Explorando os melhores conjuntos de dados de visão computacional em 2025

Sabias que os dados desempenham um papel em quase tudo o que fazes diariamente? Ver um vídeo, tirar uma fotografia ou consultar o Google Maps contribui para o fluxo constante de informações capturadas por mais de 75 mil milhões de dispositivos ligados. Estes pedaços de dados formam a base da inteligência artificial (IA). De facto, os modelos avançados de visão computacional como o Ultralytics YOLO11 dependem de dados visuais para identificar padrões, interpretar imagens e dar sentido ao mundo que nos rodeia.

Curiosamente, o valor dos dados não se resume apenas à quantidade. É mais importante a forma como estão organizados e preparados. Se um conjunto de dados for desorganizado ou incompleto, pode dar origem a erros. No entanto, quando os conjuntos de dados são limpos e diversos, ajudam os modelos de visão computacional a ter um melhor desempenho, quer se trate de reconhecer objetos numa multidão ou de analisar visuais complexos. Os conjuntos de dados de alta qualidade fazem toda a diferença.

Neste artigo, vamos explorar os melhores datasets de visão computacional de 2025 e ver como contribuem para a construção de modelos de visão computacional mais precisos e eficientes. Vamos começar!

O que são datasets de visão computacional?#

Um conjunto de dados de visão computacional é uma coleção de imagens ou vídeos que ajudam os sistemas de visão computacional a aprender a compreender e a reconhecer informação visual. Estes conjuntos de dados incluem rótulos ou anotações que ajudam os modelos a reconhecer objetos, pessoas, cenas e padrões nos dados.

Podem ser usados para treinar modelos de visão computacional, ajudando-os a melhorar tarefas como identificar rostos, detetar objetos ou analisar cenas. Quanto melhor for o dataset - bem organizado, diversificado e preciso - melhor será o desempenho do modelo de IA de visão, conduzindo a uma tecnologia mais inteligente e útil no quotidiano.

Como construir um dataset de visão computacional#

Construir um dataset de visão computacional é como preparar notas de estudo para ensinar alguém a ver e compreender o mundo. Tudo começa com a recolha de imagens e vídeos que correspondam à aplicação específica que estás a desenvolver.

Um conjunto de dados ideal inclui exemplos diversos dos objetos de interesse, capturados de diferentes ângulos, sob várias condições de iluminação e em múltiplos fundos e ambientes. Esta variedade garante que o modelo de visão computacional aprende a reconhecer padrões com precisão e tem um desempenho fiável em cenários do mundo real.

Fig 1. Construir o dataset de visão perfeito. Imagem do autor.

Após recolher as imagens e vídeos relevantes, o passo seguinte é a anotação de dados. Este processo envolve a adição de etiquetas, anotações ou descrições aos dados para que a IA possa compreender o que cada imagem ou vídeo contém.

Os rótulos podem incluir nomes de objetos, localizações, limites ou outros detalhes relevantes que ajudam a treinar o modelo para reconhecer e interpretar informação visual com precisão. A anotação de dados transforma uma simples coleção de imagens num conjunto de dados estruturado que pode ser utilizado para treinar um modelo de visão computacional.

O treino de modelos requer dados de alta qualidade#

Preocupas-te talvez com o que torna um conjunto de dados de alta qualidade. Há muitos fatores envolvidos, como a rotulagem precisa, a diversidade e a consistência. Por exemplo, se vários anotadores estiverem a rotular um conjunto de dados de deteção de objetos para identificar orelhas de gato, um pode rotulá-las como parte da cabeça enquanto outro as rotula separadamente como orelhas. Esta inconsistência pode confundir o modelo e afetar a sua capacidade de aprender corretamente.

Aqui tens uma visão geral rápida das qualidades de um dataset de visão computacional ideal:

• Etiquetas claras: Cada imagem é anotada com precisão com etiquetas consistentes e precisas.
• Dados diversos: O dataset inclui diferentes objetos, fundos, condições de iluminação e ângulos para ajudar o modelo a funcionar bem em várias situações.
• Imagens de alta resolução: Imagens nítidas e detalhadas facilitam a aprendizagem e o reconhecimento de características por parte do modelo.

