Tendências futuras na deteção de objetos: 7 aspetos importantes a acompanhar

Os robotáxis já circulam pelas ruas de São Francisco, e as pessoas passaram de procurar respostas online a conversar com a IA como parte das suas rotinas diárias. Estas mudanças deixam claro que a inteligência artificial (AI) está a avançar mais rapidamente do que nunca e a tornar-se parte da vida quotidiana.

Por exemplo, uma das áreas que está a avançar a um ritmo incrível é a tecnologia de visão computacional. Também conhecida como IA de visão, é um subcampo da IA que se concentra em ajudar as máquinas a interpretar e compreender dados visuais.

A visão computacional já está presente em todo o lado, desde caixas de pagamento automáticas até drones que inspecionam linhas elétricas. No centro de muitos destes sistemas está a deteção de objetos, uma tarefa essencial de visão computacional que permite às máquinas reconhecer e localizar objetos específicos em imagens e vídeos.

À medida que a adoção da IA acelera, também aumenta a procura por deteção de objetos rápida e precisa. Modelos de IA de visão como o Ultralytics YOLO11 e o futuro Ultralytics YOLO26 foram desenvolvidos com este objetivo, tornando a deteção de objetos em tempo real mais fiável e acessível do que nunca.

Fig. 1. Um exemplo da utilização do Ultralytics YOLO11 para deteção de objetos.

Com este rápido progresso, a área está a evoluir rapidamente e várias tendências emergentes estão a moldar o aspeto da próxima geração de deteção de objetos. Neste artigo, vamos explorar sete tendências fundamentais que estão a definir o futuro da deteção de objetos.

Compreender como funciona a deteção de objetos#

Antes de analisarmos as tendências futuras da deteção de objetos, vamos recuar um pouco e observar o que é a deteção de objetos, como funciona nos bastidores e como se desenvolveu ao longo dos anos.

A deteção de objetos é uma parte essencial da visão computacional que permite aos sistemas de IA identificar o que está numa imagem e determinar exatamente onde aparece cada elemento. Para aprenderem isto, os modelos são treinados com grandes conjuntos de dados anotados que mostram objetos em muitas condições diferentes, como vários ângulos, níveis de iluminação, tamanhos e disposições.

Com o tempo, o modelo aprende os padrões e as pistas visuais que distinguem um objeto de outro. Depois de treinados, os modelos de IA de visão, como o Ultralytics YOLO, conseguem analisar uma imagem inteira numa única passagem, desenhando instantaneamente caixas delimitadoras e atribuindo etiquetas. Esta velocidade e precisão são o que torna a deteção de objetos tão importante em aplicações do mundo real.

Fig. 2. Deteção de um raio X com um modelo YOLO11. (Fonte)

Um caso de utilização real da deteção de objetos em ação#

Por exemplo, na análise de documentos, empresas como a Prezent utilizam a deteção de objetos para automatizar a difícil tarefa de reformular diapositivos de apresentações. Tradicionalmente, este processo exigia horas de ajustes manuais: identificar títulos, reposicionar caixas de texto, alinhar imagens e reconstruir gráficos, tudo isto enquanto se tentava manter um esquema visual limpo e consistente.

Ao converter cada diapositivo numa imagem, os modelos Ultralytics YOLO conseguem detetar títulos, caixas de texto, imagens e gráficos, preservando a estrutura original. Isto dá ao sistema uma compreensão precisa da disposição de cada elemento. Com essa informação, todo o processo de reformulação, antes lento e trabalhoso, pode agora ser automatizado em apenas alguns segundos.

Evolução da deteção de objetos na visão computacional#

Eis uma breve análise da evolução da deteção de objetos ao longo dos anos:

• Os primórdios (décadas de 1960–1970): As primeiras metodologias de deteção de objetos surgiram do processamento tradicional de imagens e baseavam-se frequentemente na correspondência de modelos. Nesta abordagem, os computadores comparavam partes de uma imagem (pixels) com padrões de referência predefinidos, ou modelos, para procurar semelhanças. Como estes modelos eram fixos e não conseguiam adaptar-se a alterações, o método funcionava apenas em condições ideais. Pequenas variações na iluminação, escala, rotação ou aparência do objeto eram suficientes para provocar uma falha.

• Deteção baseada em características (décadas de 1990–2000): Os investigadores passaram então para a utilização de características concebidas manualmente e extração de características, em que as pessoas definiam manualmente as pistas visuais que um computador deveria procurar, como contornos, cantos, formas ou alterações de luminosidade. Técnicas como Haar Cascades (um método que procura padrões visuais simples, frequentemente utilizado na deteção de rostos) e HOG (uma técnica que capta a direção dos contornos e dos limites numa imagem), muitas vezes combinadas com classificadores SVM (um modelo de aprendizagem automática que separa objetos em categorias), tornaram o reconhecimento de objetos mais preciso e rápido. Mesmo com estas melhorias, os sistemas continuavam a ter dificuldades em funcionar suficientemente depressa para utilização em tempo real.

