Como funciona a detecção de objetos no dispositivo
O que este detector faz
O Detector de Objetos com IA examina uma foto e desenha uma caixa com rótulo ao redor de tudo o que consegue reconhecer: uma pessoa, um carro, um cachorro, um notebook, uma cadeira. Por dentro, ele executa uma rede neural treinada para reconhecer 80 tipos de objetos do dia a dia. Cada detecção traz três informações: um nome, uma caixa delimitadora que marca onde o objeto está e uma pontuação de confiança de 0 a 100% que indica o quanto o modelo tem certeza.
A detecção começa quando você clica em Detectar Objetos e toda a análise acontece no dispositivo: o arquivo do modelo (cerca de 18MB) é baixado uma só vez, na primeira execução.
Quando usar
Serve para rotular automaticamente uma pasta de fotos, conferir o que um conjunto de dados realmente contém antes de treinar seu próprio modelo, ou contar quantas pessoas ou veículos aparecem em uma cena. Também é útil em tarefas de acessibilidade, ao gerar uma descrição textual rápida de uma imagem, e para quem prototipa ideias de visão computacional sem montar um ambiente Python.
Como exporta JSON estruturado com coordenadas, encaixa-se em um fluxo maior: você roda o detector, pega as caixas e as envia a scripts de recorte, desfoque ou anotação.
Um exemplo concreto
Envie uma foto de rua. O modelo pode devolver pessoa a 92%, carro a 88% e semáforo a 71%, cada um dentro de sua própria caixa colorida. Suba a confiança mínima para 80% e execute de novo: o semáforo some dos resultados e ficam só as duas detecções de alta certeza. Baixe para 40% e objetos mais fracos ou parcialmente ocultos começam a aparecer, junto com um ou outro palpite errado. Baixe a imagem anotada para manter as marcações, ou exporte o JSON para obter os nomes, as pontuações e as coordenadas das caixas.
Notas e limites
O modelo conhece 80 tipos de objetos, então qualquer coisa fora dessa lista (uma raça específica de cachorro, o logotipo de uma marca, texto legível) não será rotulada. Objetos sobrepostos ou muito pequenos são os casos mais difíceis e muitas vezes ficam abaixo do limite. O controle deslizante de confiança é seu principal ajuste: valores altos trocam abrangência por precisão, e valores baixos fazem o contrário. Se uma foto não retornar nada, baixar o limite costuma revelar os objetos que o modelo viu, mas dos quais não tinha certeza.