A Ultralytics suporta vários datasets#

Os modelos Ultralytics YOLO, como o YOLO11, são concebidos para trabalhar com datasets num formato de ficheiro YOLO específico. Embora seja fácil converter os teus próprios dados para este formato, também fornecemos uma opção sem complicações para aqueles que querem começar a experimentar imediatamente.

O pacote Python da Ultralytics suporta uma vasta gama de conjuntos de dados de visão computacional, permitindo-te mergulhar em projetos utilizando tarefas como deteção de objetos, segmentação de instâncias ou estimativa de poses sem necessidade de configuração adicional.

Os utilizadores podem aceder facilmente a datasets prontos a usar como COCO, DOTA-v2.0, Open Images V7 e ImageNet, especificando o nome do dataset como um dos parâmetros na função de treino. Quando o fazes, o dataset é automaticamente transferido e pré-configurado, para que te possas focar em construir e refinar os teus modelos.

Top 5 datasets de visão computacional em 2025#

Os avanços na IA de visão dependem de datasets diversos e de grande escala que impulsionam a inovação e permitem descobertas. Vamos dar uma vista de olhos a alguns dos datasets mais importantes, suportados pela Ultralytics, que estão a influenciar os modelos de visão computacional.

Dataset ImageNet#

O ImageNet, criado por Fei-Fei Li e pela sua equipa na Universidade de Princeton em 2007 e apresentado em 2009, é um grande conjunto de dados com mais de 14 milhões de imagens rotuladas. É amplamente utilizado para treinar sistemas para reconhecer e categorizar diferentes objetos. O seu design estruturado torna-o particularmente útil para ensinar modelos a classificar imagens com precisão. Embora esteja bem documentado, foca-se principalmente na classificação de imagens e carece de anotações detalhadas para tarefas como a deteção de objetos.

Aqui tens uma análise de alguns dos principais pontos fortes do ImageNet:

• Diversidade: Com imagens abrangendo mais de 20.000 categorias, o ImageNet oferece um dataset vasto e variado que melhora o treino e a generalização dos modelos.
• Organização estruturada: As imagens são meticulosamente categorizadas usando a hierarquia WordNet, facilitando a recuperação eficiente de dados e o treino sistemático de modelos.
• Documentação abrangente: Uma extensa investigação e anos de estudo tornam o ImageNet acessível tanto a principiantes como a especialistas, fornecendo valiosos conhecimentos e orientações para projetos de visão computacional.

No entanto, como qualquer dataset, tem as suas limitações. Aqui estão alguns dos desafios a considerar:

• Exigências computacionais: A sua dimensão massiva pode colocar desafios a equipas mais pequenas com recursos computacionais limitados.
• Falta de dados temporais: Como contém apenas imagens estáticas, pode não satisfazer as necessidades de aplicações que requerem vídeo ou dados baseados no tempo.
• Imagens desatualizadas: Algumas imagens no dataset são mais antigas e podem não refletir objetos, estilos ou ambientes atuais, reduzindo potencialmente a relevância para aplicações modernas.

Dataset DOTA-v2.0#

O conjunto de dados DOTA-v2.0, em que DOTA significa Dataset for Object Detection in Aerial Images, é uma extensa coleção de imagens aéreas criada especialmente para a deteção de objetos com caixas delimitadoras orientadas (OBB). Na deteção OBB, são utilizadas caixas delimitadoras rotacionadas para se alinharem com mais precisão à orientação real dos objetos na imagem. Este método funciona particularmente bem para imagens aéreas, onde os objetos aparecem frequentemente em vários ângulos, conduzindo a uma localização mais precisa e a uma melhor deteção global.