• A revolução dos modelos de aprendizagem profunda (década de 2010): A aprendizagem profunda e as redes neuronais convolucionais (CNN), que são modelos concebidos para aprender padrões visuais ao analisar imagens em pequenas regiões de cada vez, redefiniram a deteção de objetos. Modelos como R-CNN, Fast R-CNN e Faster R-CNN aprenderam padrões visuais diretamente a partir de grandes quantidades de dados. Isto conduziu a resultados de elevada precisão, mas estes modelos continuavam a enfrentar problemas de latência.

• Deteção em tempo real com YOLO (meados da década de 2010): YOLO (Só Olhe Uma Vez) representou um avanço significativo na deteção de objetos ao prever todas as caixas delimitadoras e etiquetas de classe numa única passagem pela rede. Esta abordagem unificada aumentou drasticamente a velocidade de deteção e abriu caminho a aplicações em tempo real. Por volta da mesma altura, outros modelos de disparo único, como o SSD (Detetor de Disparo Único), também melhoraram o desempenho ao eliminar as etapas de proposta de regiões, tornando a deteção de objetos mais rápida e eficiente.

• Avanços recentes (década de 2020): Graças a grandes melhorias na conceção e otimização dos modelos, a década de 2020 trouxe sistemas e frameworks de deteção de objetos de última geração mais rápidos e precisos. O Ultralytics YOLO11 introduziu melhorias arquiteturais que otimizaram a velocidade de processamento, a precisão e o desempenho geral em tempo real. Dando continuidade a este progresso, o futuro YOLO26 apresenta uma conceção ainda mais eficiente e leve, adequada a uma vasta gama de aplicações práticas.

7 tendências de deteção de objetos que estão a moldar o futuro#

De seguida, vamos explorar sete tendências emergentes de deteção de objetos que estão a ganhar atenção e a gerar interesse no campo da visão computacional.

1. Tarefas de deteção de objetos mais inteligentes com computação de periferia#

As verificações manuais tradicionais podem abrandar as linhas de produção e deixar margem para que alguns defeitos não sejam detetados. Para resolver este problema, muitas empresas estão a adotar sistemas de controlo de qualidade baseados em IA e alimentados por deteção de objetos.

De facto, os estudos mostram que a inspeção visual baseada em IA pode aumentar significativamente a produtividade, por vezes até 50%, e elevar as taxas de deteção de defeitos até 90% em comparação com a inspeção manual. Curiosamente, a nova tendência que está a ganhar força nesta área e noutras aplicações de IA de visão é a realização desta análise diretamente nos próprios dispositivos, através da computação de periferia.

Com a computação de periferia, a inteligência aproxima-se do local onde os dados são captados. As câmaras e os sensores podem executar modelos de deteção de objetos no próprio local, identificando instantaneamente os objetos e determinando a sua localização sem depender do processamento na cloud. Isto permite-lhes analisar fotogramas em tempo real.

Isto também reduz os atrasos da rede, diminui a utilização da largura de banda e garante que os sistemas continuam a funcionar mesmo quando a ligação à Internet está instável ou indisponível. Em ambientes dinâmicos, como os de fabrico, esta mudança para o processamento no dispositivo proporciona respostas mais rápidas, operações mais fluidas e resultados muito mais fiáveis.

2. Diagnósticos na área da saúde potenciados pela visão#

Os médicos passam frequentemente muito tempo a analisar imagens médicas para garantir que nada é ignorado. Atualmente, muitos hospitais estão a começar a explorar tecnologia de deteção de objetos de ponta para acelerar este processo. Isto reflete uma tendência mais ampla na área da saúde, onde a IA de visão é cada vez mais utilizada para apoiar uma deteção mais precoce, diagnósticos mais rápidos e uma análise de imagens mais consistente.

A deteção de objetos pode ser utilizada para destacar rapidamente áreas que possam necessitar de atenção, melhorando a tomada de decisões e os resultados dos pacientes. Por exemplo, modelos como o Ultralytics YOLO11 podem ajudar os médicos a detetar tumores cerebrais em exames de ressonância magnética.

