COCO Detection é uma tarefa de referência em visão computacional que avalia a capacidade de um modelo de detecção de objetos de identificar e localizar objetos dentro de uma imagem. A tarefa é definida pelo conjunto de dados Common Objects in Context (COCO), que contém mais de 200.000 imagens com mais de 1,5 milhão de instâncias de objetos anotadas com caixas delimitadoras e rótulos de categoria. A tarefa de detecção especificamente exige que um modelo produza uma caixa delimitadora e um rótulo de classe para cada instância de objeto das 80 categorias definidas presentes em uma imagem. É um dos benchmarks mais amplamente utilizados para medir o progresso em detecção de objetos, juntamente com tarefas como segmentação de instâncias e detecção de pontos-chave que usam o mesmo conjunto de dados subjacente.
A métrica de avaliação do benchmark é a Precisão Média (mAP), calculada em múltiplos limiares de Intersecção sobre União (IoU). A métrica primária, frequentemente denotada como mAP@[0.5:0.95], calcula a média da precisão em limiares de IoU de 0,5 a 0,95 em passos de 0,05. Essa métrica rigorosa recompensa a localização precisa, não apenas a detecção grosseira. O desafio de detecção do COCO tem sido um motor central de inovação em arquiteturas de detecção baseadas em aprendizado profundo desde sua introdução em 2015, com rankings acompanhando a rápida melhoria desde os primeiros modelos convolucionais até os detectores modernos baseados em transformadores.
Conjunto de Dados e Anotação
O conjunto de dados COCO foi lançado pela primeira vez em 2014 por uma equipe da Microsoft Research, liderada por Tsung-Yi Lin e outros. Ele foi projetado para abordar limitações de conjuntos de dados anteriores, como o PASCAL VOC, incluindo mais objetos por imagem, objetos menores e cenas mais complexas com relações contextuais. As 80 categorias de objetos abrangem itens do cotidiano, como pessoa, bicicleta, carro, cachorro e xícara, bem como classes mais específicas, como semáforo, hidrante e snowboard. As anotações são fornecidas como caixas delimitadoras alinhadas aos eixos, com cada caixa definida pelas coordenadas do canto superior esquerdo, largura e altura. O conjunto de dados é dividido em conjuntos de treino (cerca de 118.000 imagens), validação (5.000 imagens) e teste, com as anotações do conjunto de teste retidas para avaliação do desafio.
Evolução dos Modelos de Detecção
As primeiras abordagens de estado da arte no COCO Detection dependiam de detectores de dois estágios, notavelmente a família Faster R-CNN introduzida por Shaoqing Ren, Kaiming He e colegas em 2015. Esses modelos primeiro propõem regiões candidatas usando uma Rede de Proposta de Regiões, depois classificam e refinam cada proposta. A introdução da arquitetura ResNet em 2015 forneceu uma espinha dorsal que melhorou significativamente a extração de características, elevando o mAP do COCO de cerca de 21% para mais de 37% até 2017. Detectores de um estágio, como YOLO e SSD, ofereciam vantagens de velocidade, mas inicialmente ficavam atrás em precisão. A adoção de Redes de Pirâmide de Características (FPN) em 2017 permitiu a fusão de características em múltiplas escalas, reduzindo a lacuna. Em 2018, modelos como Mask R-CNN, uma extensão do Faster R-CNN, alcançaram mAP acima de 39% enquanto também realizavam segmentação de instâncias.
Detectores Baseados em Transformadores
Uma grande mudança ocorreu em 2020 com a introdução do Detection Transformer (DETR) por uma equipe da Meta AI (então Facebook AI Research). O DETR reformulou a detecção de objetos como um problema de previsão de conjuntos, usando uma arquitetura codificador-decodificador Transformer e uma perda de correspondência bipartida para gerar diretamente um número fixo de previsões. Isso eliminou a necessidade de componentes artesanais, como caixas de âncora e supressão não máxima. Embora o DETR inicialmente tivesse convergência mais lenta, variantes subsequentes, como Deformable DETR (2021), melhoraram a eficiência de treinamento e a precisão. Em 2023, detectores baseados em transformadores, como DINO e RT-DETR, superaram consistentemente os equivalentes convolucionais no benchmark COCO, alcançando valores de mAP acima de 50% no conjunto test-dev. Esses modelos aproveitam mecanismos de atenção multi-cabeça para capturar contexto global, o que é particularmente benéfico para detectar objetos pequenos e ocluídos.
Treinamento e Aumento de Dados
Alcançar alto desempenho no COCO Detection requer estratégias de treinamento cuidadosas. A prática padrão envolve inicializar a espinha dorsal com pesos pré-treinados no ImageNet e, em seguida, ajustar finamente no COCO. O aumento de dados desempenha um papel crítico; técnicas comuns incluem inversão horizontal aleatória, redimensionamento aleatório e variação de cores. Métodos mais avançados, como Mosaic e MixUp, popularizados pelo YOLOv4, combinam múltiplas imagens para melhorar a robustez. O treinamento normalmente usa os otimizadores Adam ou SGD com um agendamento de taxa de aprendizado que inclui aquecimento e decaimento cosseno. A normalização em lote é padrão em espinhas dorsais convolucionais, enquanto a normalização de camadas é usada em cabeças baseadas em transformadores. O processo de treinamento é computacionalmente intensivo, frequentemente exigindo múltiplas GPUs por vários dias. Por exemplo, um modelo DETR típico treinado em 8 GPUs V100 leva cerca de 3 dias para convergir.
Impacto e Benchmarks Relacionados
O COCO Detection se tornou o padrão de facto para avaliar a pesquisa em detecção de objetos, com milhares de artigos relatando resultados em seu conjunto de validação. Sua influência se estende a tarefas relacionadas: o mesmo conjunto de dados suporta segmentação de instâncias (COCO Segmentation), detecção de pontos-chave (COCO Keypoints) e segmentação panóptica. O benchmark também impulsionou aplicações práticas em campos como direção autônoma, robótica e imagem médica, onde a localização precisa é crítica. A comunidade de aprendizado de máquina continua usando o COCO como ponto de referência, embora conjuntos de dados mais novos, como LVIS e Objects365, ofereçam mais categorias ou maior escala. O desafio permanece ativo, com workshops anuais em conferências importantes como CVPR e ECCV, e o ranking é um alvo comum para equipes de pesquisa acadêmica e industrial.
Limitações e Críticas
Apesar de sua popularidade, o COCO Detection tem limitações conhecidas. As 80 categorias são fixas e não cobrem muitos objetos do mundo real, e o conjunto de dados tem um viés para objetos bem centrados e claramente visíveis. A métrica mAP pode ser sensível a pequenas mudanças nos limiares de confiança, e as anotações do conjunto de teste não são públicas, o que pode levar ao sobreajuste no conjunto de validação. Alguns pesquisadores notaram que o desempenho no COCO nem sempre se traduz para outros domínios, como imagens aéreas ou subaquáticas. Além disso, o benchmark não mede explicitamente a velocidade de inferência ou o custo computacional, embora muitos artigos relatem esses aspectos separadamente. Essas questões motivaram a criação de benchmarks alternativos, como Open Images e o mais recente EgoObjects, que visam abordar algumas dessas lacunas.