Este dataset consiste em mais de 11.000 imagens e mais de 1,7 milhões de caixas delimitadoras orientadas em 18 categorias de objetos. As imagens variam de 800×800 a 20.000×20.000 píxeis e incluem objetos como aviões, navios e edifícios.

Fig. 2 Exemplos de imagens e anotações do conjunto de dados DOTA-v2.0. Imagem do autor.

Devido às suas anotações detalhadas, o DOTA-v2.0 tornou-se uma escolha popular para projetos de deteção remota e vigilância aérea. Aqui estão algumas das principais características do DOTA-v2.0:

• Categorias de objetos diversas: Cobre muitos tipos diferentes de objetos, como veículos, portos e tanques de armazenamento, expondo os modelos a vários objetos do mundo real.
• Anotações de alta qualidade: Anotadores especialistas forneceram caixas delimitadoras precisamente orientadas que mostram claramente as formas e direções dos objetos.
• Imagens multiescala: O dataset inclui imagens de diferentes tamanhos, ajudando os modelos a aprender a detetar objetos a escalas pequenas e grandes.

Embora o DOTA-v2 tenha muitos pontos fortes, aqui estão algumas limitações que os utilizadores devem ter em mente:

• Passos de transferência extra: Devido à forma como o dataset DOTA é mantido, o DOTA-v2.0 requer um passo de configuração extra. Precisas primeiro de transferir as imagens do DOTA-v1.0 e depois adicionar as imagens extra e as anotações atualizadas para o DOTA-v2.0 para completar o dataset.
• Anotações complexas: As caixas delimitadoras orientadas podem exigir esforço extra para lidar durante o treino do modelo.
• Âmbito limitado: O DOTA-v2 é concebido para imagens aéreas, o que o torna menos útil para tarefas gerais de deteção de objetos fora deste domínio.

Dataset Roboflow 100#

O conjunto de dados Roboflow 100 (RF100) foi criado pela Roboflow com o apoio da Intel. Pode ser utilizado para testar e avaliar o desempenho dos modelos de deteção de objetos. Este conjunto de dados de referência inclui 100 conjuntos de dados diferentes selecionados a partir de mais de 90.000 conjuntos de dados públicos. Possui mais de 224.000 imagens e 800 classes de objetos de áreas como cuidados de saúde, vistas aéreas e jogos.

Aqui estão algumas das principais vantagens de usar o RF100:

• Ampla cobertura de domínio: Inclui datasets de sete áreas, como imagiologia médica, vistas aéreas e exploração subaquática.
• Incentiva a melhoria do modelo: A variabilidade e os desafios específicos do domínio no RF100 revelam lacunas nos modelos atuais, impulsionando a investigação para soluções de deteção de objetos mais adaptáveis e robustas.
• Formato de imagem consistente: Todas as imagens são redimensionadas para 640x640 píxeis. Isto ajuda os utilizadores a treinar modelos sem necessidade de ajustar tamanhos de imagem.

Apesar dos seus pontos fortes, o RF100 também vem com certas desvantagens a ter em conta:

• Limitado em termos de tarefas: O RF100 é concebido para deteção de objetos, pelo que não pode acomodar tarefas como segmentação ou classificação.
• Foco centrado no benchmark: O RF100 é principalmente concebido como uma ferramenta de benchmarking e não para treinar modelos para aplicações do mundo real, pelo que os seus resultados podem não se traduzir totalmente em cenários de implementação prática.
• Variabilidade de anotações: Como o RF100 agrega datasets de crowdsourcing, podem existir inconsistências na qualidade das anotações e nas práticas de rotulagem, o que pode afetar a avaliação e o ajuste fino do modelo.

Dataset COCO (Common Objects in Context)#

O conjunto de dados COCO é um dos conjuntos de dados de visão computacional mais amplamente utilizados, oferecendo mais de 330.000 imagens com anotações detalhadas. Foi concebido para deteção de objetos, segmentação e legendagem de imagens, tornando-se um recurso valioso para muitos projetos. Os seus rótulos detalhados, incluindo caixas delimitadoras e máscaras de segmentação, ajudam os sistemas a aprender a analisar imagens com precisão.

