformar o que veem em informação útil.

Os modelos de visão computacional de código aberto mais avançados, como o Ultralytics YOLO26, permitem realizar várias tarefas visuais, incluindo deteção de objetos, classificação de imagens, segmentação de instâncias, estimativa de pose e acompanhamento de objetos. Estes modelos foram concebidos para funcionar eficientemente em tempo real, facilitando a criação de aplicações práticas por parte dos programadores em diferentes setores.

10 projetos simples de visão computacional em resumo#

10 projetos simples de visão computacional para principiantes#

1. Sistema de alarme de segurança baseado em visão computacional#

Os sistemas de segurança são usados em casas, escritórios e armazéns para manter os espaços seguros. Os sistemas tradicionais baseados em sensores nem sempre são fiáveis, sobretudo em ambientes em constante mudança.

Por exemplo, os sensores básicos de movimento acionam muitas vezes alarmes falsos devido a sombras, alterações na iluminação ou pequenos movimentos. Em contrapartida, um sistema baseado em câmaras e equipado com visão computacional pode identificar objetos específicos de interesse, melhorando significativamente a precisão e reduzindo os falsos alertas.

É possível criar um sistema de monitorização de segurança em tempo real com o Ultralytics YOLO26, que processa cada fotograma da câmara e deteta objetos predefinidos, como pessoas ou veículos, na cena. Quando é identificado um objeto de interesse, o sistema desenha caixas delimitadoras à sua volta e atribui uma pontuação de confiança à previsão.

Fig. 2. Deteção de uma pessoa num quintal com um modelo Ultralytics YOLO (Fonte)

Também é possível definir uma região de interesse (ROI), como uma entrada ou uma área restrita, para que os alertas só sejam acionados quando os objetos entrarem nessa zona designada. Este tipo de projeto pode ajudar-te a familiarizar-te com o funcionamento da deteção de objetos em tempo real e com a integração das saídas dos modelos em ações automatizadas, como notificações ou alarmes.

2. Monitorização de exercícios com visão computacional#

Muitas aplicações de fitness usam uma câmara para contar repetições e acompanhar os movimentos. Enquanto a câmara grava o vídeo, a visão computacional analisa os movimentos do corpo em tempo real.

É possível desenvolver um sistema de monitorização de exercícios deste tipo com o Ultralytics YOLO26 e as suas capacidades de estimativa de pose. O modelo processa cada fotograma e deteta pontos-chave do corpo, como os ombros, os cotovelos, as ancas e os joelhos. Estes pontos formam um esqueleto digital que representa a postura e os movimentos da pessoa.

Fig. 3. Acompanhamento em tempo real e contagem automática de repetições de exercícios (Fonte)

Durante a execução de exercícios como agachamentos ou flexões, é possível medir as alterações dos ângulos das articulações para estimar o número de repetições. Por exemplo, ao acompanhar a flexão e o esticamento do joelho durante um agachamento, o sistema pode contar cada repetição concluída.

3. Gestão de estacionamento de veículos com visão computacional#

Estacionar pode ser frustrante em locais como centros comerciais, escritórios, aeroportos e condomínios. Verificar os lugares manualmente demora tempo, e os sensores básicos apenas indicam se um único lugar está ocupado. Um sistema baseado em câmaras pode monitorizar toda a área de estacionamento de uma só vez e mostrar em tempo real que lugares estão livres.

Podes criar um sistema de gestão de estacionamento com o Ultralytics YOLO26 para detetar veículos a partir de uma transmissão de vídeo ao vivo. O sistema analisa cada fotograma e identifica os carros na cena.

Fig. 4. Gestão inteligente de estacionamento com visão computacional (Fonte)

Podes desenhar zonas de estacionamento no ecrã e verificar se algum carro detetado se sobrepõe a uma dessas zonas. Se isso acontecer, o lugar é marcado como ocupado. Caso contrário, continua disponível.

