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:

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

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