Entenda o papel do FPS na visão computacional

Ver uma repetição em câmara lenta do teu momento desportivo favorito, em que cada detalhe é nítido, é muito diferente de ver imagens de vigilância, que geralmente parecem aos solavancos e são difíceis de acompanhar. O principal detalhe técnico por trás destas diferenças é o FPS, ou frames por segundo, que se refere ao número de fotogramas exibidos por segundo num vídeo. Um FPS mais alto produz movimentos suaves e realistas, enquanto um FPS mais baixo pode resultar em imagens aos solavancos e com menos detalhes.

Este conceito afeta diretamente a 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 alto significa que os sistemas podem captar mais informação a cada segundo, melhorando a precisão da deteção e do acompanhamento de objetos em tempo real.

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

O que significa FPS em visão computacional?#

Imagina que estás a jogar um jogo de corridas: a 60 FPS, cada curva parece suave e responsiva, mas a 20 FPS, os controlos têm atraso, o que dificulta desviar dos obstáculos. Em termos simples, podes pensar no FPS como o número de imagens fixas apresentadas a cada segundo. Mais imagens por segundo tornam o movimento 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 alto permite acompanhar objetos suavemente com IA de visão, enquanto um FPS mais baixo pode fazer com que detalhes passem despercebidos.

Por exemplo, na análise desportiva, as câmaras com IA precisam de um FPS mais alto para acompanhar 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 trânsito, 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 fotogramas.

Aspetos técnicos do FPS em visão computacional#

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

Dividir o número total de fotogramas pela duração em segundos dá-te o FPS de um vídeo. Por exemplo, se um vídeo tiver 96 fotogramas ao longo de 4 segundos, o resultado é 24 FPS (ou seja, são exibidas 24 imagens por segundo), enquanto 32 fotogramas ao longo de 4 segundos resultam em 8 FPS. Bibliotecas de Python como OpenCV podem ser utilizadas para extrair metadados de vídeo, contar fotogramas 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 quadros efetiva, como as capacidades do hardware, as otimizações de software e as condições ambientais.

Vejamos estes fatores mais de perto:

• Capacidades do hardware: A qualidade do sensor da câmara e a capacidade de processamento do dispositivo podem determinar quantos quadros são captados por segundo. Um hardware melhor geralmente permite um FPS mais alto e vídeos mais fluidos.
• Otimizações de software: Um software eficiente de codificação e processamento de vídeo ajuda a extrair e analisar quadros rapidamente. Assim, o vídeo é processado sem atrasos desnecessários.
• Condições ambientais: A iluminação e o movimento de uma cena afetam a nitidez dos quadros captados. Uma boa iluminação e movimento moderado podem melhorar o FPS, enquanto condições desfavoráveis podem exigir um FPS mais alto para manter a nitidez.
• Necessidades de armazenamento: Um FPS mais alto capta mais quadros por segundo, o que resulta em ficheiros maiores. Isso aumenta as necessidades de armazenamento e exige um processamento de dados mais rápido para garantir uma reprodução fluida.

Explorar o FPS em aplicações de visão computacional#

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

Vamos analisar algumas aplicações de IA de visão no mundo real em que um FPS elevado é essencial para a precisão e o desempenho.

Uma taxa de quadros mais alta para soluções de vigilância e segurança#

Os sistemas de vigilância que monitorizam zonas com muito trânsito, como autoestradas, usam um FPS elevado para captar pequenos detalhes e garantir que os veículos em movimento rápido sejam 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 usados para detetar matrículas diretamente no fluxo de vídeo. Depois de detetar uma matrícula, usa-se o Reconhecimento Ótico de Caracteres (OCR), que converte imagens de texto em caracteres legíveis por máquina, para ler os dados da matrícula. Este processo permite identificar veículos de forma rápida e precisa, melhorando a fiscalização do trânsito e a segurança geral.

Fig. 3. Utilização do YOLO11 para detetar matrículas.

Compreender os requisitos de FPS para sistemas autónomos#

Imagina um carro autónomo num sinal de paragem, 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 captar e processar dados visuais em tempo real.

Se o veículo autónomo estiver equipado com câmaras capazes de captar imagens com um FPS mais alto, recebe 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 pode reagir prontamente a quaisquer mudanças no ambiente.

Se as câmaras processassem imagens com um FPS mais baixo, o veículo poderia receber uma visão mais irregular e menos detalhada. Isso poderia atrasar o tempo de resposta, aumentando o risco de perder informação crítica e comprometendo potencialmente a segurança.

A relação entre FPS e análise desportiva#

Captar cada movimento com precisão é essencial no desporto, onde decisões tomadas numa fração de segundo podem fazer toda a diferença entre ganhar e perder. A tecnologia que suporta um FPS mais alto permite-nos registar todos os pequenos detalhes do movimento, e treinadores, analistas e atletas podem rever 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 da ação, quadro a quadro.

Por exemplo, um estudo interessante sobre voleibol analisou como um FPS mais alto melhora a avaliação do desempenho. Aumentar o FPS de 30 para 240 melhorou significativamente a nitidez do movimento e o acompanhamento de objetos. A precisão da análise dos ataques 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 alto reduziu o desfoque de movimento, facilitando a análise dos serviços e das reações defensivas.

Fig. 4. Comparação entre FPS baixo e alto em termos de nitidez do movimento.

Quando é eficaz usar um FPS baixo na análise de vídeo#

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

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

Escolher o FPS adequado para aplicações de aprendizagem profunda#

A escolha do 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 aprendizagem profunda:

• Equilíbrio entre desempenho e recursos: Um FPS mais alto melhora a capacidade de resposta, mas também aumenta as necessidades de energia e processamento. Ajustar o FPS dinamicamente, usar interpolação de quadros e otimizar o hardware pode ajudar a manter um desempenho fluido sem sobrecarregar o sistema.
• Necessidades específicas da aplicação: Aplicações diferentes têm requisitos de FPS diferentes. Os dispositivos alimentados por bateria devem usar um FPS mais baixo para poupar energia, enquanto os sistemas em tempo real, como drones e veículos autónomos, precisam de um FPS mais alto para dar respostas rápidas e precisas.
• Testes e otimização: as definições de FPS devem, idealmente, ser testadas em diferentes condições de iluminação e movimento. Avaliar a latência e comparar lado a lado diferentes níveis de FPS ajuda a encontrar o melhor equilíbrio entre capacidade de resposta, qualidade visual e eficiência de 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 quadros mais altas, 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 quadros, em que os sistemas ajustam dinamicamente o FPS de acordo com a complexidade do movimento e a capacidade de processamento. A interpolação de quadros baseada em IA também melhora a fluidez do vídeo ao gerar quadros adicionais em tempo real.

Entretanto, um avanço recente da NVIDIA está a levar ainda mais longe o desempenho do FPS. O DLSS 4 (Superamostragem por Aprendizagem Profunda) introduz a geração de múltiplos quadros, que usa IA para prever e criar quadros adicionais. Isto aumenta as taxas de quadros até 8 vezes e reduz a carga de trabalho do sistema.

Ao deixar que a IA trate de parte da renderização, o DLSS 4 torna as imagens mais fluidas sem sobrecarregar o hardware, melhorando tanto o desempenho como a eficiência.

Principais conclusões#

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

O futuro do FPS não passa apenas por aumentar as taxas de quadros, mas também por otimizá-las de forma inteligente. Esta evolução tornará os sistemas de visão computacional mais rápidos, inovadores e eficientes no uso de recursos em vários setores.

Queres saber mais sobre IA? Explora o nosso repositório do 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 nas nossas páginas de soluções!