Tarefas de Reconhecimento Visual
Ir para notas que citam estaTarefas de reconhecimento visual são as perguntas básicas que um sistema de visão computacional responde sobre uma imagem: classificar (o que tem na imagem), detectar (onde está e com que confiança) e segmentar (quais pixels são do objeto), além de ler textos.
Elas formam a camada de reconhecer da Visão Computacional, entre a captura, que transforma a cena em pixels, e a compreensão, que interpreta a cena como um todo. Cada tarefa dá uma resposta mais detalhada que a anterior.
Classificar, detectar e segmentar
| Tarefa | Pergunta | Saída típica |
|---|---|---|
| Classificar | O que tem na imagem? | Um rótulo para a imagem inteira, como "carro" |
| Detectar | Onde está, e com que confiança? | Uma caixa em volta de cada objeto, com rótulo e confiança, como "carro 95%" |
| Segmentar | Quais pixels são do objeto? | Uma máscara que marca, pixel a pixel, o contorno do objeto |
Ler textos numa imagem, como placas, rótulos e documentos, completa o conjunto e costuma aparecer junto com a detecção, já que primeiro é preciso achar onde o texto está.
A confiança da detecção
O número ao lado do rótulo é a confiança que o modelo atribui àquela detecção, não uma garantia de acerto. Uma cena de rua pode render "pessoa 98%", "carro 95%" e "semáforo 91%" ao mesmo tempo, cada objeto com sua própria confiança. Na prática, o sistema define um limite: abaixo dele, a detecção é descartada ou enviada para revisão, uma decisão que pertence ao pós-processamento do pipeline.
A detecção também é a base para contar: somar as caixas de um mesmo rótulo responde quantos objetos há na cena, com as dificuldades descritas em Contagem de Objetos em Imagens.
Do reconhecimento à compreensão
Classificar, detectar e segmentar respondem o que e onde. Perguntas sobre relação e situação, como se a pessoa está atravessando na frente do carro, pedem outra camada, que hoje é ocupada pelos LVLMs. A escolha entre um detector especializado e um LVLM, ou a combinação dos dois, é o tema de Visão Computacional Tradicional x LVLMs. Os detectores e segmentadores mais usados (YOLO, DETR, SAM, Grounding DINO e outros) estão no Mapa de Tecnologias de Visão Computacional. A segmentação a partir de um pedido em texto aparece em Segment Anything Model 3.