Sistemas autônomos
Detecção de painéis solares por satélite
Você desenha uma área no mapa e o sistema devolve, marcado, cada painel solar que existe naquele telhado — em qualquer cidade coberta por imagem de satélite.
0,887
o mAP verdadeiro, depois que eu descobri que meu teste estava contaminado
- Condição
- 240 das 270 imagens do conjunto de teste vinham do treino · o número decorado era 0,997
- Papel
- Autor do modelo e da prova de conceito
- Contexto
- Nasceu como projeto meu; a Datlaz adotou e virou produto
- Período
- 2026
- Situação
- Adotado como produto pela empresa
O problema
Saber quantos telhados de uma cidade já têm energia solar é uma pergunta cara: alguém precisa olhar, um por um. Eu queria responder por imagem de satélite, em escala, para qualquer região.
O usuário desenha um polígono livre sobre o mapa. O sistema cobre a área com uma grade de tiles medida em metros — não em pixels, para a escala não mudar conforme a latitude —, captura cada tile, roda o detector, reprojeta as caixas de volta para lat/long e junta tudo com supressão global de sobreposição. A cor de cada detecção mostra a confiança.
A decisão que mudou o projeto
O primeiro modelo me deu mAP 0,997. Um número desses não é motivo de comemoração, é motivo de desconfiança.
Fui conferir o conjunto de teste “congelado”: 240 das 270 imagens já estavam no treino. O modelo não tinha aprendido a detectar painel — tinha decorado as respostas da prova. Refiz a separação e o número real apareceu: 0,887.
Perder 11 pontos de métrica num relatório é constrangedor. Descobrir isso depois que o modelo estivesse em produção seria muito pior.
Um segundo detalhe custou horas: o pós-processamento precisa de sigmoid por classe, não softmax. Softmax força as classes a competirem entre si e a inferência degrada de um jeito silencioso, sem erro nenhum no log.
O resultado
Treinei o detector com cerca de 1.100 imagens de 10 áreas em 8 cidades brasileiras, a 6,7 cm por pixel. A Datlaz, empresa para a qual presto serviço, adotou o modelo e o transformou em produto.
O pipeline responde em streaming, com barra de progresso real por tile, e tolera falha parcial: um tile que não carrega não derruba a análise inteira.
Onde ele roda
O modelo é servido pela própria empresa, em ONNX, e não por uma API de detecção paga. A razão é aritmética: no serviço hospedado cada tile consumia crédito, e varrer uma cidade inteira significa dezenas de milhares de tiles. Servindo o modelo por conta própria, o custo de inferência some e sobra só o download da imagem de satélite — o piloto de revisão em Brasília saiu por cerca de US$ 0,20 a rodada.
Não é uma escolha ideológica, é o que fecha a conta em escala de cidade. Vale para o treino também: o modelo que está em produção custou US$ 4,90 de GPU alugada a US$ 1,05/h, em 4 horas e 40 minutos.
Está em produção no cluster da empresa, atrás de autenticação única, servindo um modelo de 115 MB — cerca de 0,1 segundo por tile na GPU, com CPU como alternativa.