Tegra Science · ITCBr

Pipeline de Modelos & Datasets

v1.0 · Plano Dataset

Pipeline de Inferência em Produção

⬛

Imagem
Full Frame

câmera Tegra-VIA

M0.1

Detecção
+ Pose

BBox · DS-A

pose → roteamento

M0.2

Seg. Geral
Carcaça

máscara · DS-B

contorno completo

M0.3

Sub-Áreas
Anatômicas

ROIs · DS-C

lombo · alcatra · coxão · garupa

paralelo ↓

ETAPA 1 · Gate sequencial

ETAPA 2 · Modelos especializados em paralelo

Conformação 35% ITCBr

garupa
M0.3

Conformação

C · Sc · Re · Sr · Co

Gordura 45% ITCBr

carcaça
M0.2

M1.1

Seg. Gordura

máscara

M1.2

Classe

classe 1–5

máscara M1.1 →

Cor Gordura

branco · creme · amarelo

M0.3 fornece contexto de localização — não é input de segmentação

Hematomas 20% ITCBr

carcaça
M0.2

M4.1

Seg. Lesões

máscaras

M4.2

Severidade

score · severidade

M0.3 fornece contexto de localização — não é input de segmentação

ITCBr Score

Conformação 35%

Gordura 45%

Hematomas 20%

Índice Final

Detalhe por Modelo — Input / Output / Decisões

M0.1

Detecção + Pose

Input

Frame bruto da câmera Tegra-VIA

Treinado em DS-A

Output

Bbox da meia-carcaça

Pose: frontal / traseira / lateral

Pass / Fail (imagem válida?)

Roteamento

frontal → M1 + M3 + M4

traseira → M2 (+ M4)

lateral → descarta, sem inferência

Fail → exceção, sem inferência

M0.2

Seg. Geral

Input

Crop de M0.1 (bbox validado)

Treinado em DS-B

Output

Máscara de instância — contorno completo da meia-carcaça

Base para M4 (hematomas sobre carcaça inteira)

Decisões de Design

Anotação assistida por SAM2 no CVAT

DS-C, DS-D e DS-F são subsets deste dataset

Separa carcaça do fundo antes de qualquer análise downstream

M0.3

Seg. ROIs

Input

Máscara de M0.2 (carcaça isolada)

Treinado em DS-C (subset de DS-B)

Output

Regiões: lombo · alcatra · coxão lateral · garupa

Crops normalizados por ROI → M1, M2, M3

Decisões de Design

Roda uma única vez — M1 usa as ROIs para calcular % de gordura por região sem re-inferência

M2 recebe apenas a ROI da garupa

M3 reutiliza máscara de gordura de M1, sem nova ROI

M1.1

Seg. Gordura

Input

Carcaça segmentada de M0.2

Contexto de localização de M0.3 (tracejado — em qual região está a gordura)

Pose=frontal apenas

Output

Máscara de gordura subcutânea sobre a carcaça

% cobertura por região (com base nas sub-áreas de M0.3)

Máscara passa diretamente para M3 (cor da gordura)

Decisões de Design

M0.3 não é input de segmentação — é metadado de localização

Um único forward pass segmenta toda a carcaça; % por região calculado em pós-processamento

Máscara de gordura reutilizada em M3 sem re-inferência

M1.2

Classe Gordura

Input

% de cobertura de gordura por região (de M1.1)

Output

Classe ordinal 1–5 via curva calibrada (output principal)

Classificação direta como double-check

Decisões de Design

Curva calibrada é o output primário em produção

Classificação direta serve de validação cruzada

Nota final pode ponderar % por região (via localização de M0.3)

Conformação

Input

ROI da garupa entregue por M0.3

Pose=traseira apenas — DS-E é subset de DS-C para a região da garupa

Pode usar silhueta binária extraída de M0.2

Output

Classe C / Sc / Re / Sr / Co

Confidence score

[v2] convexity_index contínuo

[v2] keypoints garupa

Decisões de Design

v1: classificação simples sobre crop (rápido de anotar)