Para expandir o sistema, poderias adicionar a deteção de matrículas e aplicar o reconhecimento ótico de caracteres (OCR) para ler os números das matrículas, para registo ou controlo de acesso.

4. Identificação de espécies de plantas com classificação de imagens#

A identificação de plantas é importante na agricultura, na monitorização ambiental e na educação. Os agricultores usam-na para detetar o estado de saúde das culturas, os investigadores usam-na para estudar a biodiversidade e os alunos usam-na para aprender sobre diferentes espécies.

A identificação tradicional de plantas exige muitas vezes conhecimentos especializados e comparação manual, o que pode ser demorado e inconsistente. A visão computacional acelera e permite ampliar este processo ao analisar imagens automaticamente.

Para este tipo de solução, podes criar um modelo de classificação de imagens que prevê a espécie de uma planta a partir de uma fotografia. Podes começar com um modelo pré-treinado, como o Ultralytics YOLO26, e ajustá-lo com precisão usando um conjunto de dados de plantas anotado através da aprendizagem por transferência.

Durante o treino, o modelo aprende padrões como a forma, a textura e as diferenças de cor das folhas para distinguir as espécies. Para começar, podes explorar conjuntos de dados de plantas disponíveis publicamente ou conjuntos de dados selecionados pela comunidade em plataformas como o Roboflow Universe, para aceder rapidamente a imagens anotadas.

5. Gestão de filas com IA visual#

Os sistemas de gestão de filas são usados em locais como bancos, aeroportos, hospitais e lojas para monitorizar o fluxo de pessoas e reduzir o tempo de espera. Mais especificamente, com a visão computacional, podes contar e monitorizar as pessoas numa fila através de uma transmissão de vídeo ao vivo.

Um sistema de monitorização de filas integrado com um modelo de visão computacional, como o Ultralytics YOLO26 para a deteção e o acompanhamento de pessoas, pode simplificar a gestão de filas. O sistema pode processar cada fotograma do vídeo, detetar pessoas e contar quantas estão dentro de uma área de fila predefinida.

Fig. 5. Gestão de filas num aeroporto com IA visual

Ao combinar a deteção de objetos com uma lógica simples de acompanhamento, podes estimar o comprimento da fila e até ter uma ideia do tempo de espera com base na rapidez com que a fila avança.

6. Deteção e monitorização de multidões por região#

Contar pessoas numa área específica é importante para eventos, espaços públicos e gestão da segurança. Em vez de contar todas as pessoas no fotograma, podes concentrar-te apenas numa região selecionada, como uma entrada, uma zona de espera ou uma área restrita.

Com o Ultralytics YOLO26, podes detetar pessoas em cada fotograma de vídeo e definir uma região personalizada no ecrã. Esta solução pode ser concebida para contar apenas as pessoas dentro desse limite.

Fig. 6. Monitorização de multidões com contagem por região (Fonte)

Esta abordagem ajuda-te a monitorizar a densidade de multidões nas áreas selecionadas e a compreender como a ocupação muda ao longo do tempo.

7. Inspeção da qualidade no fabrico#

No fabrico, pequenos erros como componentes em falta ou colocados incorretamente podem afetar a qualidade dos produtos e levar a devoluções. Para reduzir estes problemas, muitas linhas de produção usam sistemas de visão para detetar defeitos antes de os produtos avançarem para a etapa seguinte.

Podes simular uma linha de montagem simples em que uma câmara capta os produtos à medida que avançam num tapete transportador. Com o Ultralytics YOLO26, esse sistema pode verificar se todos os componentes necessários estão presentes e colocados corretamente.

Fig. 7. Deteção e contagem de embalagens numa linha de montagem com YOLO

Este tipo de sistema também pode ser desenvolvido para contar itens, confirmar se as embalagens estão seladas e verificar se os produtos estão organizados corretamente antes de saírem da linha.

