Melhores modelos de deteção de objetos

No início deste ano, Andrew Ng, pioneiro em IA e aprendizagem automática, introduziu o conceito de deteção agentiva de objetos. Esta abordagem utiliza um agente de raciocínio para detetar objetos com base num prompt de texto, sem exigir grandes quantidades de dados de treino.

Conseguir identificar objetos em imagens e vídeos sem precisar de enormes conjuntos de dados anotados é um passo rumo a sistemas de visão computacional mais inteligentes e flexíveis. No entanto, a IA de visão agentiva ainda está numa fase inicial.

Embora consiga lidar com tarefas gerais, como detetar pessoas ou sinais de trânsito numa imagem, as aplicações de visão computacional mais precisas continuam a depender de modelos tradicionais de deteção de objetos. Estes modelos são treinados com grandes conjuntos de dados cuidadosamente anotados para aprender exatamente o que procurar e onde os objetos estão localizados.

Fig. 1. Um exemplo de deteção de objetos. (Fonte)

A deteção de objetos tradicional é essencial porque fornece tanto o reconhecimento, identificando o que é o objeto, como a localização, determinando exatamente onde ele está na imagem. Esta combinação permite que as máquinas realizem tarefas complexas do mundo real de forma fiável, desde veículos autónomos à automação industrial e ao diagnóstico médico.

Graças aos avanços tecnológicos, os modelos de deteção de objetos continuam a melhorar, tornando-se mais rápidos, precisos e adequados a ambientes do mundo real. Neste artigo, vamos apresentar alguns dos melhores modelos de deteção de objetos disponíveis atualmente. Vamos começar!

A necessidade da deteção de objetos#

As tarefas de visão computacional, como a classificação de imagens, podem ser utilizadas para determinar se uma imagem contém um carro, uma pessoa ou outro objeto. No entanto, não conseguem determinar onde o objeto está localizado na imagem.

É aqui que a deteção de objetos pode ser útil. Os modelos de deteção de objetos conseguem identificar que objetos estão presentes e também indicar as suas localizações exatas. Este processo, conhecido como localização, permite que as máquinas compreendam as cenas com maior precisão e reajam adequadamente, quer estejam a travar um carro autónomo, a orientar um braço robótico ou a realçar uma área numa imagem médica.

O surgimento da aprendizagem profunda transformou a deteção de objetos. Em vez de dependerem de regras codificadas manualmente, os modelos modernos aprendem padrões diretamente a partir de anotações e dados visuais. Estes conjuntos de dados ensinam aos modelos o aspeto dos objetos, onde costumam aparecer e como lidar com desafios como objetos pequenos, cenas com muitos elementos ou condições de iluminação variáveis.

Na verdade, os sistemas de deteção de objetos de última geração conseguem detetar com precisão vários objetos em simultâneo. Isto torna a deteção de objetos uma tecnologia essencial em aplicações como condução autónoma, robótica, cuidados de saúde e automação industrial.

Como funcionam as tarefas de deteção de objetos#

A entrada de um modelo de deteção de objetos é uma imagem, que pode vir de uma câmara, de um fotograma de vídeo ou até de uma tomografia médica. A imagem de entrada é processada através de uma rede neural, normalmente uma rede neural convolucional (CNN), treinada para reconhecer padrões em dados visuais.

Dentro da rede, a imagem é analisada por etapas. Com base nas características que deteta, o modelo prevê quais os objetos presentes e onde aparecem.

Estas previsões são representadas através de caixas delimitadoras, que são retângulos desenhados à volta de cada objeto detetado. Para cada caixa delimitadora, o modelo atribui um rótulo de classe (por exemplo, carro, pessoa ou cão) e uma pontuação de confiança que indica o seu grau de certeza relativamente à previsão (isto também pode ser entendido como uma probabilidade).

Fig. 2. As previsões de deteção de objetos podem ser visualizadas com caixas delimitadoras.

O processo global depende fortemente da extração de características. O modelo aprende a identificar padrões visuais úteis, como contornos, formas, texturas e outras características distintivas. Estes padrões são codificados em mapas de características, que ajudam a rede a compreender a imagem em vários níveis de detalhe.

Deteção de objetos: em duas fases e numa fase#

Dependendo da arquitetura do modelo, os detetores de objetos utilizam diferentes estratégias para localizar objetos, equilibrando velocidade, precisão e complexidade.

