← Voltar para Visão computacional
MODELOS PRÓPRIOS

Visão computacional treinada no seu chão de fábrica

Não usamos modelo de prateleira: cada solução é treinada com as imagens da própria linha do cliente. Dois modelos da nossa família industrial já operaram sobre vídeos reais de produção — com métricas publicadas de cada rodada.

raqIA Liner-1

Detector de peças planas — liner, feltro, tela técnica e chapas flexíveis em saída de máquina.

  • Detecção individual de cada peça com identificação única
  • Contagem automática na zona de saída da máquina
  • Classificação de cor por peça (mix de produto)
  • Roteamento de destino: produção conferida vs. provável refugo
  • Fila de revisão automática para eventos duvidosos
  • Evidência visual por peça (snapshot do evento)
0,79
acurácia de detecção (mAP50) na linha
620
peças rastreadas em ~1 h de vídeo real
0,80
cobertura (recall) no trecho de validação
raqIA Flow-1

Fluxo e ocupação de postos — presença, atividade e ociosidade em bancadas e células de trabalho.

  • Presença por posto de trabalho, amostrada ao longo do turno
  • Atividade vs. ociosidade por pessoa e por área
  • Ocupação simultânea e picos de demanda
  • Timeline do turno com eventos de parada e retomada
  • Correção automática de vídeo anamórfico de DVR
  • Relatório de turno com procedência e limites declarados
96,5%
presença detectada no posto (turno de 11,25 h)
94,7%
do tempo com atividade registrada
9
pessoas simultâneas no pico do turno

Benchmark

A base do Liner-1 contra os melhores detectores do Hugging Face

Escolhemos a arquitetura do Liner-1 depois de comparar os detectores de tempo real mais fortes disponíveis publicamente. Os números abaixo vêm do benchmark público da Roboflow, que re-avalia todos os modelos no mesmo protocolo (COCO val2017, NVIDIA T4, TensorRT FP16) — então são diretamente comparáveis entre si.

RF-DETR-N
48,4 · 2,3ms
D-FINE-S
50,6 · 3,5ms
YOLO11-M
48,6 · 5,1ms
LW-DETR-S
48,0 · 2,6ms
YOLO26-S
47,7 · 2,6ms
YOLO11-S
44,4 · 3,2ms
D-FINE-N
42,7 · 2,1ms
YOLO11-N
37,4 · 2,5ms
Acurácia (AP50:95, quanto maior melhor) × latência na mesma GPU de referência. Na faixa de 2–3 ms — a única que permite tempo real sem cluster de GPU — a arquitetura que escolhemos é a que entrega mais acurácia. Versões maiores (RF-DETR-2XL chega a 60,1) existem na mesma família quando o projeto pede o máximo de precisão.
Liner-1raqIA
78,5% AP50
E na prática? Medido por nós, não citado de paper: o Liner-1 validado em vídeo real de linha de produção atinge 78,5% AP50 e roda a ~15 fps em GPU de entrada (RTX 3060, FP32) — a cadência exata da câmera industrial. Em CPU comum roda a ~2 fps, útil para análise em lote. Métricas de domínio medem o nosso dado de validação privado; cada implantação inclui rodada de validação no seu cenário.

Como entra no seu chão

Do vídeo ao modelo em dias, não meses

  1. Você envia um vídeo da linha. Mesmo uma gravação de DVR/câmera de segurança já serve para a primeira simulação.
  2. Treinamos o modelo nas suas imagens. A detecção aprende a peça, a cor e o fluxo do seu produto — não um genérico.
  3. Devolvemos números e evidências. Relatório com contagem, eventos e clips/fotos de cada ocorrência para auditar.
  4. Shadow mode antes da produção. O sistema roda em paralelo com a conferência manual até os números fecharem.

Métricas medidas em simulações sobre vídeos reais de plantas industriais, validadas contra trechos reservados. Não são linha de base de produtividade — cada implantação inclui rodada de validação no cliente.

Quero uma simulação no meu vídeo Ver modelos abertos para download →