Todo mundo que vende visão computacional diz que "treina modelo próprio". A pergunta honesta é: próprio em cima de quê? Nenhum modelo industrial sai do zero — ele nasce em cima de uma arquitetura, e escolher essa base decide 80% do resultado: acurácia, velocidade, custo de hardware e até a licença que vai parar no contrato do cliente.
Antes de treinar o Liner-1 — nosso detector de peças planas que conta, classifica cor e aponta destino na saída de máquina — a gente fez o dever de casa: colocou lado a lado os detectores de tempo real mais fortes disponíveis publicamente, nos números do benchmark aberto da Roboflow, que re-avalia todo mundo no mesmo protocolo. Este texto mostra o que encontramos.
A regra do jogo
Benchmark de detector tem dois eixos que se odeiam: acurácia (AP50:95 no COCO — quanto maior, melhor) e latência (quanto tempo cada frame leva). Fábrica exige os dois: acertar a peça e acompanhar a câmera em tempo real. Modelo gigante que demora 100 ms por frame é artigo bonito, não produto. Todos os números abaixo foram medidos pela Roboflow na mesma GPU de referência (NVIDIA T4, TensorRT FP16), então são comparáveis entre si — coisa rara nesse mercado.
Acurácia na faixa que importa
Olhando só os modelos rápidos o suficiente pra câmera industrial (até ~5 ms por frame), o ranking no COCO fica assim:
O detalhe que vendeu a escolha pra gente: na faixa de 2–3 ms por frame, nada entrega mais acurácia que a arquitetura do Liner-1. O D-FINE-S aparece um tiquinho acima (50,6), mas custa 50% mais lento. O YOLO11-M empata em acurácia e leva o dobro do tempo. E na mesma faixa de velocidade direta — os "nano" da vida — a gente ganha de lavada: 48,4 contra 37,4 do YOLO11-N e 42,7 do D-FINE-N.
Velocidade: o outro lado da balança
Convertendo a latência medida pra frames por segundo (o que uma câmera de 15–30 fps realmente exige), a vantagem fica visual:
E quando o projeto pede o máximo de precisão, a família escala: a mesma arquitetura tem uma versão 2XL que crava 60,1 de AP — a primeira do mundo real-time a passar de 60 — caso a linha aceite mais GPU.
E fora do paper? Medimos na nossa máquina
Número de tabela é bom pra escolher arquitetura, mas a gente mede de novo antes de prometer. Com o Liner-1 já treinado em vídeo real de linha de produção, os números nossos ficaram:
- 78,5% AP50 na validação reservada do próprio vídeo da linha — em outras palavras, acha a peça certa quase 8 em 10 vezes com a caixa bem posicionada;
- ~15 fps numa GPU de entrada (RTX 3060, sem otimização TensorRT) — exatamente a cadência da câmera industrial de onde saem os vídeos;
- ~2 fps em CPU comum, que não serve pra tempo real mas já resolve análise em lote de gravações.
Na simulação de uma hora de produção, isso se traduziu em 620 peças rastreadas com evidência visual de cada uma — contagem, cor e destino de cada peça sem ninguém apertar botão.
O item que não aparece em gráfico: a licença
Aqui vai a parte que muita gente descobre tarde demais. A maioria dos detectores populares no HuggingFace usa licença AGPL — ótima pra pesquisa, mas que obriga a abrir o código do produto que embutir o modelo. Pra quem instala solução dentro da fábrica do cliente, isso é um problema jurídico real.
A arquitetura que escolhemos é Apache-2.0, a licença mais permissiva que existe. Tradução: podemos embutir o Liner-1 no sistema que vai pra sua fábrica, no edge box que fica do lado da máquina, sem pendência de licença e sem surpresa de advogado. Foi decisão de engenharia com advogado junto, não só benchmark.
O que a gente não esconde
- As barras acima medem acurácia no COCO (dataset público de objetos do dia a dia). O desempenho na SUA peça depende do treino nas SUAS imagens — por isso toda implantação nossa começa com uma simulação no seu vídeo;
- O Liner-1 atual detecta peça plana — liner, feltro, tela, chapa flexível. Caixa, tambor e peça 3D pedem outra configuração;
- Em CPU sem GPU ele roda, mas não em tempo real — o edge box que entregamos carrega GPU justamente por isso.
Quer ver o Liner-1 no vídeo da sua linha?
Manda um trecho de vídeo — a gente treina, mede e devolve os números com evidência visual de cada detecção.
Falar no WhatsApp