Muitos modelos de deteção de objetos, especialmente os detetores em duas fases, como o Faster R-CNN, concentram-se em partes específicas da imagem chamadas regiões de interesse (ROIs). Ao focar-se nessas áreas, o modelo dá prioridade às regiões com maior probabilidade de conter objetos, em vez de analisar todos os píxeis de forma igual.

Por outro lado, os modelos de uma fase, como os primeiros modelos YOLO, não selecionam ROIs específicas como os modelos de duas fases. Em vez disso, dividem a imagem numa grelha e utilizam caixas predefinidas, chamadas caixas-âncora, juntamente com mapas de características, para prever objetos em toda a imagem numa única passagem.

Atualmente, os modelos de deteção de objetos de vanguarda estão a explorar abordagens sem âncoras. Ao contrário dos modelos tradicionais de uma fase, que dependem de caixas-âncora predefinidas, os modelos sem âncoras preveem diretamente as localizações e os tamanhos dos objetos a partir dos mapas de características. Isto pode simplificar a arquitetura, reduzir a sobrecarga computacional e melhorar o desempenho, especialmente na deteção de objetos com formas e tamanhos variados.

Uma análise dos melhores modelos de deteção de objetos#

Atualmente, existem muitos modelos de deteção de objetos, cada um concebido com objetivos específicos. Alguns são otimizados para desempenho em tempo real, enquanto outros se concentram em alcançar a maior precisão possível. A escolha do modelo certo para uma solução de visão computacional depende frequentemente do teu caso de utilização específico e dos requisitos de desempenho.

De seguida, vamos explorar alguns dos melhores modelos de deteção de objetos de 2026.

1. Modelos Ultralytics YOLO#

Uma das famílias de modelos de deteção de objetos mais utilizadas atualmente é a família de modelos Ultralytics YOLO. YOLO, que significa You Only Look Once, é popular em vários setores porque oferece um desempenho de deteção sólido, sendo simultaneamente rápido, fiável e fácil de utilizar.

A família Ultralytics YOLO inclui Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11 e o futuro Ultralytics YOLO26, oferecendo várias opções para diferentes requisitos de desempenho e casos de utilização. Graças ao seu design leve e à otimização da velocidade, os modelos Ultralytics YOLO são ideais para deteção em tempo real e podem ser implementados em dispositivos de edge com capacidade computacional e memória limitadas.

Fig. 3. Utilização do Ultralytics YOLO11 para deteção de objetos (Fonte)

Para além da deteção básica de objetos, estes modelos são altamente versáteis. Também suportam tarefas como a segmentação de instâncias, que delimita os objetos ao nível do píxel, e a estimativa de pose, que identifica pontos-chave em pessoas ou objetos. Esta flexibilidade torna os modelos Ultralytics YOLO uma opção de eleição para uma vasta gama de aplicações, desde a agricultura e a logística ao comércio a retalho e à indústria transformadora.

Outra razão fundamental para a popularidade dos modelos Ultralytics YOLO é o pacote Python da Ultralytics, que fornece uma interface simples e intuitiva para treinar, ajustar e implementar modelos. Os programadores podem começar com pesos pré-treinados, personalizar os modelos para os seus próprios conjuntos de dados e implementá-los com apenas algumas linhas de código.

2. RT-DETR e RT-DETRv2#

RT‑DETR (Transformer de deteção em tempo real) e o mais recente RT‑DETRv2 são modelos de deteção de objetos concebidos para utilização em tempo real. Ao contrário de muitos modelos tradicionais, conseguem receber uma imagem e fornecer diretamente as deteções finais sem utilizar a supressão não máxima (NMS).

A NMS é uma etapa que remove caixas sobrepostas adicionais quando um modelo prevê o mesmo objeto mais do que uma vez. Ignorar a NMS torna o processo de deteção mais simples e rápido.

Estes modelos combinam CNNs com transformers. A CNN encontra detalhes visuais, como contornos e formas, enquanto o transformer é um tipo de rede neural que consegue observar toda a imagem de uma só vez e compreender como as diferentes partes se relacionam. Esta compreensão abrangente permite ao modelo detetar objetos próximos ou sobrepostos.

