Modelos não falham por causa da arquitetura.
Eles falham por causa dos dados.
Construímos o seu problema dentro de um ambiente 3D controlado e geramos imagens de treinamento fotorrealistas com anotações pixel-perfect — incluindo as condições raras que a coleta no mundo real quase nunca entrega em quantidade suficiente.
Você foca no modelo. Nós cuidamos dos dados.
Não é um vídeo — é uma cena 3D real. Cada rótulo que você vê (caixa delimitadora, confiança, segmentação) é gerado automaticamente a partir da própria cena — do mesmo jeito que geramos rótulos para o seu dataset de treinamento.
O que o seu modelo não consegue enxergar?
A maioria dos projetos de visão computacional não trava na arquitetura do modelo. Eles travam nos exemplos que nunca foram capturados — porque a condição é rara, sazonal, perigosa, ou simplesmente ainda não aconteceu. Nenhuma rotulagem mais rápida conserta uma foto que não existe.
→ Em uma simulação controlada, cada uma dessas lacunas é um parâmetro que você define — e reproduz com exatidão. Veja exatamente quando isso ajuda.
Veja o que você pode controlar.
Escolha um domínio, depois uma variação. Cada cena é gerada a partir de parâmetros — objetos, materiais, iluminação, câmera e o esquema de anotação seguem a partir deles.
Cena base
Do seu problema a um dataset pronto para treinamento.
A imagem é a parte visível. O que você realmente recebe é dado estruturado e anotado — gerado a partir da própria cena.
Especificação do problema
"Meu modelo falha em prateleiras molhadas à noite."
Cena 3D controlada
Objetos, materiais, iluminação, câmeras e física reconstruídos em simulação.
Variações deliberadas
Oclusão, escala, estados raros, defeitos, distratores — definidos como parâmetros, não deixados ao acaso.
Imagens sintéticas
Geração em lote no volume que o seu plano de treinamento exige.
Anotação estruturada
Rótulos derivados do grafo da cena — exatos por construção, rastreáveis até seus parâmetros.
Dado controlado por design, não imagem gerada.
Modelos generativos produzem imagens que parecem plausíveis. Simulação produz imagens cujo conteúdo você especificou — e cujos rótulos você pode provar.
- Uma distribuição que você não controla e não consegue descrever totalmente
- Não existe cena por trás dos pixels, então o gabarito precisa ser adivinhado ou re-rotulado à mão
- Artefatos visuais e detalhes que mudam entre amostras
- Custo e latência por amostra difíceis de prever
- Uma cena específica não pode ser reproduzida sob demanda
- Balanceamento de classes é aproximado — você recebe o que vier
- Cada parâmetro é declarado — você sabe exatamente o que está no dataset
- Anotações são derivadas do grafo da cena, então são exatas por construção
- Iluminação, materiais e geometria fisicamente consistentes
- Determinístico e reproduzível — a mesma cena renderiza do mesmo jeito duas vezes
- Precisa de uma nova classe, câmera, comportamento físico ou esquema de anotação? É uma mudança, não um retreinamento
- Balanceamento de classes é uma entrada, não um resultado
Onde a simulação ganha não é no realismo. É no fato de que você consegue afirmar, com precisão, o que o dataset contém e por quê. Buscamos realismo só até o ponto que o modelo precisa — o objetivo nunca foi "olha como esse render é realista", é "essa cena contém exatamente o sinal de treino que o modelo precisa". Uma cena menos fotorrealista que acerta a física, a escala e o rótulo vale mais do que uma bonita que não acerta.
Uma ferramenta construída em torno do seu problema, não um problema encaixado numa ferramenta.
Existem plataformas poderosas por aí. Mas todo produto fechado tem um limite: se o que você precisa está fora do roadmap, suas opções diminuem rapidamente.
Nós construímos o pipeline. Quando o seu problema precisa de uma distribuição de câmera diferente, um novo comportamento físico, uma definição de classe diferente ou um esquema de anotação que ainda não existe — nós mudamos o sistema, porque fomos nós que o escrevemos.
Nós adaptamos a ferramenta ao seu problema.
E você lida com a pessoa que está construindo. Sem nível de suporte, sem backlog de produto, sem esperar um ciclo de release pra descobrir se o que você precisa é possível.
Não vendemos dado sintético como religião. É uma ferramenta para cobertura, casos extremos e velocidade; o dado real permanece no seu conjunto de validação, onde ele pertence. Às vezes a resposta certa é uma mistura — e vamos dizer isso, mesmo quando significa menos dados pra nós gerarmos.
A mesma lógica vale conforme os modelos de visão generalistas ficam melhores em tarefas zero-shot, e conforme ferramentas assistidas por IA ficam melhores em rotular imagens que já existem. Os dois encolhem o problema de rotulagem — e esperamos que continuem encolhendo. Nenhum dos dois toca o problema de captura: eles ainda não viram o seu SKU específico, o seu defeito específico, a sua doença específica, e nenhum modelo consegue rotular a foto de uma condição que ninguém registrou ainda. Essa é a metade disso que achamos que ainda vai importar daqui a cinco anos, e é onde cada vez mais focamos.