8. Monitorização do trânsito com segmentação de imagens#

A monitorização do trânsito envolve muitas vezes mais do que apenas contar veículos. Em cruzamentos movimentados, ajuda a compreender como os veículos estão posicionados nas faixas e quanto espaço da estrada ocupam.

Para um sistema de monitoramento de tráfego, você pode criar uma solução usando o suporte à segmentação de instâncias do Ultralytics YOLO26. Ao contrário da detecção básica de objetos, a segmentação de instâncias gera máscaras em nível de pixel para cada veículo detectado, delineando seu formato exato em vez de apenas desenhar uma caixa delimitadora.

Fig. 8. Segmentação, contagem e rastreamento de veículos em tempo real (Fonte)

Ao analisar essas máscaras de segmentação, o sistema pode fornecer informações mais detalhadas sobre o uso das faixas, a densidade de veículos e os padrões de congestionamento.

9. Usando visão computacional para estimar a velocidade#

A estimativa de velocidade é comumente usada em monitoramento de tráfego, logística e sistemas de transporte inteligente. Com visão computacional, você pode estimar a velocidade de um veículo diretamente a partir de imagens de vídeo, sem usar sensores físicos ou radar.

Fig. 9. Rastreamento de veículos usando YOLO (Fonte)

Você pode usar o Ultralytics YOLO26 para detectar e rastrear objetos em um fluxo de vídeo. Medindo a distância percorrida por um veículo entre quadros e usando a taxa de quadros do vídeo junto com uma referência de distância real, você pode estimar a velocidade dele.

10. Monitoramento da segurança dos trabalhadores com estimativa de pose#

A segurança dos trabalhadores é fundamental em ambientes como canteiros de obras, fábricas e armazéns. Posturas inseguras, técnicas inadequadas de levantamento de peso ou quedas repentinas podem aumentar significativamente o risco de lesões.

Um exemplo é usar o Ultralytics YOLO26 com estimativa de pose para analisar a postura dos trabalhadores em tempo real. O modelo detecta pontos-chave do corpo, como ombros, quadris, joelhos e cotovelos. Ao avaliar os ângulos das articulações e os padrões de movimento, o sistema pode identificar inclinações inseguras, posturas inadequadas ao levantar peso ou movimentos repentinos que podem indicar uma queda.

Fig. 10. Uso da estimativa de pose humana para analisar a postura de trabalhadores da construção civil (Fonte)

O sistema também pode medir por quanto tempo um trabalhador permanece em uma posição que causa esforço e acionar alertas se os limites de postura predefinidos forem excedidos.

Entenda como funciona a visão computacional#

A visão computacional é um campo da IA que usa aprendizado profundo, aprendizado de máquina e outras técnicas para ajudar as máquinas a entender imagens e vídeos. Ela permite que os sistemas analisem dados visuais e reconheçam padrões.

O processo geralmente começa com o processamento de imagens ou o pré-processamento de dados, em que os dados visuais são limpos, redimensionados ou aprimorados antes de serem analisados. Em seguida, uma rede neural é treinada com grandes conjuntos de dados para aprender padrões como formas, bordas, texturas e características de objetos. Em geral, quanto mais dados de alta qualidade são usados para treinar um modelo, melhor é seu desempenho em diferentes cenários do mundo real.

Muitos sistemas modernos de visão computacional dependem de redes neurais convolucionais (CNNs), projetadas especificamente para tarefas relacionadas a imagens. As CNNs extraem automaticamente características visuais importantes e as usam para fazer previsões.

