Evoluția Computer Vision în 2026 — De la Pixeli la Decizii Strategice

Un inginer care în 2020 antrena un ResNet de la zero pe un cluster de GPU-uri și un inginer care în 2026 pornește de la un model fundamental (Foundation Model) fac, în teorie, același lucru: învață o mașină să vadă. În practică, lucrează în două lumi separate. Astăzi vorbim despre modele care înțeleg imagini, text și video simultan, despre inferență pe dispozitive de buzunar și despre sisteme autonome care iau decizii critice în milisecunde. Computer Vision-ul din 2026 nu mai seamănă aproape deloc cu domeniul de acum cinci ani — iar diferența dintre a-l urmări și a-l stăpâni începe cu harta pe care o desenăm în această lecție.

Această lecție este punctul tău de pornire. Nu vom scrie cod încă — vom construi harta mentală a întregului domeniu, astfel încât fiecare lecție ulterioară să se fixeze într-un context clar. Vei înțelege ce tehnologii contează, de ce contează și cum se leagă între ele.

1. Peisajul Computer Vision în 2026

1.1 De la modele specializate la modele universale

Până în 2022-2023, fiecare problemă de CV necesită un model diferit: un clasificator pentru imagini, un detector de obiecte, un segmentator, un model OCR. Fiecare trebuia antrenat separat, pe dataset-uri specifice, cu arhitecturi diferite.

Paradigma 2026 este radical diferită. Modele precum Florence-2 (Microsoft), PaliGemma 2 (Google) și DINOv2 (Meta) sunt antrenate pe sute de milioane (sau miliarde) de imagini cu text asociat. Ele „înțeleg" vizual la un nivel general și pot fi adaptate rapid la sarcini specifice prin:

• Fine-tuning eficient (LoRA, QLoRA) — antrenezi doar 1-5% din parametri
• Prompt engineering vizual — descrii în limbaj natural ce vrei să detecteze
• Few-shot learning — arăți 5-10 exemple și modelul generalizează

Concret, dacă în 2022 aveai nevoie de 50.000 de imagini etichetate pentru a antrena un detector de defecte industriale, în 2026 poți obține rezultate comparabile cu 500 de imagini folosind fine-tuning pe un model fundamental.

1.2 Modelele fundamentale care definesc era

DINOv2 (Meta AI)

DINOv2 este un model de tip Vision Transformer (ViT) antrenat prin self-supervised learning — fără etichete umane. A fost antrenat pe 142 de milioane de imagini curate. Rezultatul: un extractor de feature-uri vizuale de o calitate excepțională.

De ce contează: DINOv2 produce embeddings vizuale care pot fi folosite direct pentru clasificare, segmentare semantică, estimare de adâncime și retrieval de imagini, fără a fi antrenat explicit pe niciunul dintre aceste task-uri. Este „coloana vertebrală" pe care construiești.

import torch
from torchvision import transforms
from PIL import Image

# Încarcă DINOv2 pre-antrenat (varianta ViT-Large)
model = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_reg')
model.eval()

# Preprocesare standard DINOv2
transform = transforms.Compose([
    transforms.Resize(518, interpolation=transforms.InterpolationMode.BICUBIC),
    transforms.CenterCrop(518),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

image = Image.open('componenta_industriala.jpg').convert('RGB')
tensor = transform(image).unsqueeze(0)  # [1, 3, 518, 518]

with torch.no_grad():
    features = model(tensor)  # [1, 1024] — embedding-ul vizual

print(f"Dimensiune embedding: {features.shape}")
# Acest vector de 1024 dimensiuni codifică „esența vizuală" a imaginii
# Poate fi folosit direct pentru clasificare cu un simplu strat Linear

SAM 2 — Segment Anything Model 2 (Meta AI)

SAM 2, lansat în 2024 și rafinat continuu, este printre cele mai puternice modele de segmentare interactivă (vezi și succesoarele SAM 3 / SAM 3.1, tratate în lecția finală de actualizare). Acceptă prompturi sub formă de puncte, casete (bounding boxes) sau text, și segmentează orice obiect din imagine sau video.

