· Visão computacional
Dados sintéticos automatizados: pipeline Blender-COCO para melhorar o YOLOv8
O artigo apresenta um pipeline automatizado e reproduzível para gerar datasets sintéticos com anotações no formato COCO, voltado a tarefas de detecção de objetos e segmentação.
Pipeline
O framework combina:
- aquisição controlada de vídeo de objetos reais
- reconstrução volumétrica pelo algoritmo SVRaster
- pós-processamento automatizado de malhas no Blender
- renderização sintética com variação sistemática de iluminação e fundos
- geração das anotações totalmente automatizada pelo plugin YOLO FOTO, que orquestra o posicionamento das câmeras virtuais e a exportação dos metadados
As imagens sintéticas resultantes treinam o modelo YOLOv8n. O estudo segue a metodologia Design Science Research (DSR), com rigor metodológico e reprodutibilidade.
Os resultados experimentais demonstram melhorias substanciais no desempenho do modelo quando dados sintéticos entram no treino, e evidenciam a eficácia desses dados para aumentar a diversidade e a robustez do dataset. Os achados destacam o valor estratégico de dados sintéticos em cenários em que a anotação manual é cara, demorada ou, de outro modo, limitada.