Large Vision Models (LVM)

Os Grandes Modelos de Visão (LVM) representam uma evolução importante da inteligência artificial, centrada exclusivamente na compreensão, geração e processamento de dados visuais em grande escala. Ao contrário dos sistemas tradicionais de visão computacional, treinados com conjuntos de dados restritos para tarefas específicas e predefinidas, os LVMs funcionam como modelos fundamentais generalizados, treinados com vastas coleções de imagens e vídeos. Este pré-treino extensivo permite-lhes desenvolver uma compreensão profunda e abrangente da geometria visual, das texturas e das relações espaciais complexas, sem depender de rótulos anotados por humanos.

Como funcionam os Grandes Modelos de Visão#

Os Grandes Modelos de Visão modernos recorrem normalmente a Transformers de Visão (ViT) ou a arquiteturas convolucionais de grande escala para processar entradas visuais. Utilizando técnicas de aprendizagem auto-supervisionada, como a modelação de imagens mascaradas, aprendem a prever partes em falta de uma imagem ou fotograma. Organizações académicas como o Centro de Stanford para a Investigação de Modelos Fundamentais demonstraram que aumentar rapidamente o número de parâmetros destes modelos dá origem a capacidades emergentes que funcionam imediatamente, sem configuração adicional. Isto permite-lhes adaptar-se a tarefas posteriores, como a deteção de objetos de alta velocidade e a segmentação detalhada de imagens, com um ajuste fino mínimo.

Aplicações no mundo real#

Os LVMs estão a transformar vários setores ao realizarem análises visuais complexas que antes exigiam algoritmos altamente especializados e treinados à medida.

• Análise automatizada de imagens médicas: Em contextos clínicos, as arquiteturas de visão de grande escala processam radiografias, ressonâncias magnéticas e tomografias computorizadas de alta resolução para identificar anomalias subtis, ajudando os radiologistas a detetar doenças precocemente e a reduzir significativamente os erros de diagnóstico.
• Deteção de defeitos no fabrico: As linhas de produção fabris utilizam modelos de visão generalizados para inspecionar produtos em tempo real, identificando facilmente defeitos complexos nunca antes vistos nas linhas de montagem e melhorando o controlo de qualidade sem precisarem de milhares de exemplos de cada falha específica.

Distinguir conceitos relacionados#

Para compreender plenamente o panorama da IA, é útil distinguir os LVMs de outros modelos fundamentais populares:

• LVM vs. Modelo de Visão e Linguagem (VLM): Enquanto um LVM processa apenas modalidades visuais (píxeis), um VLM integra texto e imagens, permitindo aos utilizadores fazer perguntas em linguagem natural sobre uma imagem ou receber descrições textuais de um vídeo.
• LVM vs. Grande Modelo de Linguagem (LLM): Os LLMs são treinados exclusivamente com dados textuais para compreender e gerar linguagem humana. Um LVM aplica uma escala e compreensão equivalentes, mas exclusivamente a dados visuais.

Trabalhar com modelos de visão#

Embora os LVMs de grande escala exijam frequentemente clusters de servidores com PyTorch ou TensorFlow, modelos fundamentais de visão altamente otimizados, como o Ultralytics YOLO26, levam inteligência visual poderosa e de última geração diretamente para ambientes locais de periferia. O exemplo seguinte demonstra como realizar inferência visual robusta com um modelo pré-treinado:

from ultralytics import YOLO

# Carrega um modelo Ultralytics YOLO26 avançado e pré-treinado
model = YOLO("yolo26x.pt")

# Realiza inferência numa imagem para extrair características visuais e caixas delimitadoras
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Apresenta as relações visuais previstas
results[0].show()

O futuro da inteligência visual#

A transição da investigação académica publicada no arXiv e na biblioteca digital IEEE Xplore para a utilização empresarial prática está a acelerar rapidamente. As inovações de grupos de investigação como a Google DeepMind estão a expandir ativamente os LVMs para o domínio temporal, permitindo aos modelos compreender sequências de vídeo complexas, à semelhança das gerações vistas em Sora, da OpenAI.

Para programadores e organizações que pretendem criar soluções de IA visual personalizadas, a Ultralytics Platform oferece ferramentas integradas para anotação de conjuntos de dados em equipa, treino na nuvem e implementação de modelos simplificada, tornando as capacidades avançadas de visão acessíveis a todos. Além disso, as ferramentas de segmentação zero-shot, como o Segment Anything 2 (SAM 2) da Meta, demonstram como as abordagens fundamentais de visão em grande escala — frequentemente descritas na Biblioteca Digital da ACM — estão a normalizar a compreensão complexa ao nível dos píxeis em todo o setor da IA.