Contexto do projeto
O arquivo de origem continha imagens relacionadas a portos e pórticos, além das classes forklift, cone, bollard e person. Não havia caixas de detecção ou máscaras. Era necessário criar um conjunto controlado para revisar clima, iluminação, degradação de câmera, apresentação de objetos e documentos antes de qualquer decisão de treinamento.
Objetivo da entrega
Criar um pacote rastreável que separasse o aumento derivado da origem dos exemplos visuais gerados. Cada imagem transformada precisava registrar cenário, origem, semente e parâmetros. O resultado serve ao planejamento e à revisão de dados, não como prova de precisão de modelo ou como dados produtivos anotados.
Fluxo de implementação
O trabalho combinou governança de fontes, processamento reproduzível, cenas geradas, verificações quantitativas e revisão visual.
- 01
Auditar o arquivo de origem
Inventariar imagens, dimensões, classes e formatos de anotação, registrando a existência de uma lista de classes sem caixas ou máscaras.
- 02
Controlar a elegibilidade da origem
Revisar nomes e folhas de contato, excluir imagens rodoviárias externas sem relação e regenerar o pacote com as fontes portuárias aceitas.
- 03
Gerar oito condições de estresse
Criar seis imagens de 1280 x 720 para dia claro, pátio noturno, chuva na câmera, névoa, contraluz, desfoque de movimento, oclusão e compressão de vigilância.
- 04
Criar cenas por classe
Produzir dez imagens geradas para crane, container, cone e forklift, armazenadas separadamente do aumento derivado das fontes.
- 05
Revisar pose e fundo
Criar três exemplos adicionais de inclinação junto ao meio-fio, em obra e de rotação ou inclinação em fábrica.
- 06
Organizar evidências e documentos
Gerar metadados, resumo de qualidade, duas folhas de contato e um documento de 19 páginas com 16 imagens representativas.
Entregáveis
- Gerador reproduzível
- Script parametrizado para oito condições visuais, com sementes estáveis e metadados de saída.
- Conjunto aumentado com 48 imagens
- Oito cenários, seis JPG de 1280 x 720 por cenário e uma linha de metadados por saída.
- 40 imagens geradas por classe
- Dez exemplos para crane, container, cone e forklift, separados das imagens de origem.
- Exemplos de pose e fundo
- Três imagens geradas para revisar orientação, enquadramento e variação ambiental.
- Documento do cliente
- DOCX e PDF de 19 páginas com 16 imagens, escopo e limites de uso.
Evidências verificadas
Os números abaixo resultam de verificações de arquivos, metadados e documentos; não são métricas de desempenho de modelo.
Auditoria da origem
Quatro classes; sem caixas ou máscaras.As evidências permitiam simulação no nível da imagem e planejamento, não treinamento supervisionado sem anotação adicional.
Saída aumentada
48 JPG de 1280 x 720 em 8 cenários.Cada cenário tem seis arquivos; os metadados registram origem, cenário, semente e parâmetros.
Controle de qualidade
0 erros, linhas desconhecidas, fontes externas, candidatos de baixa informação ou pares quase duplicados.O brilho medido variou de 39,4 a 137,5 e o desvio padrão de 15,5 a 62,6.
Materiais gerados
40 imagens de classes, 3 exemplos de pose/fundo e 19 páginas com 16 imagens.As contagens confirmam integridade e diagramação, não qualidade de rótulos nem adequação do modelo.
Validação executada
- As 48 imagens aumentadas abriram corretamente e apresentaram 1280 x 720.
- A tabela de metadados continha 48 linhas e seis saídas para cada um dos oito cenários.
- As duas folhas de contato foram revisadas após a filtragem; nenhuma imagem rodoviária externa sem relação permaneceu.
- As 40 imagens por classe e os três exemplos de pose/fundo foram contados e abertos; não houve teste de precisão de rótulos ou do modelo.
Limite de uso e evidência
O caso demonstra auditoria de dados, aumento de imagens, visuais gerados, metadados, controles de qualidade e documentação. Não afirma que a origem esteja pronta para anotação, que as imagens geradas sejam rótulos de treinamento verificados ou que um detector tenha atingido determinada precisão, revocação ou mAP. Antes do desenvolvimento de modelo são necessários anotação, divisão treino/validação, representatividade de cenas reais, equilíbrio de classes, QA das anotações e critérios métricos de aceitação.