Skip to main content

Pipeline de Inferência Unificada

  Para atender ao RF01, foi desenvolvido um sistema unificado de inferência capaz de operar com ambos os modelos (ResNet-18 e Swin Transformer V2) de forma transparente, garantindo flexibilidade operacional.

Contexto de Desenvolvimento​

  O sistema unificado foi desenvolvido para suportar tanto o ResNet-18 (modelo experimental com limitações) quanto o Swin Transformer V2 (modelo implementado no frontend). Embora apenas o Swin Transformer V2 seja utilizado em produção devido às limitações de generalização identificadas no ResNet-18, a arquitetura permite flexibilidade para futuras expansões.

Arquitetura do Sistema​

  O sistema utiliza uma classe principal UnifiedCrackClassifier que gerencia automaticamente:

  1. Detecção automática do tipo de modelo baseado no caminho
  2. Carregamento dinâmico dos módulos específicos
  3. Configuração automática das transformações adequadas
  4. Interface padronizada para resultados consistentes

Fluxo de Execução​

Modelo + Imagem → Detecção Tipo → Carregamento Dinâmico → 
Pré-processamento → Inferência → Resultado Padronizado

Pré-processamento Específico​

  Cada modelo aplica transformações otimizadas:

ResNet-18:

  • Resize direto para 224×224
  • Normalização ImageNet padrão
  • CLAHE opcional baseado na configuração

Swin Transformer V2:

  • Resize para 224×224
  • CLAHE com parâmetros específicos
  • Normalização otimizada
  • Filtros avançados quando disponíveis

Performance​

Tabela 1: Tempos de Inferência

OperaçãoResNet-18Swin Transformer V2
Carregamento inicial~2s~5s
Inferência (GPU)~0.05s~0.15s
Batch 10 imagens~0.2s~0.8s

Fonte: Produzida pelos Autores (2025).

Integração com Sistema SOD​

API REST​

from modules.inference import classify_for_frontend

def classify_endpoint(request):
    results = classify_for_frontend(
        request.json['image_paths'],
        request.json['image_ids'], 
        request.json['preview_urls'],
        "models/best_model.pth"
    )
    return {"predictions": results}

Tratamento de Erros​

  O sistema implementa tratamento robusto:

  • Imagens corrompidas: Fallback com resultado de erro
  • Modelos indisponíveis: Mensagens informativas
  • Configurações ausentes: Valores padrão seguros
  • Isolamento: Erros por modelo não afetam outros

Recomendações de Uso​

  • Produção: Sempre utilizar Swin Transformer V2
  • Desenvolvimento: Pipeline unificada permite testes com ambos os modelos
  • Validação: ResNet-18 mantido apenas para comparação e aprendizado
  • Futuro: Arquitetura preparada para novos modelos

Conclusões​

  A pipeline unificada atende completamente ao RF01, fornecendo:

  • Flexibilidade: Suporte transparente a múltiplos modelos
  • Simplicidade: Interface consistente e fácil de usar
  • Robustez: Tratamento abrangente de erros
  • Extensibilidade: Fácil adição de novos modelos

  Esta solução garante base sólida para classificação automática no sistema SOD com capacidade de evolução futura.

Integração com Desenvolvimento Geral​

  A pipeline unificada representa a culminação técnica desta sprint de IA, conectando o primeiro modelo com o segundo modelo de produção em uma solução coesa. Esta arquitetura facilita a transição para as próximas sprints, onde a integração com o sistema de drones e a validação em campo serão os focos principais do desenvolvimento contínuo do sistema SOD.