Não publicamos nomes de clientes, dados ou números específicos de projeto.
Não é porque não temos. Se somos cuidadosos o suficiente com o dado de um cliente pra prometer confidencialidade, o mesmo cuidado vale pros resultados dele — publicar o número de um cliente pra ganhar a confiança do próximo diria o oposto do que estamos afirmando. O que podemos mostrar é exatamente como abordamos um projeto e como medimos se funcionou.
Perguntas comuns.
O que exatamente é dado sintético de treinamento?
Imagens geradas ao renderizar uma cena 3D em vez de fotografar o mundo real — junto com as anotações que descrevem essa cena. Como o conteúdo é construído em vez de amostrado, os rótulos não precisam ser inferidos a partir dos pixels: eles são uma propriedade da própria cena.
Então o produto não é exatamente "imagens". É um dataset estruturado com uma distribuição conhecida, pronto para treinamento.
Isso substitui dado real?
Frequentemente não, e vamos dizer quando for o caso. Dado real continua sendo o gabarito para validação, e em alguns projetos é simplesmente o melhor sinal de treinamento. Dado sintético expande cobertura e fabrica os casos extremos que a coleta real não consegue fornecer de forma confiável.
Na prática: se o seu próprio dataset real já cobre bem o caso, adicionar pré-treinamento sintético pode não mover muito o F1 sozinho — o valor aparece mais na cobertura que está faltando do que em superar um baseline que você já acertou. Vamos dizer quando for esse o caso, em vez de vender um dataset que não vai fazer diferença. A pergunta de engenharia é quando uma mistura vale a pena, não se ela sempre vence.
Como isso é diferente de IA generativa (Stable Diffusion, GANs)?
Modelos generativos aprendem uma distribuição e amostram dela, então você recebe uma imagem que não especificou e não consegue descrever totalmente. Simulação permite que você declare o conteúdo: este objeto, este material, esta luz, esta câmera, esta oclusão, esta quantidade de cada classe.
Essa diferença importa mais nas duas coisas que um dataset de treinamento precisa — condições reproduzíveis e rótulos comprováveis.
Quais formatos vocês entregam?
COCO e COCO RLE, YOLO, Pascal VOC, máscaras de segmentação semântica e de instância, polígonos, mapas de profundidade, trajetórias de ego-motion e bandas hiperespectrais — dependendo da tarefa. Esquemas customizados são comuns; definimos a saída de acordo com o seu pipeline de treinamento antes de começar a geração.
Por que não usar uma grande plataforma de dados sintéticos ou ferramentas de código aberto?
Use-as se cobrirem o seu caso — falamos isso de verdade. Elas resolvem muito bem os 80% padrão, e ferramentas gratuitas mais um time capaz são uma resposta legítima.
Onde entramos é nos outros 20%: a cena, a variação ou a lógica de anotação que nenhum produto fechado oferece, e que é exatamente a parte em que o seu modelo está falhando. Conseguimos construir essa parte porque construímos o pipeline em si.
E os modelos zero-shot (SAM, VLMs) e ferramentas de anotação assistida por IA?
Vale separar isso em duas afirmações, porque elas se sustentam de forma diferente. "Um modelo generalista consegue rotular suas fotos reais existentes mais rápido" — verdade, e cada vez mais verdade a cada trimestre. Se você já tem filmagem da condição que te interessa, uma ferramenta de anotação assistida por IA costuma ser o caminho mais rápido e barato, e vamos dizer isso em vez de te vender um dataset para algo que você já consegue rotular.
"Um modelo generalista consegue rodar em produção no lugar de um treinado" — verdade para prototipagem e objetos comuns, mais fraco conforme você escala: custo e latência por inferência em tempo real ou volume alto é uma conta de infraestrutura bem diferente de um modelo pequeno treinado para a tarefa, e a generalização ainda fica atrás no seu SKU específico, no seu defeito específico ou na sua doença específica.
Nenhuma das duas afirmações toca o caso em que a foto nunca foi capturada — uma condição rara, sazonal ou perigosa demais para já ter aparecido na filmagem de alguém. Nenhuma ferramenta de rotulagem, por melhor que seja, consegue anotar uma imagem que não existe. Essa lacuna é o que geramos, e é o motivo de ela não encolher conforme os modelos de rotulagem melhoram.
Como a gente realmente começa?
Com uma call de diagnóstico sobre o seu modelo, não um briefing de dados. Olhamos onde ele falha, o que o seu conjunto de validação cobre e onde está a lacuna de cobertura. Se simulação for a resposta certa, dimensionamos primeiro um pequeno lote de validação, para que você possa julgar a qualidade antes de se comprometer com um dataset completo. Se não for a resposta certa, vamos dizer isso.
Se dado ainda é o que está limitando o seu modelo, podemos trabalhar nisso.
Nos conte o que o seu modelo está errando. Vamos mapear se simulação é o caminho certo — e o que seria necessário.