Pular para o conteúdo
LabS Atlas
Computer Vision
Entrar

Visão Computacional

Ir para notas que citam esta
atualizado há 5 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Visão Computacional (computer vision) é a área da inteligência artificial que extrai significado de imagens e vídeos, transformando o que uma câmera registra em informação que um sistema consegue usar para responder, decidir ou agir.

A motivação cabe num ditado: uma imagem vale mais que mil palavras. Uma foto carrega quantidade, posição, estado e contexto de uma vez só, coisas que levariam parágrafos para descrever. A área existe para que máquinas enxerguem o mundo real e ajudem a enfrentar problemas que pessoas sozinhas não conseguem observar em escala: a máquina observa o que nenhum humano conseguiria acompanhar sozinho, milhares de imagens, câmeras e documentos, o tempo todo.

Capturar, reconhecer, compreender

O trabalho de um sistema de visão pode ser lido em três capacidades encadeadas.

  1. Capturar. Câmeras, fotos, vídeos e documentos viram pixels, isto é, números que o computador consegue processar. O formato desses números está em Pixels e Canais RGB.
  2. Reconhecer. O sistema classifica, detecta, segmenta e lê textos, respondendo o que há na imagem e onde. Essas são as Tarefas de Reconhecimento Visual.
  3. Compreender. O sistema descreve a cena, responde perguntas sobre ela e apoia decisões. É a camada em que os LVLMs mudaram o que é possível.

As três capacidades não são novas; o que mudou foi o contexto. Capturar ficou trivial, com uma câmera em cada celular e veículos que enxergam o entorno em 3D. Reconhecer ganhou força com dados que descrevem o contexto da imagem, e compreender melhorou a ponto de um modelo receber uma foto e responder em detalhe sobre quase todos os elementos dela. Exemplos de uso estão em Aplicações de Visão Computacional.

Enxergar é mais que reconhecer formas

Enxergar não é apenas reconhecer formas e cores. É perceber relações entre os objetos, interpretar a situação e compreender o contexto: não basta saber que há uma pessoa e um carro, importa saber se a pessoa está atravessando na frente do carro. A evolução da IA, em especial dos modelos multimodais, está aproximando as máquinas dessa capacidade, e é essa aproximação que a Bancada Computer Vision explora.

A imagem como entrada

Do lado de quem usa um sistema, a mudança mais visível é de atrito. Em vez de preencher campos ou descrever o que está vendo, a pessoa quer apontar a câmera e deixar que a foto seja a entrada. Isso desloca o esforço para o sistema: capturar uma imagem boa, entender o que ela mostra e devolver uma resposta útil, etapas que formam o Pipeline de um Sistema de Visão Computacional. As ferramentas usadas em cada etapa estão no Mapa de Tecnologias de Visão Computacional.