Fig. 3. Deteção e localização de tumores cerebrais em exames de ressonância magnética com a ajuda do Ultralytics YOLO11. (Fonte)

Como o Ultralytics YOLO11 consegue reconhecer padrões subtis em exames de ressonância magnética, pode ajudar a identificar tumores pequenos ou em fase inicial com maior precisão. Embora o diagnóstico final seja feito pelos médicos, ferramentas como o YOLO11 podem ajudar a agilizar a sua análise, destacando mais cedo possíveis problemas e contribuindo para garantir que nada importante é ignorado.

3. Veículos autónomos e visão em tempo real para uma mobilidade mais segura#

Nas ruas movimentadas das cidades, os carros autónomos dependem de câmaras e sensores para monitorizar continuamente o ambiente envolvente. Estes sistemas detetam peões, veículos, faixas de rodagem e sinais de trânsito em tempo real. Com a ajuda de algoritmos de visão computacional e deteção de objetos, um carro autónomo consegue interpretar o que está a acontecer à sua volta e tomar decisões de condução autónoma mais seguras.

Em regiões com padrões de trânsito diversificados e uma mistura de veículos, estes sistemas enfrentam uma complexidade adicional. Por exemplo, um estudo recente avaliou modelos Ultralytics YOLOv8 com dados de trânsito recolhidos em Hyderabad e Bangalore, onde vários tipos de veículos, como carros, autocarros, motociclos, bicicletas e riquexós automóveis, partilham a estrada de formas dinâmicas e muitas vezes imprevisíveis.

Os resultados mostraram que o Ultralytics YOLOv8 teve um desempenho sólido nestes cenários exigentes, detetando com precisão uma vasta gama de objetos, mesmo em condições de trânsito intenso e desorganizado. Isto evidencia uma tendência crescente na mobilidade autónoma: os modelos de IA de visão estão cada vez mais aptos a lidar com ambientes complexos do mundo real que antes representavam grandes desafios para os sistemas automatizados.

4. Automação inteligente e robótica com visão computacional#

Manipular objetos pequenos, separar objetos e materiais detetados ou navegar por espaços desorganizados sempre foi um desafio para os robôs. Estas tarefas exigem uma adaptação rápida e movimentos precisos, algo com que os sistemas de automação tradicionais muitas vezes têm dificuldades em ambientes imprevisíveis.

Uma tendência crescente na robótica é a utilização de IA de visão para dar aos robôs a capacidade de percecionar e responder ao ambiente envolvente em tempo real. Para explorar esta mudança, um grupo de investigadores desenvolveu recentemente um robô doméstico capaz de reconhecer e separar objetos enquanto se deslocava por espaços interiores.

Utilizando modelos como o Ultralytics YOLO11 para deteção de objetos, juntamente com uma câmara de profundidade e uma pinça flexível, o robô conseguiu identificar objetos de diferentes formas e tamanhos e colocá-los autonomamente nos locais corretos. Esta experiência demonstra como a combinação da visão computacional com sistemas robóticos pode melhorar a perceção espacial e a capacidade de resposta.

Fig. 4. Um robô que utiliza o Ultralytics YOLO11 e deteção de profundidade para tomar decisões inteligentes. (Fonte)

Isto também demonstra como as técnicas de IA de ponta ajudam os robôs a adaptarem-se a ambientes desconhecidos, aprendendo com padrões visuais ao longo do tempo. Com estes avanços, os robôs estão a tornar-se mais capazes e mais integrados nas tarefas quotidianas, desde a assistência doméstica à logística de armazéns e ao apoio na área da saúde.

5. Sistemas proativos de vigilância e segurança#

Os sistemas de vigilância inteligentes estão a adotar rapidamente a inteligência artificial para detetar atividades invulgares ou inseguras. Com modelos de deteção de objetos, as câmaras podem reconhecer possíveis problemas em tempo real e alertar imediatamente as equipas de segurança, ajudando a melhorar tanto a prevenção como a resposta.

Por exemplo, em instalações industriais onde a utilização de smartphones é restringida por razões de segurança, os sistemas de IA podem detetar automaticamente os telemóveis assim que aparecem e acompanhar os seus movimentos utilizando YOLO e outros modelos de visão. Isto reflete uma tendência mais ampla na área da segurança, onde a IA de visão é utilizada para monitorizar os ambientes de forma mais proativa e responder mais rapidamente a possíveis riscos.

Para além da deteção, estes sistemas estão a ser cada vez mais combinados com outras tecnologias para criar uma solução de segurança mais completa. Os dispositivos de periferia permitem processar as imagens localmente, reduzindo os atrasos e mantendo um desempenho fiável, enquanto ferramentas como sistemas de controlo de acesso ou reconhecimento facial podem acrescentar uma camada adicional de verificação. Em conjunto, estas tecnologias contribuem para criar redes de vigilância mais inteligentes e conectadas, capazes de responder rápida e eficazmente a situações do mundo real.

