Compreender o papel do FPS na visão computacional

Ver a repetição em câmara lenta do teu momento desportivo favorito, em que todos os detalhes são nítidos, é muito diferente de ver imagens de videovigilância, que geralmente parecem tremidas e difíceis de acompanhar. O principal detalhe técnico por detrás destas diferenças é o FPS, ou frames por segundo, que corresponde ao número de frames apresentados por segundo num vídeo. Um FPS mais elevado resulta num movimento suave e realista, enquanto um FPS mais baixo pode originar imagens tremidas e com menos detalhes.

Este conceito tem um impacto direto na visão computacional, um ramo da IA que permite às máquinas interpretar e analisar dados visuais de forma semelhante aos seres humanos. Na visão computacional, um FPS mais elevado significa que os sistemas conseguem captar mais informação a cada segundo, melhorando a precisão da deteção e do seguimento de objetos em tempo real.

Neste artigo, vamos explorar os aspetos técnicos do FPS e a sua relação com as aplicações de visão computacional. Vamos começar!

O que significa FPS na visão computacional?#

Imagina que estás a jogar um jogo de corridas: a 60 FPS, cada curva parece suave e os controlos respondem bem, mas a 20 FPS, os controlos ficam lentos, tornando mais difícil evitar obstáculos. Em termos simples, podes pensar no FPS como o número de imagens estáticas apresentadas a cada segundo. Mais imagens por segundo fazem com que o movimento pareça suave e natural, enquanto menos imagens podem fazê-lo parecer aos solavancos.

Tal como nos jogos, o FPS é uma parte essencial das aplicações de visão computacional. Um FPS mais elevado permite seguir objetos suavemente utilizando Vision AI, enquanto um FPS mais baixo pode resultar na perda de detalhes.

Por exemplo, na análise desportiva, as câmaras com IA precisam de um FPS mais elevado para conseguirem seguir passes rápidos, movimentos dos jogadores e trajetórias da bola. Um FPS mais baixo pode fazer com que se perca um contacto importante entre o pé e a bola ou uma mudança rápida de direção, afetando a precisão da análise.

Da mesma forma, na monitorização do tráfego, os sistemas dependem de um FPS elevado para detetar veículos em excesso de velocidade e mudanças de faixa em tempo real. A escolha do FPS adequado depende dos requisitos específicos de cada aplicação de visão computacional, equilibrando desempenho, eficiência e nitidez visual.

Fig. 1. Comparação de diferentes taxas de frames.

Aspetos técnicos do FPS na visão computacional#

Agora que já vimos o que é o FPS e como é utilizado na visão computacional, vamos analisar os seus aspetos técnicos, começando por calcular o FPS de um vídeo.

Dividir o número total de frames pela duração em segundos dá-te o FPS de um vídeo. Por exemplo, se um vídeo tiver 96 frames ao longo de 4 segundos, o resultado será 24 FPS, o que significa que são apresentadas 24 imagens por segundo; já 32 frames ao longo de 4 segundos resultam em 8 FPS. Bibliotecas Python como o OpenCV podem ser utilizadas para extrair metadados de vídeo, contar frames e calcular automaticamente o FPS, simplificando o processo de análise de vídeo.

Fig. 2. 24 FPS vs 8 FPS vs 4 FPS.

Fatores que afetam o FPS de um vídeo#

No entanto, calcular apenas o FPS não é suficiente para tomar decisões técnicas ao desenvolver soluções de visão computacional. Também é importante considerar os vários fatores que podem afetar a taxa de frames efetiva, como as capacidades do hardware, as otimizações de software e as condições ambientais.

Vejamos estes fatores com mais atenção:

• Capacidades do hardware: A qualidade do sensor da câmara e o poder de processamento do dispositivo podem determinar quantos frames são captados por segundo. Um hardware melhor geralmente permite um FPS mais elevado e um vídeo mais suave.
• Otimizações de software: Um software eficiente de codificação e processamento de vídeo ajuda a extrair e analisar frames rapidamente. Isto garante que o vídeo é processado sem atrasos desnecessários.
• Condições ambientais: A iluminação e o movimento numa cena afetam a nitidez com que os frames são captados. Uma boa iluminação e um movimento moderado podem melhorar o FPS, enquanto condições adversas podem exigir um FPS mais elevado para manter a nitidez.
• Necessidades de armazenamento: Um FPS mais elevado capta mais frames por segundo, o que resulta em ficheiros maiores. Isto aumenta as necessidades de armazenamento e exige um processamento de dados mais rápido para garantir uma reprodução suave.