O RT‑DETRv2 melhora o modelo original com funcionalidades como a deteção em várias escalas, que ajuda a encontrar objetos pequenos e grandes, e um melhor processamento de cenas complexas. Estas alterações mantêm o modelo rápido e melhoram simultaneamente a precisão.

3. RF-DETR#

O RF‑DETR é um modelo em tempo real baseado em transformer, concebido para combinar a precisão das arquiteturas transformer com a velocidade necessária para aplicações do mundo real. Tal como o RT‑DETR e o RT‑DETRv2, utiliza um transformer para analisar toda a imagem e uma CNN para extrair características visuais detalhadas, como contornos, formas e texturas.

O modelo prevê objetos diretamente a partir da imagem de entrada, ignorando as caixas-âncora e a supressão não máxima, o que simplifica o processo de deteção e mantém a inferência rápida. O RF‑DETR também suporta a segmentação de instâncias, permitindo-lhe delimitar os objetos ao nível do píxel, além de prever caixas delimitadoras.

4. EfficientDet#

Lançado no final de 2019, o EfficientDet é um modelo de deteção de objetos concebido para um escalamento eficiente e um elevado desempenho. O que distingue o EfficientDet é o escalamento composto, um método que ajusta simultaneamente a resolução de entrada, a profundidade da rede e a largura da rede, em vez de ajustar apenas um fator. Esta abordagem ajuda o modelo a manter uma precisão estável, quer seja ampliado para tarefas de elevado desempenho, quer seja reduzido para implementações leves.

Outro componente essencial do EfficientDet é a sua rede de pirâmide de características eficiente (FPN), que permite ao modelo analisar imagens em várias escalas. Esta análise em várias escalas é crucial para detetar objetos de diferentes tamanhos, permitindo ao EfficientDet identificar de forma fiável objetos pequenos e grandes na mesma imagem.

5. PP-YOLOE+#

Lançado em 2022, o PP-YOLOE+ é um modelo de deteção de objetos ao estilo YOLO, o que significa que deteta e classifica objetos numa única passagem pela imagem. Esta abordagem torna-o rápido e adequado para aplicações em tempo real, mantendo simultaneamente uma elevada precisão.

Uma das principais melhorias do PP-YOLOE+ é a aprendizagem alinhada com a tarefa, que ajuda as pontuações de confiança do modelo a refletir a precisão com que os objetos são localizados. Isto é especialmente útil para detetar objetos pequenos ou sobrepostos.

Fig. 4. Deteção de objetos com PP-YOLOE+ (Fonte)

O modelo também utiliza uma arquitetura de cabeça desacoplada, que separa as tarefas de previsão das localizações dos objetos e dos rótulos de classe. Isto permite desenhar caixas delimitadoras com maior precisão e classificar corretamente os objetos.

6. GroundingDINO#

O GroundingDINO é um modelo de deteção de objetos baseado em transformer que combina visão e linguagem. Em vez de depender de um conjunto fixo de categorias, permite aos utilizadores detetar objetos através de prompts de texto em linguagem natural.

Ao alinhar as características visuais de uma imagem com descrições de texto, o modelo consegue localizar objetos mesmo que esses rótulos exatos não fizessem parte dos seus dados de treino. Isto significa que podes fornecer ao modelo prompts como “uma pessoa com um capacete” ou “um carro vermelho perto de um edifício”, e ele irá gerar caixas delimitadoras precisas à volta dos objetos correspondentes.

Além disso, ao suportar a deteção zero-shot, o GroundingDINO reduz a necessidade de voltar a treinar ou ajustar o modelo para cada novo caso de utilização, tornando-o altamente flexível numa vasta gama de aplicações. Esta combinação de compreensão da linguagem e reconhecimento visual abre novas possibilidades para sistemas de IA interativos e adaptáveis.

Métricas comuns utilizadas para avaliar detetores de objetos#

Ao comparares vários modelos de deteção de objetos, podes perguntar-te como determinar qual tem realmente o melhor desempenho. É uma boa pergunta, porque, para além da arquitetura do modelo e da qualidade dos teus dados, muitos fatores podem afetar o desempenho.

Os investigadores recorrem frequentemente a benchmarks partilhados e a métricas de desempenho padrão para avaliar os modelos de forma consistente, comparar resultados e compreender os compromissos entre velocidade e precisão. Os benchmarks padrão são especialmente importantes porque muitos modelos de deteção de objetos são avaliados nos mesmos conjuntos de dados, como o conjunto de dados COCO.