Silhueta binária pode substituir RGB (info é curvatura)

Keypoints no schema desde o início, opcionais em v1

Roda apenas quando M0.1 detecta pose=traseira

Cor Gordura

Input

Máscara de gordura de M1 (ROI já definida)

Patch de gordura limpa extraído automaticamente

Output

3 grupos: Branco-creme / Creme / Amarelo

Valor CIELab b* interno (para analytics)

Flag de invalidade (reflexo, sangue)

Decisões de Design

Reduzir de 10 para 3 classes em v1 (calibração imprecisa)

Reutilizar máscara de M1 sem nova ROI

Documentar câmera_id + lux para cada imagem

Tratamento experimental nesta fase

M4.1

Seg. Hematomas

Input

Carcaça segmentada de M0.2

Contexto de localização de M0.3 (tracejado — em qual região está o hematoma)

Frontal ou traseira (ambas as poses válidas)

Output

Máscara por lesão: localização + área relativa %

Setor da carcaça (via M0.3): dianteiro / costelas / lombo / traseiro

Lado: esquerdo / direito

Decisões de Design

M0.3 não é input de segmentação — é metadado de localização para ponderar nota final

Hard negatives obrigatórios: gancho, reflexo, marcas de esfola

40% positivas, 60% negativas/artefatos no DS-F

M4.2

Classe Hematomas

Input

Máscaras de lesão de M4.1 + localização por região

Output

Severidade por lesão (1 leve / 2 moderado / 3 severo)

Área relativa % (lesão / carcaça total)

Agregados: qtd_lesoes, area_total, severidade_max

Decisões de Design

Área em % relativa em v1 (sem cm² absoluto)

cm² absoluto planejado para v2 com câmeras 3D calibradas

Pesos da nota final podem variar por região (via M0.3)

Datasets & Sub-datasets

DS-A

Detecção de Carcaça

Bounding box da meia-carcaça + label de pose. Bounding box da meia-carcaça + label de pose (frontal / traseira / lateral). Lateral é capturado mas descartado no roteamento. Base de tudo — sem ele os demais não funcionam.

bbox pose: frontal / traseira / lateral bbox + classe de pose

Volume 300–600 imgs

Alimenta M0.1

Fase Fase 1

Anotação ~2 min/img

DS-B

Segmentação da Carcaça

Máscara de instância do contorno completo da meia-carcaça. Construído sobre DS-A com auxílio de SAM2 no CVAT — o anotador confirma/corrige a máscara gerada automaticamente.

máscara de instância anotação assistida (SAM2)

Volume 800–2000 imgs

Alimenta M0.2 · base de DS-C, DS-D, DS-F

Fase Fase 1–2

Anotação ~5 min/img

DS-C

ROIs Anatômicas

Anotação das sub-regiões anatômicas dentro da máscara de DS-B: lombo, alcatra, coxão lateral, garupa. Subset de DS-B (~50%). Keypoints opcionais para v2. Alimenta M0.3 e roteamento downstream.

bbox por região anatômica keypoints (opcional v2) subset de DS-B

Volume 400–1000 imgs

Alimenta M1, M2, M3

Fase Fase 2

Anotação ~8 min/img

DS-D

Segmentação de Gordura + Classe

Anotação de gordura subcutânea sobre a carcaça inteira (base DS-B). Label ordinal 1–5 em 100% das imagens. Máscara de segmentação em ~35% para calibrar a curva % → classe. Em produção, M0.3 entrega as ROIs e M1 calcula % por região — um único forward pass.

label ordinal 1–5 máscara subcutânea (35%) subset de DS-B

Volume 2000–4000 imgs

Alimenta M1 + M3 (ROI)

Fase Fase 2–3

Anotação ~4 min/img

DS-E

Conformação da Garupa

Subset de DS-C restrito à região da garupa com pose=traseira. Classificação C/Sc/Re/Sr/Co sobre crop normalizado extraído pelo M0.3. Keypoints anatômicos marcados em ~30% para v2.