Explorar o FPS nas aplicações de visão computacional#

Modelos de IA como o Ultralytics YOLO11, que suportam tarefas de visão computacional em tempo real, podem ser utilizados para analisar vídeos com taxas de frames elevadas. Esta capacidade em tempo real é essencial para aplicações como condução autónoma, videovigilância e robótica, nas quais até pequenos atrasos podem originar erros significativos.

Vamos analisar algumas aplicações reais de Vision AI em que um FPS elevado é essencial para garantir precisão e desempenho.

Uma taxa de frames mais elevada para soluções de videovigilância e segurança#

Os sistemas de videovigilância que monitorizam zonas de tráfego intenso, como autoestradas, utilizam um FPS elevado para captar pequenos detalhes, garantindo que os veículos em movimento rápido são registados com nitidez. Esta nitidez é essencial para os sistemas de reconhecimento automático de matrículas (ANPR), que dependem de imagens de boa qualidade para identificar veículos com precisão.

Nestes sistemas, modelos como o Ultralytics YOLO11 podem ser utilizados para detetar matrículas diretamente a partir do fluxo de vídeo. Depois de uma matrícula ser detetada, utiliza-se o Reconhecimento Ótico de Caracteres (OCR), que converte imagens de texto em caracteres legíveis por máquinas, para ler os dados da matrícula. Este processo permite uma identificação rápida e precisa dos veículos, reforçando a fiscalização do trânsito e a segurança geral.

Fig. 3. Utilização do YOLO11 para detetar matrículas.

Compreender os requisitos de FPS para sistemas autónomos#

Considera um carro autónomo parado num sinal de stop, a analisar cuidadosamente o que o rodeia para decidir se pode avançar em segurança. Este carro tem de tomar decisões quase instantâneas, o que exige a captação e o processamento de dados visuais em tempo real.

Se o veículo autónomo estiver equipado com câmaras capazes de captar imagens com um FPS mais elevado, receberá um fluxo de imagens mais contínuo e detalhado. Esta entrada visual melhorada permite ao carro detetar rapidamente obstáculos, peões e outros veículos. Assim, o veículo consegue reagir prontamente a quaisquer alterações no ambiente.

Se as câmaras processassem imagens com um FPS mais baixo, o veículo poderia receber uma visão mais irregular e menos detalhada. Isto poderia atrasar o seu tempo de resposta, aumentando o risco de não captar informações críticas e comprometendo potencialmente a segurança.

A ligação entre o FPS e a análise desportiva#

Captar cada movimento com precisão é crucial no desporto, onde decisões tomadas em frações de segundo podem fazer a diferença entre ganhar e perder. A tecnologia que suporta um FPS mais elevado permite-nos registar todos os pequenos detalhes do movimento, e treinadores, analistas e atletas podem rever as jogadas em câmara lenta sem perder nenhum momento. Também ajuda os árbitros a tomar decisões mais precisas em desportos como ténis, futebol e críquete, fornecendo uma visão nítida, frame a frame, da ação.

Por exemplo, um estudo interessante sobre voleibol analisou como a utilização de um FPS mais elevado melhora a avaliação do desempenho. Aumentar o FPS de 30 para 240 melhorou significativamente a nitidez do movimento e o seguimento de objetos. A precisão da análise dos remates também melhorou, ajudando os treinadores a compreender com maior precisão o posicionamento das mãos, os pontos de contacto com a bola e a mecânica do salto. Além disso, o estudo concluiu que um FPS mais elevado reduziu o desfoque de movimento, facilitando a análise dos serviços e das reações defensivas.

Fig. 4. Comparação entre FPS baixo e elevado relativamente à nitidez do movimento.