De ce contează: Elimină nevoia de etichetare manuală a măștilor de segmentare. Un singur clic pe un obiect generează o mască pixel-perfect. SAM 2 funcționează și pe video — urmărește obiecte de-a lungul cadrelor temporal.

from sam2.build_sam import build_sam2
from sam2.sam2_image_predictor import SAM2ImagePredictor
import numpy as np
from PIL import Image

# Construiește modelul SAM 2 (varianta Large)
checkpoint = "sam2.1_hiera_large.pt"
config = "configs/sam2.1/sam2.1_hiera_l.yaml"
predictor = SAM2ImagePredictor(build_sam2(config, checkpoint))

image = np.array(Image.open("linie_productie.jpg"))
predictor.set_image(image)

# Segmentează cu un singur punct (click pe obiect)
# Coordonatele [500, 375] indică centrul obiectului de interes
input_point = np.array([[500, 375]])
input_label = np.array([1])  # 1 = foreground

masks, scores, logits = predictor.predict(
    point_coords=input_point,
    point_labels=input_label,
    multimask_output=True,  # Returnează 3 variante
)

# masks.shape = (3, H, W) — 3 măști candidate, sortate după scor
best_mask = masks[np.argmax(scores)]
print(f"Scor segmentare: {scores.max():.3f}")

Florence-2 (Microsoft)

Florence-2 este un model multimodal unificat care rezolvă zeci de task-uri de CV cu o singură arhitectură: captioning, OCR, detecție de obiecte, segmentare, grounding vizual. Acceptă instrucțiuni în limbaj natural.

De ce contează: Un singur model, un singur API. În loc să menții 5 modele separate, Florence-2 le înlocuiește pe toate cu o interfață unificată bazată pe text.

PaliGemma 2 (Google)

PaliGemma 2 combină un encoder vizual (SigLIP) cu modelul de limbaj Gemma 2. Rezultatul este un model vizual-lingvistic extrem de capabil, disponibil în variante de 3B, 10B și 28B parametri, cu variante fine-tuned pentru task-uri specifice.

De ce contează: Este open-weight (poți rula local), multilingv, și excelent la sarcini care necesită raționament vizual complex (ex: „numără câte piese defecte sunt pe bandă și descrie tipul defectului").

1.3 Schimbarea de paradigmă: de la antrenare de la zero la fine-tuning

Iată cum arată evoluția practică:

Această schimbare nu este doar tehnică — este economică. A democratizat accesul la CV performant pentru companii mici și echipe fără bugete masive de compute.

2. Edge versus Cloud: Unde Rulează Modelul?

2.1 Realitatea latenței

Un sistem de Computer Vision pentru un vehicul autonom nu poate trimite imagini în cloud și să aștepte 200ms un răspuns. La 100 km/h, mașina parcurge 5.5 metri în 200ms. Decizia trebuie luată local, pe hardware-ul din vehicul.

La cealaltă extremă, un sistem de analiză a radiografiilor medicale nu are constrângeri de latență (medicul poate aștepta 5 secunde), dar necesită un model masiv, precis, care rulează cel mai eficient pe GPU-uri puternice din cloud.