label C/Sc/Re/Sr/Co subset de DS-C · região garupa · pose=traseira keypoints (opcional v2)

Volume 1500–2500 imgs

Alimenta M2

Fase Fase 2–3

Anotação ~3 min/img

DS-F

Hematomas

Detecção de instância de lesões hemorrágicas. ~40% imagens positivas, ~60% negativas (inclui hard negatives: sombras de gancho, reflexos, manchas esfola). Área em % relativa.

máscara por lesão severidade 1/2/3 hard negatives obrigatórios subset de DS-B

Volume 1500–2500 imgs

Alimenta M4

Fase Fase 2–3

Anotação ~10 min/img

Hierarquia dos Datasets

Fases de Construção do Dataset

FASE 01

Seed Manual

Anotar DS-A completo (bbox + pose): 300–400 imgs

Anotar DS-B com SAM2 (segmentação carcaça): 300–400 imgs

Labels de classe para M1, M2, M3 nas mesmas imagens

Sessão de calibração dos anotadores com chips de referência

Medir IAA (kappa) antes de escalar

Volume total 300–400 imgs

FASE 02

Active Learning v0

Treinar M0.1-v0 (detecção + pose) com DS-A seed

Usar M0 para pré-anotar novo lote: revisão humana confirma

Priorizar imagens com confidence < 0.70 para anotação manual

Treinar M0.2 com DS-B seed (segmentação geral)

Escalar DS-D (gordura) e DS-F (hematomas) como subsets de DS-B

Anotar DS-C (ROIs anatômicas) como subset de DS-B

Volume acumulado 800–1200 imgs

FASE 03

Especialização por Modelo

Escalar classes sub-representadas (acabamento 1, 5 / conformação Co, Sr)

Anotar máscaras de gordura em 35% de DS-D → calibrar curva %

Coletar DS-E (conformação) focado em pose=traseira

Expandir DS-F com hard negatives sistematicamente

Validar curva gordura % → classe; testar em produção

Volume acumulado 4000–8000 imgs

Decisões de Design — Resumo

Questão

Decisão v1

Razão

Evolução v2

M0 · Pose Pose como subclasse ou metadado?

Subclasse do detector — label por imagem (lateral_E, lateral_D, frontal, traseira)

Câmera fixa mas operador pode girar carcaça. Pose determina quais modelos rodam.

Se câmera for sempre controlada, virar metadado fixo da câmera

M1 · Gordura Classificação ordinal ou % de cobertura?

Ambos: % de cobertura como métrica primária, classe 1–5 como double check

% é auditável e ajustável. Classe é obrigatória comercialmente e para calibração.

Em produção: usar só curva calibrada % → classe depois de validada

M2 · Conform. Keypoints ou classificação simples?

v1: classificação simples sobre crop da traseira. Keypoints no schema mas não obrigatórios.

Anotar keypoints anatômicos exige treinamento intenso dos anotadores. Classificação valida o conceito.

Keypoints em v2 para calcular convexity_index contínuo

M3 · Cor 10 classes ou agrupadas?

3 grupos: Branco-creme (0–2) / Creme (3–5) / Amarelo (6–9). ROI reutilizada de M1.

Calibração de câmera imperfeita em v1. Menos classes = mais robustez com dados ruidosos.

Expandir para escala completa após cartão de calibração de cor implantado

M4 · Hematomas Área em cm² ou relativa?

Área relativa: lesão_px / carcaça_px. Severidade por classe (1/2/3).

cm² absoluto requer câmera 3D calibrada. Área relativa é invariante à distância.

cm² absoluto quando câmeras 3D estiverem calibradas e integradas

Legenda

DS-A · Detecção

DS-B · Base (subsets: C, D, F)

DS-C · ROIs Anatômicas

DS-D · Gordura + Classe

DS-E · Conformação

DS-F · Hematomas

Tegra Science · ITCBr v1.0 · 2026