Medir a precisão e a velocidade da deteção#

Vejamos mais de perto algumas métricas comuns utilizadas para avaliar modelos de deteção de objetos:

• Interseção sobre união (IoU): Esta métrica mede o grau de sobreposição entre uma caixa delimitadora prevista e o objeto real numa imagem. Compara a caixa desenhada pelo modelo com a caixa de referência, que corresponde à localização do objeto conforme anotada no conjunto de dados. A IoU é calculada dividindo a área de sobreposição pela área de união das duas caixas. Uma IoU mais elevada indica que o modelo está a posicionar a caixa com maior precisão, enquanto uma IoU mais baixa significa que a previsão é menos precisa. Em termos simples, a IoU mostra o grau de correspondência entre as previsões do modelo e as localizações reais dos objetos.
• Precisão média média (mAP): É a principal métrica utilizada para avaliar o desempenho geral da deteção de objetos. Tem em conta tanto o número de objetos que o modelo deteta corretamente como a precisão dessas deteções em diferentes níveis de confiança e categorias de objetos.
• Fotogramas por segundo (FPS) e latência: os FPS indicam quantas imagens ou fotogramas de vídeo um modelo consegue processar num segundo. Por exemplo, um modelo que funciona a 30 FPS consegue processar 30 fotogramas por segundo. Um valor de FPS mais elevado significa que o sistema consegue responder mais rapidamente, o que é importante em casos de utilização como vídeo em direto, monitorização de tráfego ou robótica. A latência, por outro lado, mede o tempo que o modelo demora a processar uma única imagem ou fotograma, desde o momento em que é recebido até o resultado estar pronto.

Vantagens e desvantagens da utilização de algoritmos de deteção de objetos#

Eis algumas das principais vantagens da utilização de modelos de deteção de objetos em aplicações do mundo real:

• Escalabilidade entre setores: A deteção de objetos pode ser aplicada a uma vasta gama de casos de utilização, desde a monitorização de tráfego e a análise do comércio a retalho até aos cuidados de saúde, à agricultura e à indústria transformadora.
• Reduz o esforço manual: A automatização de tarefas de inspeção visual e monitorização reduz a necessidade de supervisão humana constante e ajuda as equipas a concentrarem-se em trabalho de maior valor.
• Beneficia de ecossistemas de código aberto: As comunidades ativas de código aberto e os recursos disponíveis no GitHub facilitam o acesso a modelos pré-treinados, a experimentação e a personalização de soluções.

Apesar destas vantagens, existem limitações práticas que podem afetar o desempenho dos modelos de deteção de objetos. Eis alguns fatores essenciais a considerar:

• Requisitos de dados de elevada qualidade: Os modelos de deteção de objetos dependem de conjuntos de dados grandes e bem anotados para o treino. Criar e manter estes dados pode ser demorado, dispendioso e difícil de escalar.
• Exigências computacionais: Os modelos que oferecem maior precisão de deteção exigem frequentemente uma capacidade de processamento significativa, tanto durante o treino como na implementação em tempo real. Isto significa normalmente utilizar GPUs de alto desempenho, o que pode aumentar os custos de infraestrutura.
• Sensibilidade às condições do mundo real: Variações na iluminação, nos ângulos da câmara, no clima e em cenas com muitas pessoas ou objetos podem afetar o desempenho da deteção, tornando necessários testes e ajustes contínuos.

Principais conclusões#

O melhor modelo de deteção de objetos para o teu projeto de visão computacional depende do teu caso de utilização, da configuração dos dados, dos requisitos de desempenho e das limitações do hardware. Alguns modelos são otimizados para a velocidade, enquanto outros se concentram na precisão, e a maioria das aplicações do mundo real precisa de um equilíbrio entre ambas. Graças às frameworks de código aberto e às comunidades ativas no GitHub, estes modelos estão a tornar-se mais fáceis de avaliar, adaptar e implementar para utilização prática.

Para saberes mais, explora o nosso repositório no GitHub. Junta-te à nossa comunidade e consulta as nossas páginas de soluções para leres sobre aplicações como IA nos cuidados de saúde e visão computacional no setor automóvel. Descobre as nossas opções de licenciamento para começares hoje a utilizar IA de visão.