Uma história dos modelos de visão

O que é visão computacional#

Imagine entrar em uma loja onde uma câmera identifica seu rosto, analisa seu humor e sugere produtos de acordo com suas preferências, tudo em tempo real. Isso não é ficção científica, mas uma realidade possibilitada pelos modelos modernos de visão. Segundo um relatório da Fortune Business Insights, o mercado global de visão computacional foi avaliado em 20,75 bilhões de dólares em 2025 e deve crescer de 24,14 bilhões de dólares em 2026 para 72,80 bilhões de dólares em 2034, refletindo os rápidos avanços e a crescente adoção dessa tecnologia em vários setores.

O campo da visão computacional permite que computadores detectem, identifiquem e analisem objetos em imagens. Assim como outras áreas relacionadas à IA, a visão computacional evoluiu rapidamente nas últimas décadas.

A história da visão computacional é extensa. Nos primeiros anos, os modelos de visão computacional eram capazes de detectar formas e bordas simples, muitas vezes limitados a tarefas básicas, como reconhecer padrões geométricos ou distinguir áreas claras e escuras. Hoje, porém, os modelos conseguem executar tarefas complexas, como detecção de objetos em tempo real, reconhecimento facial e até interpretação de emoções com base em expressões faciais, com precisão e eficiência excepcionais. Essa evolução dramática destaca os grandes avanços no poder computacional, na sofisticação dos algoritmos e na disponibilidade de grandes volumes de dados para treinamento.

Neste artigo, exploraremos os principais marcos na evolução da visão computacional. Vamos conhecer seus primórdios, analisar o impacto transformador das Redes Neurais Convolucionais (CNNs) e examinar os avanços significativos que vieram depois.

Os primórdios da visão computacional#

Assim como em outras áreas de IA, o desenvolvimento inicial da visão computacional começou com pesquisas fundamentais e trabalhos teóricos. Um marco importante foi o trabalho pioneiro de Lawrence G. Roberts sobre reconhecimento de objetos 3D, documentado em sua tese "Percepção de máquina de sólidos tridimensionais", no início da década de 1960. Suas contribuições lançaram as bases para futuros avanços na área.

Os primeiros algoritmos — detecção de bordas#

As primeiras pesquisas em visão computacional se concentraram em técnicas de processamento de imagens, como detecção de bordas e extração de características. Algoritmos como o operador Sobel, desenvolvido no fim da década de 1960, estavam entre os primeiros a detectar bordas calculando o gradiente da intensidade da imagem.

Fig 1. Uma imagem que demonstra a detecção de bordas, em que o lado esquerdo mostra o objeto original e o lado direito exibe a versão com as bordas detectadas.

Técnicas como os detectores de bordas Sobel e Canny tiveram um papel fundamental na identificação de limites nas imagens, essenciais para reconhecer objetos e compreender cenas.

Aprendizado de máquina e visão computacional#

Reconhecimento de padrões#

Na década de 1970, o reconhecimento de padrões surgiu como uma área fundamental da visão computacional. Pesquisadores desenvolveram métodos para reconhecer formas, texturas e objetos em imagens, abrindo caminho para tarefas de visão mais complexas.

Fig 2. Reconhecimento de padrões.

Um dos primeiros métodos de reconhecimento de padrões envolvia o casamento de modelos, em que uma imagem é comparada com um conjunto de modelos para encontrar a melhor correspondência. Essa abordagem era limitada por sua sensibilidade a variações de escala, rotação e ruído.

Fig 3. Um modelo no lado esquerdo encontrado na imagem à direita.

Os primeiros sistemas de visão computacional eram limitados pelo poder computacional restrito da época. Os computadores das décadas de 1960 e 1970 eram grandes, caros e tinham capacidade de processamento limitada.

A revolução do aprendizado profundo#

Aprendizado profundo e Redes Neurais Convolucionais#

O aprendizado profundo e as Redes Neurais Convolucionais (CNNs) marcaram um momento decisivo na área da visão computacional. Esses avanços transformaram radicalmente a forma como os computadores interpretam e analisam dados visuais, possibilitando uma ampla variedade de aplicações antes consideradas impossíveis.

Como funcionam as CNNs?#

Fig 4. Arquitetura de uma Rede Neural Convolucional (CNN).

1. Camadas convolucionais: as CNNs usam camadas convolucionais para percorrer uma imagem usando filtros ou kernels. Esses filtros detectam diversos recursos, como bordas, texturas e cores, deslizando pela imagem e calculando produtos escalares. Cada filtro é ativado por padrões específicos na imagem, permitindo que o modelo aprenda características hierárquicas.
2. Funções de ativação: após a convolução, funções de ativação como ReLU (unidade linear retificada), que retorna diretamente a entrada se ela for positiva e zero caso contrário, introduzem não linearidade. Isso ajuda a rede a aprender padrões e representações complexas.
3. Camadas de pooling: as camadas de pooling realizam uma operação de redução da amostragem que diminui a dimensionalidade do mapa de características, ajudando a extrair as características mais relevantes e, ao mesmo tempo, reduzir o custo computacional e o sobreajuste.
4. Camadas totalmente conectadas: as camadas finais de uma CNN são camadas totalmente conectadas que interpretam as características extraídas pelas camadas convolucionais e de pooling para gerar previsões. Essas camadas são semelhantes às das redes neurais tradicionais.