A maioria dos projetos para iniciantes se baseia em algumas tarefas de visão fundamentais. Estas são as principais que você encontrará:

• Classificação de imagens: Esta tarefa atribui um único rótulo a uma imagem inteira, por exemplo, determina se uma imagem mostra um gato ou um cachorro.
• Detecção de objetos: Os objetos em uma imagem são localizados e destacados usando caixas delimitadoras, por exemplo, identificando carros, pessoas ou bicicletas em uma cena de rua.
• Segmentação de instâncias: Cada objeto em uma imagem é separado no nível de pixel para que seu formato exato possa ser delineado, o que é útil quando são necessários limites precisos.
• Estimativa de pose: Pontos-chave do corpo humano, como ombros, cotovelos e joelhos, são identificados em imagens para entender a postura e o movimento.
• Rastreamento de objetos: Os objetos são acompanhados ao longo dos quadros de vídeo para monitorar como se movem com o passar do tempo.

Fig. 1. Exemplo de detecção de objetos usando visão computacional

O impacto crescente da visão computacional#

Atualmente, a IA visual está sendo adotada em muitos setores. De fato, espera-se que o mercado global de visão computacional alcance US$ 58 bilhões até 2030, crescendo quase 20% ao ano à medida que mais organizações integram inteligência visual aos seus sistemas.

Por exemplo, o transporte é uma das principais áreas de crescimento. No caso dos carros autônomos, a visão computacional permite que os veículos detectem faixas, veículos, pedestres e semáforos em tempo real.

O varejo é outro exemplo interessante. Lojas automatizadas usam visão computacional e fusão de sensores para detectar os produtos que os clientes pegam, permitindo fazer compras sem passar pelo caixa.

Já na área da saúde, a visão computacional é amplamente usada em exames de imagem para analisar exames como radiografias, ressonâncias magnéticas e tomografias computadorizadas, ajudando os profissionais de saúde a detectar anomalias e apoiar o diagnóstico.

O que considerar antes de começar um projeto de IA visual#

Planejar com antecedência seu projeto de IA visual pode ajudar você a evitar erros comuns e criar um sistema mais confiável. Veja alguns fatores práticos a considerar antes de começar um projeto de visão computacional:

• Defina claramente o objetivo: Seja específico sobre o que você quer que o sistema faça, seja detectar objetos, rastrear movimentos, estimar poses ou classificar imagens. Um objetivo claro pode orientar melhor suas decisões técnicas durante todo o projeto.
• Priorize a qualidade do conjunto de dados: Dados e anotações bem rotulados, diversificados e representativos são essenciais. Dados de baixa qualidade geralmente levam a um desempenho pouco confiável do modelo.
• Escolha as ferramentas certas: Selecione ferramentas com bom suporte e fáceis de usar. Python é uma escolha comum para iniciantes porque oferece um amplo ecossistema de bibliotecas de visão computacional e recursos de aprendizado. Os modelos da família Ultralytics YOLO também são populares para várias tarefas de visão, como detecção e rastreamento de objetos, o que os torna um ponto de partida prático e acessível.
• Otimize para as condições do mundo real: Mudanças na iluminação, ângulos de câmera, desfoque de movimento e fundos carregados podem afetar o desempenho. Teste seu sistema em condições semelhantes àquelas em que ele será realmente usado.
• Considere a privacidade e a ética: Se você trabalha com imagens ou vídeos de pessoas, considere as normas de privacidade de dados e as práticas responsáveis de IA. Certifique-se de que os dados sejam coletados e usados adequadamente.

Principais conclusões#

A visão computacional está mudando a forma como os sistemas entendem os dados visuais. Ao explorar ideias práticas de projetos e aplicações do mundo real, iniciantes podem adquirir experiência prática rapidamente.

Modelos como o Ultralytics YOLO26 facilitam o início e permitem obter resultados mais rapidamente. Com objetivos claros e dados de qualidade, você pode criar uma base sólida para sistemas de visão computacional mais avançados.

Participe da nossa comunidade em crescimento e explore nosso repositório no GitHub para encontrar recursos de IA. Para começar a desenvolver com IA visual hoje mesmo, confira nossas opções de licenciamento. Saiba como a IA na agricultura está transformando a agricultura e como a IA visual na robótica está moldando o futuro visitando nossas páginas de soluções.