Este dataset é conhecido pela sua flexibilidade e é útil para várias tarefas, desde projetos simples a complexos. Tornou-se um padrão no campo da IA de visão, frequentemente usado em desafios e competições para avaliar o desempenho do modelo.

Alguns dos seus pontos fortes incluem:

• Dados diversos e realistas: O dataset inclui imagens de cenários do mundo real com múltiplos objetos, oclusões e condições de iluminação variadas.
• Forte adoção pela comunidade e investigação: Usado nas principais competições de aprendizagem automática e investigação, o dataset COCO tem documentação extensa, modelos pré-treinados e apoio ativo da comunidade.
• Anotações ricas e detalhadas: O dataset COCO fornece anotações altamente detalhadas, incluindo segmentação de objetos, pontos-chave e legendas, tornando-o ideal para projetos que requerem uma compreensão visual precisa.

Aqui estão alguns fatores limitantes a ter em conta também:

• Altas necessidades computacionais: Devido à sua dimensão e complexidade, treinar modelos no COCO pode exigir recursos computacionais significativos, tornando-o desafiante para equipas com hardware limitado.
• Desequilíbrio de dados: Algumas categorias de objetos têm significativamente mais imagens do que outras, o que pode levar a enviesamentos no treino do modelo.
• Estrutura de anotação complexa: As anotações detalhadas do dataset, embora valiosas, podem ser avassaladoras para principiantes ou equipas mais pequenas que não têm experiência em trabalhar com datasets estruturados de IA de visão.

Dataset Open Images V7#

Open Images V7 é um enorme conjunto de dados de código aberto curado pela Google, com mais de 9 milhões de imagens e anotações para 600 categorias de objetos. Inclui uma variedade de tipos de anotação e é ideal para resolver tarefas complexas de visão computacional. A sua escala e profundidade fornecem um recurso abrangente para treinar e testar modelos de visão computacional.

Fig. 3 Um vislumbre do conjunto de dados Open Images V7. Imagem do autor.

Além disso, a popularidade do dataset Open Images V7 na investigação fornece muitos recursos e exemplos para os utilizadores aprenderem. No entanto, a sua dimensão massiva pode tornar a transferência e o processamento morosos, especialmente para equipas mais pequenas. Outro problema é que algumas anotações podem ser inconsistentes, exigindo esforço extra para limpar os dados, e a integração nem sempre é perfeita, o que significa que pode ser necessária uma preparação adicional.

Escolher o dataset certo#

Escolher o dataset certo é uma grande parte de preparar o teu projeto de visão computacional para o sucesso. A melhor escolha depende da tua tarefa específica - encontrar uma boa correspondência ajuda o teu modelo a aprender as competências certas. Também deve integrar-se facilmente com as tuas ferramentas, para que te possas focar mais em construir o teu modelo e menos em resolver problemas.

Fig 4. Fatores para escolher o dataset certo. Imagem do autor.

Principais pontos#

Datasets de alta qualidade são a espinha dorsal de qualquer modelo de visão computacional, ajudando os sistemas a aprender a interpretar imagens com precisão. Datasets diversos e bem anotados são especialmente importantes, pois permitem que os modelos tenham um desempenho fiável em cenários do mundo real e reduzem os erros causados por dados limitados ou de baixa qualidade.

A Ultralytics simplifica o processo de aceder e trabalhar com datasets de visão computacional, tornando mais fácil encontrar os dados certos para o teu projeto. Escolher o dataset certo é um passo crucial na construção de um modelo de alto desempenho, conduzindo a resultados mais precisos e impactantes.

Junta-te à nossa comunidade e explora o nosso repositório do GitHub para saberes mais sobre IA. Descobre avanços como visão computacional para a saúde e IA em carros autónomos nas nossas páginas de soluções. Consulta as nossas opções de licenciamento e dá o primeiro passo para começar com a visão computacional hoje mesmo!