Evolução dos modelos de visão baseados em CNNs#

A evolução dos modelos de visão baseados em CNN inclui várias arquiteturas notáveis:

• LeNet (1989): a LeNet foi uma das primeiras arquiteturas de CNN, usada principalmente para reconhecer dígitos em cheques escritos à mão. Seu sucesso lançou as bases para CNNs mais complexas, comprovando o potencial do aprendizado profundo no processamento de imagens.
• AlexNet (2012): a AlexNet superou significativamente os modelos existentes na competição ImageNet, demonstrando o poder do aprendizado profundo. Esse modelo usou ativações ReLU, dropout e aumento de dados, estabelecendo novos padrões para a classificação de imagens e despertando amplo interesse nas CNNs.
• VGGNet (2014): ao usar filtros convolucionais menores (3x3), a VGGNet alcançou resultados impressionantes em tarefas de classificação de imagens, reforçando a importância da profundidade da rede para obter maior precisão.
• ResNet (2015): a ResNet resolveu o problema de degradação em redes profundas ao introduzir o aprendizado residual. Essa inovação permitiu treinar redes muito mais profundas, levando a resultados de ponta em diversas tarefas de visão computacional.
• YOLO (You Only Look Once): o YOLO transformou a detecção de objetos ao formulá-la como um único problema de regressão, prevendo diretamente caixas delimitadoras e probabilidades de classe a partir de imagens completas em uma única avaliação. Essa abordagem possibilitou a detecção de objetos em tempo real com alta velocidade e precisão, tornando-a adequada para aplicações que exigem processamento instantâneo, como direção autônoma e vigilância.

Aplicações de visão computacional#

Saúde#

As aplicações da visão computacional são numerosas. Por exemplo, modelos de visão como o Ultralytics YOLOv8 são usados em imagens médicas para detectar doenças como câncer e retinopatia diabética. Eles analisam radiografias, ressonâncias magnéticas e tomografias computadorizadas com alta precisão, identificando anomalias precocemente. Essa capacidade de detecção precoce permite intervenções oportunas e melhores resultados para os pacientes.

Fig 5. Detecção de tumor cerebral usando Ultralytics YOLOv8.

Preservação ambiental#

Os modelos de visão computacional ajudam a monitorar e proteger espécies ameaçadas analisando imagens e vídeos de habitats de vida selvagem. Eles identificam animais e acompanham seu comportamento, fornecendo dados sobre suas populações e deslocamentos. Essa tecnologia orienta estratégias de conservação e decisões políticas para proteger espécies como tigres e elefantes.

Com a ajuda da IA visual, outras ameaças ambientais, como incêndios florestais e desmatamento, também podem ser monitoradas, garantindo respostas rápidas das autoridades locais.

Fig 6. Imagem de satélite de um incêndio florestal.

Desafios e direções futuras#

Apesar de suas conquistas significativas, os modelos de visão ainda enfrentam inúmeros desafios devido à sua complexidade e às exigências de seu desenvolvimento, e esses desafios requerem pesquisa contínua.

Interpretabilidade e explicabilidade#

Os modelos de visão, especialmente os de aprendizado profundo, são frequentemente vistos como "caixas-pretas", com pouca transparência, devido à sua alta complexidade. Essa falta de interpretabilidade prejudica a confiança e a responsabilização, especialmente em aplicações críticas como a saúde.

Requisitos computacionais#

O treinamento e a implantação de modelos de IA de ponta exigem recursos computacionais significativos. Isso é particularmente verdadeiro para os modelos de visão, que muitas vezes precisam processar grandes volumes de imagens e vídeos. Imagens e vídeos em alta definição, por estarem entre os dados de treinamento que mais exigem recursos, aumentam a carga computacional. Por exemplo, uma única imagem em HD pode ocupar vários megabytes de armazenamento, tornando o processo de treinamento intensivo em recursos e demorado.

Isso exige hardware potente e algoritmos de visão computacional otimizados para lidar com os grandes volumes de dados e os cálculos complexos envolvidos no desenvolvimento de modelos de visão eficazes. A pesquisa de arquiteturas mais eficientes, compressão de modelos e aceleradores de hardware como GPUs e TPUs é essencial para o avanço dos modelos de visão.

Essas melhorias buscam reduzir as exigências computacionais e aumentar a eficiência do processamento. Além disso, o uso de modelos pré-treinados avançados como o Ultralytics YOLOv8 e seus sucessores, como o Ultralytics YOLO26, pode reduzir significativamente a necessidade de treinamento extensivo, simplificando o processo de desenvolvimento e aumentando a eficiência.

Um cenário em constante evolução#

Hoje em dia, as aplicações dos modelos de visão são amplas, desde a saúde, por exemplo, na detecção de tumores, até usos cotidianos como o monitoramento do trânsito. Esses modelos avançados trouxeram inovação a inúmeros setores, oferecendo maior precisão, eficiência e recursos que antes estavam fora de alcance.

À medida que a tecnologia continua avançando, cresce o potencial dos modelos de visão para melhorar diversos aspectos da vida e da indústria. Essa evolução contínua reforça a importância da pesquisa e do desenvolvimento contínuos na área da visão computacional.

Curioso sobre o futuro da IA de visão? Para saber mais sobre os avanços recentes, explore a documentação da Ultralytics e confira nossos projetos no GitHub da Ultralytics e no GitHub do YOLOv8. Além disso, para saber mais sobre aplicações de IA em diversos setores, as páginas de soluções de carros autônomos e manufatura oferecem informações especialmente úteis.