O tamanho da máscara prevê a qualidade da segmentação melhor do que o número de exemplos

O modelo contorna com precisão a porta de um automóvel, mas não percebe o arranhão sobre ela. Ainda assim, o AP médio parece tolerável: peças grandes aparecem com frequência, são bem reconhecidas e mascaram a falha justamente naquilo para o qual o sistema foi criado.

Uma comparação entre Mask R-CNN e YOLO11s-seg em 1.812 fotografias de produção anonimizadas de veículos danificados revelou exatamente essa armadilha. O conjunto tinha 29 classes e quase 25 mil objetos anotados, de peças da carroceria a amassados, rachaduras e corrosão. A principal conclusão prática foi simples: antes de trocar a arquitetura ou encomendar mais anotações, calcule quantos pixels o objeto desejado ocupa depois que a imagem é reduzida ao tamanho de entrada da rede.

A métrica média esconde pequenos defeitos

O conjunto original apresenta um forte desequilíbrio: a classe mais frequente apareceu mais de 3.200 vezes, enquanto a mais rara apareceu menos de 80. No entanto, o número de exemplos quase não explicava a qualidade das classes individuais: a correlação com o AP foi de cerca de −0,23. Já a relação com o logaritmo da área mediana da máscara foi significativa, variando de 0,68 a 0,74.

O motivo fica claro sem matemática complexa. Depois que uma fotografia é reduzida para 512×384, um arranhão fino se transforma em uma faixa com apenas alguns pixels de largura. Cerca de 41% dos defeitos ocupam menos de oito pixels. A entropia cruzada binária convencional calcula a média do erro sobre a região, e por isso o sinal de uma máscara minúscula se perde entre milhares de outros pixels.

Daí surge um efeito de produto desagradável. É possível duplicar o número de fotografias aleatórias e obter, sobretudo, novas portas e novos para-choques que o modelo já sabe localizar. No experimento, aumentar a amostra de 100 para 200 imagens acrescentou 0,096 de mIoU, enquanto passar de 200 para 400 acrescentou apenas 0,007. Anotar tudo indiscriminadamente mostrou-se muito menos vantajoso do que coletar de forma direcionada defeitos raros e pequenos.

O que realmente mudou o resultado

O ajuste útil mais barato foi substituir a função de perda. A combinação de BCE e Dice elevou o AP geral de 0,190 para 0,200. O ganho foi de 14,7% para objetos pequenos e de 15,8% para as classes de defeitos. Pela primeira vez, o AP de rachaduras ficou consistentemente acima de zero. A arquitetura e a velocidade de inferência permaneceram inalteradas.

Focal Loss sem Dice, por outro lado, reduziu o AP para 0,177. Nessa tarefa, considerar a interseção em relação à área da máscara mostrou-se mais importante do que simplesmente aumentar a contribuição dos pixels difíceis.

O tamanho do passo de treinamento também foi crítico. Para a Mask R-CNN com AdamW, o valor 1e-4 resultou em mIoU de 0,252; 5e-4, em 0,125; e 1e-3, em apenas 0,029. Atualizações grandes demais apagavam rapidamente características úteis obtidas no pré-treinamento com COCO. O treinamento do zero com 400 imagens praticamente não funcionou: o mIoU parou em cerca de 0,001.

Execuções curtas também exigem cautela. Duas épocas preservaram a ordem das configurações bem-sucedidas, mas reduziram bastante o teto de qualidade. Depois de 15 épocas, o mIoU de teste subiu de aproximadamente 0,286 para 0,373, enquanto o AP passou de 0,165 para 0,190. Esse protocolo serve para selecionar configurações rapidamente, mas não para publicar a métrica final.

A arquitetura não salva um objeto invisível

Com o mesmo código de avaliação, a YOLO11s-seg obteve AP de 0,193, contra 0,189 da Mask R-CNN. A diferença foi mais evidente nos objetos pequenos: 0,180 contra 0,127. No entanto, a YOLO trabalhou com uma entrada de 640×640, fazendo com que cada defeito permanecesse um pouco maior.

A diferença de engenharia é mais significativa do que a diferença de qualidade. A YOLO tem 10,1 milhões de parâmetros, contra 46 milhões; seu arquivo de pesos ocupa 19,6 MB, contra 184 MB; e o processamento de uma imagem leva cerca de 3,5–9,5 ms, em vez de 61–112 ms. É um forte argumento a favor de um dispositivo de borda. Porém, o AP médio especificamente dos defeitos permaneceu quase igualmente baixo: 0,023 contra 0,020. A troca do modelo não recuperou as informações perdidas na redução do quadro.

Também há limitações. Trata-se de um único conjunto principal de produção, uma família de modelos e um orçamento limitado de execuções. A comparação de resoluções ainda não comprova uma "lei da detectabilidade" universal, e parte dos experimentos em um segundo conjunto, o CarDD, não foi concluída. Diferenças de alguns centésimos sem intervalos de confiança podem ser apenas ruído.

A ordem prática das ações é a seguinte: primeiro, medir o tamanho dos objetos depois da transformação da entrada; em seguida, escolher a resolução da câmera e da rede; ajustar o limiar de acordo com o custo das omissões e dos falsos positivos; verificar um passo de treinamento pequeno e uma função de perda adequada. Somente depois disso devem ser coletados dados adicionais — não quaisquer dados, mas aqueles que tragam casos realmente pequenos e raros.