6. Realidade aumentada e deteção de objetos no quotidiano#

Em armazéns movimentados e grandes espaços comerciais, os trabalhadores precisam frequentemente de gerir muitas tarefas em simultâneo. A realidade aumentada ajuda ao inserir orientação digital diretamente no mundo real. Quando combinados com a deteção de objetos, os sistemas de AR conseguem identificar objetos, acompanhar a sua localização e apresentar informações úteis em tempo real. Isto torna as tarefas diárias mais fáceis, rápidas e intuitivas para quem os utiliza.

Uma tendência crescente nesta área é a utilização de IA de visão para transformar dispositivos quotidianos em assistentes inteligentes capazes de compreender o ambiente envolvente. À medida que a AR e a deteção de objetos continuam a convergir, os locais de trabalho começam a adotar ferramentas imersivas que permitem orientação sem utilização das mãos e fluxos de trabalho mais eficientes.

Um bom exemplo são os óculos de AR com IA da Amazon, que estão atualmente a ser desenvolvidos e testados. Estes óculos utilizam deteção de objetos e classificação de imagens para reconhecer encomendas, orientar os trabalhadores pelo percurso correto e registar o comprovativo de entrega. Isto cria uma experiência mais segura e sem necessidade de utilizar as mãos, ajudando os trabalhadores a manterem-se concentrados e eficientes ao longo do dia.

7. Dispositivos inteligentes baseados na IoT para sistemas de visão em tempo real#

Os dispositivos inteligentes tornaram-se sistemas inteligentes capazes de ver, compreender e reagir ao ambiente envolvente. A Internet das Coisas (IoT) impulsiona esta mudança ao ligar câmaras, sensores, máquinas e aplicações inteligentes em redes que recolhem e processam dados em tempo real.

Quando a IoT funciona em conjunto com a deteção de objetos e a computação de periferia, os dispositivos conseguem interpretar informações visuais, detetar anomalias e responder instantaneamente sem intervenção humana. Isto cria sistemas adaptáveis e eficientes que alimentam casas inteligentes, indústrias e cidades inteiras.

Por exemplo, um estudo recente mostrou como um sistema de proteção da vida selvagem baseado em IoT utiliza o Ultralytics YOLOv8 para detetar animais que se aproximam de terrenos agrícolas. Depois de detetados, o sistema utiliza a tomada de decisões baseada em IA para acionar dissuasores suaves, como luzes ou sons, afastando os animais em segurança. Isto ajuda a evitar danos nas culturas e, ao mesmo tempo, apoia a coexistência pacífica com a vida selvagem local, demonstrando como a IoT e a visão computacional podem tornar a agricultura mais sustentável.

Outras tendências interessantes da IA de visão#

Além destas sete tendências de deteção de objetos, eis alguns desenvolvimentos relevantes que estão a moldar o futuro da IA de visão:

• Investigação sobre aprendizagem autossupervisionada: Novos métodos baseados em aprendizagem profunda permitem que os modelos aprendam características visuais úteis a partir de grandes conjuntos de imagens não anotadas, ajudando os sistemas de deteção de objetos a melhorar sem dependerem fortemente de anotações manuais.
• Ascensão da deteção de objetos baseada em Transformers: Os Transformers estão a tornar-se mais comuns porque captam relações de longo alcance nas imagens, proporcionando aos modelos uma melhor compreensão contextual e aumentando a precisão da deteção.
• Integração da deteção e telemetria por luz (LiDAR) para uma perceção 3D mais rica: A combinação de LiDAR com a deteção de objetos baseada em câmaras fornece informações precisas sobre a profundidade, reforçando a perceção 3D em aplicações como navegação, robótica e condução autónoma.

Principais conclusões#

A deteção de objetos evoluiu muito para além do reconhecimento básico de imagens e é agora utilizada para alimentar sistemas inteligentes capazes de tomar decisões em tempo real. Olhando para o futuro, é provável que os próximos modelos alcancem uma precisão ainda maior e uma compreensão mais profunda do contexto, permitindo que a IA de visão se torne ainda mais fiável e versátil em vários setores. À medida que estas tecnologias continuam a avançar, irão moldar uma nova geração de sistemas de visão computacional mais inteligentes e adaptáveis.

Queres saber mais? Junta-te à nossa comunidade e explora o repositório no GitHub para te ligares a outras pessoas na área da IA. Visita as nossas páginas de soluções sobre IA na robótica e visão computacional para a agricultura, e explora as nossas opções de licenciamento para começares hoje a utilizar a IA de visão.