2.2 Hardware-ul edge în 2026

2.3 Strategia hibridă: Edge + Cloud

Arhitectura matură în 2026 este hibridă, cu logică de rutare inteligentă:

┌──────────────────────────────────────────────────────────────┐
│                    DISPOZITIV EDGE                           │
│                                                              │
│  Cameră → Preprocessing → Model Mic (YOLOv11-nano) → Decizie│
│                                                              │
│  Dacă confidence < threshold SAU clasă critică:              │
│  ┌──────────────────────────────────────────────┐            │
│  │ Trimite crop-ul relevant (nu întregul frame) │────────┐   │
│  └──────────────────────────────────────────────┘        │   │
└──────────────────────────────────────────────────────────┼───┘
                                                           │
                                                           ▼
┌──────────────────────────────────────────────────────────────┐
│                         CLOUD                                │
│                                                              │
│  Model Mare (Florence-2 / PaliGemma 2) → Analiză detaliată  │
│  → Răspuns JSON → Trimis înapoi la edge                     │
│  → Logging & monitorizare                                    │
└──────────────────────────────────────────────────────────────┘

Regula de aur: Pe edge rulezi modelul cel mai mic care poate lua decizii corecte pentru 95% din cazuri. În cloud trimiți doar cele 5% ambigue.

2.4 Analiza costurilor: Cloud inference în 2026

Să calculăm costul real al inferenței în cloud pentru un scenariu concret.

Scenariu: 50 de camere de securitate, 24/7, procesare a fiecărui frame la 5 FPS.

Frames pe zi = 50 camere × 5 fps × 3.600 sec × 24 ore = 21.600.000 frames/zi

Opțiunea A: Totul în cloud (GPU A100 on-demand)
- Throughput A100: ~300 frames/sec cu YOLOv11-Large
- GPU-uri necesare: 21.600.000 / (300 × 86.400) ≈ 0.83 → 1 GPU constant
- Cost: ~$2.50/oră × 24 × 30 = $1.800/lună
- + Bandwidth: ~50 camere × 2 Mbps × 2.6 TB/lună ≈ $250/lună
- Total: ~$2.050/lună

Opțiunea B: Hibrid (edge + cloud doar pentru 5% din frames)
- Edge: 50 × Jetson Orin NX = 50 × $500 = $25.000 (cost unic, amortizat pe 3 ani)
- Amortizare lunară: $25.000 / 36 = ~$694/lună
- Cloud (5% din frames): $2.050 × 0.05 = ~$103/lună
- Electricitate edge: 50 × 25W × 24h × 30 × $0.15/kWh = ~$135/lună
- Total: ~$932/lună (economie 55%)

La 3+ ani, opțiunea B devine dramatic mai ieftină.

3. Data-Centric AI: Datele Sunt Noul Cod

3.1 Filozofia data-centric

Andrew Ng a formalizat conceptul în 2021, dar abia în 2025-2026 a devenit mainstream. Ideea centrală:

Dacă modelul tău nu funcționează, nu schimbă modelul — repară datele.

În practică, aceasta înseamnă:

1. Curățare sistematică — elimină duplicatele, imaginile corupte, etichetele greșite
2. Augmentare inteligentă — nu augmenta la întâmplare; augmentează pentru a acoperi exact scenariile unde modelul greșește
3. Etichetare iterativă — antrenează un model, vezi unde greșește, etichetează mai multe exemple din acea zonă, repetă
4. Slice-based evaluation — evaluează performanța nu la nivel global, ci pe „felii" de date (noapte vs. zi, ploaie vs. soare, obiecte mari vs. mici)

3.2 De ce contează mai mult decât arhitectura

Într-un experiment clasic repetat în industrie, aceeași echipă a comparat două strategii pe un dataset de defecte industriale:

• Strategia A: Model avansat (ViT-Large), dataset neschimbat → mAP 78.2%
• Strategia B: Model simplu (ResNet-50), dataset curățat și augmentat sistematic → mAP 84.6%

Diferența de 6.4 puncte procentuale vine exclusiv din calitatea datelor. Modelul simplu cu date bune bate modelul complex cu date mediocre.

3.3 Volumul de date: CV versus LLM

Observă diferența de cost la etichetare: un sample de text costă cenți, dar o imagine cu mască de segmentare pixel-level poate costa $50 dacă necesită expertiză medicală.