Quando a utilização de um FPS baixo é eficaz na análise de vídeo#

Nem todas as aplicações de visão computacional exigem a gravação de imagens com um FPS elevado. Em muitos casos, um FPS mais baixo é suficiente para obter resultados precisos, dependendo da tarefa. Eis algumas áreas importantes em que é preferível utilizar um FPS mais baixo:

• Pós-processamento e análise offline: Em aplicações como a monitorização do tráfego e a análise de multidões, nem sempre é necessário captar todos os frames com um FPS elevado. Um FPS mais baixo pode ainda fornecer dados suficientes para analisar padrões de movimento, como o fluxo de veículos, a densidade de peões e as tendências de congestionamento. Ao reduzir frames redundantes, esta abordagem minimiza as necessidades de armazenamento e a carga computacional, mantendo análises precisas.
• Monitorização ambiental em time-lapse: Para acompanhar alterações lentas, como o crescimento de plantas, o progresso de uma construção ou o movimento de glaciares, é suficiente captar um frame a cada poucos minutos ou uma vez por dia, documentando eficazmente transformações a longo prazo e poupando espaço de armazenamento.
• Ambientes com recursos limitados: Na monitorização da vida selvagem e na segurança remota, um FPS mais baixo ajuda a conservar a bateria e o armazenamento. Câmaras ativadas por movimento que funcionam a 5–10 FPS conseguem captar eventos essenciais durante longos períodos, sendo ideais para instalações sem ligação à rede elétrica.

Escolher o FPS adequado para aplicações de deep learning#

Selecionar o FPS ideal exige equilibrar o desempenho com as limitações do sistema. Eis alguns aspetos a ter em conta ao otimizar o FPS para aplicações de deep learning:

• Equilíbrio entre desempenho e recursos: Um FPS mais elevado melhora a capacidade de resposta, mas também aumenta as necessidades de energia e processamento. Ajustar o FPS dinamicamente, utilizar interpolação de frames e otimizar o hardware pode ajudar a manter um desempenho suave sem sobrecarregar o sistema.
• Necessidades específicas da aplicação: Diferentes aplicações têm requisitos de FPS diferentes. Os dispositivos alimentados por bateria devem utilizar um FPS mais baixo para poupar energia, enquanto os sistemas em tempo real, como drones e veículos autónomos, precisam de um FPS mais elevado para obter respostas rápidas e precisas.
• Testes e otimização: Idealmente, as definições de FPS devem ser testadas em diferentes condições de iluminação e movimento. Avaliar a latência e comparar os níveis de FPS lado a lado ajuda a determinar o melhor equilíbrio entre capacidade de resposta, qualidade visual e eficiência dos recursos.

Inovações futuras e otimização do FPS para modelos de IA#

Os avanços na IA e na otimização de hardware estão a tornar possível alcançar taxas de frames mais elevadas, mesmo em ambientes com recursos limitados. Por exemplo, setores como o cinema, o desporto e a robótica podem beneficiar de uma gestão mais inteligente da taxa de frames, em que os sistemas ajustam dinamicamente o FPS com base na complexidade do movimento e no poder de processamento. A interpolação de frames orientada por IA também melhora a fluidez do vídeo ao gerar frames adicionais em tempo real.

Entretanto, um avanço recente da NVIDIA está a levar o desempenho do FPS ainda mais longe. O DLSS 4 (Superamostragem por Deep Learning) introduz a geração de múltiplos frames, utilizando IA para prever e criar frames adicionais. Isto aumenta as taxas de frames até 8 vezes, reduzindo simultaneamente a carga sobre o sistema.

Ao permitir que a IA trate de parte da renderização, o DLSS 4 torna as imagens mais suaves sem exercer pressão adicional sobre o hardware, melhorando tanto o desempenho como a eficiência.

Principais conclusões#

O FPS é mais do que uma simples medida da fluidez das imagens; impulsiona a tomada de decisões em tempo real na IA e na visão computacional. Cada frame de um vídeo capta dados críticos, permitindo às máquinas seguir objetos, analisar movimentos e responder a ambientes dinâmicos. Quer se trate de carros autónomos a evitar obstáculos ou de sistemas de videovigilância a detetar ameaças instantaneamente, o FPS adequado garante precisão e eficiência.

O futuro do FPS não passa apenas por aumentar as taxas de frames, mas também por otimizá-las de forma inteligente. Esta evolução tornará os sistemas de visão computacional mais rápidos, inovadores e eficientes em termos de recursos em vários setores.

Queres saber mais sobre IA? Explora o nosso repositório no GitHub e junta-te à nossa comunidade. Queres começar os teus próprios projetos de visão computacional? Consulta as nossas opções de licenciamento. Descobre como a visão computacional na área da saúde está a melhorar a eficiência e explora o impacto da IA na indústria visitando as nossas páginas de soluções!