A lacuna de dados
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.
Base scene
Select a variation to see the scene parameters change.
Por que simulação
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.
Imagens geradas por IA
- 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
Simulação controlada
- 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.
// como pensamos e operamos
Treinamento sintético → validação real → refinamento direcionado.
Dado sintético não é uma religião aqui dentro — é uma ferramenta para cobertura, casos extremos e velocidade, enquanto o dado real continua sendo o seu conjunto de validação. É essa lógica que guia como pensamos cada projeto.
A mesma lógica vale pra como operamos: não publicamos nomes de clientes, dados ou números específicos de projeto — a confidencialidade que prometemos cobre os resultados também, não só a identidade. O que mostramos é como abordamos cada problema e como medimos se funcionou.
Respostas rápidas
Perguntas
comuns.
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.
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.