4. Computer Vision în Industrii Reale

4.1 Manufactură și control al calității

Problema: O linie de producție de componente auto produce 1.000 de piese pe oră. Rata de defecte este 0.5%. Inspecția umană ratează 15% din defecte și are un cost de 3 inspectori pe tură.

Soluția CV: Cameră industrială + model YOLOv11 pe Jetson Orin, detecție de defecte în timp real.

Rezultate tipice 2026:

• Rată de detecție defecte: 98.5% (vs. 85% uman)
• False positive rate: 2% (piese bune marcate ca defecte)
• Latență: 15ms per piesă
• ROI: Investiția se amortizează în 4-8 luni

4.2 Medical imaging

Problema: Un radiolog analizează 50-100 de radiografii pe zi. Oboseala crește rata de eroare spre finalul turei.

Soluția CV: Model de screening pre-diagnostic care evidențiază zonele suspecte din radiografii, CT-uri sau RMN-uri. Nu înlocuiește medicul — îi atrage atenția și reduce timpul de analiză.

Particularități:

• Reglementări stricte (FDA, MDR/IVDR în UE) — modelul trebuie certificat ca dispozitiv medical
• Explicabilitate obligatorie (Grad-CAM, attention maps)
• Date pacienți sub GDPR — anonimizare și pseudonimizare obligatorii
• False Negative cost > False Positive cost (ratezi o boală vs. trimți la investigații suplimentare)

4.3 Vehicule autonome

Problema: Percepția mediului 3D în timp real: detectare pietoni, vehicule, semne de circulație, trasarea benzilor, estimare adâncime.

Stack tipic 2026:

• Senzori: 6-12 camere + LiDAR + radar
• Fuziune senzorială: BEV (Bird's Eye View) din multiple camere
• Modele: Detecție 3D, segmentare panoptică, predicție traiectorie
• Latență maximă: 50ms end-to-end
• Hardware: NVIDIA DRIVE Orin (254 TOPS)

4.4 Retail și logistică

Aplicații concrete:

• Self-checkout vizual — identifică produse fără cod de bare (fructe, legume, produse de panificație)
• Analiza rafturilor — detectează produse lipsă sau plasate greșit
• People counting și heatmaps — analiză flux clienți, fără identificare individuală (conformitate GDPR)
• Warehouse automation — roboți de picking ghidați vizual

5. Perspectiva de Business: Costul Erorilor

5.1 False Positive vs. False Negative — Analiza de cost

Fiecare proiect de CV trebuie să înceapă cu această întrebare fundamentală:

Cât costă o alarmă falsă (FP) comparativ cu o ratare (FN)?

5.2 Cum traduci asta în praguri de decizie

# Exemplu: ajustarea threshold-ului bazat pe analiza de cost
import numpy as np

def optimal_threshold(y_true, y_scores, cost_fp, cost_fn):
    """
    Găsește threshold-ul optim pe baza costurilor de business.

    Args:
        y_true: etichete reale (0/1)
        y_scores: probabilități prezise de model
        cost_fp: costul unui False Positive (în EUR)
        cost_fn: costul unui False Negative (în EUR)

    Returns:
        threshold optim, costul total minim
    """
    thresholds = np.arange(0.01, 1.0, 0.01)
    min_cost = float('inf')
    best_threshold = 0.5

    for t in thresholds:
        predictions = (y_scores >= t).astype(int)
        fp = np.sum((predictions == 1) & (y_true == 0))
        fn = np.sum((predictions == 0) & (y_true == 1))
        total_cost = fp * cost_fp + fn * cost_fn

        if total_cost < min_cost:
            min_cost = total_cost
            best_threshold = t

    return best_threshold, min_cost

# Scenariu: defecte industriale
# FP costă €5 (piesă bună aruncată), FN costă €5.000 (recall client)
threshold, cost = optimal_threshold(y_true, y_scores, cost_fp=5, cost_fn=5000)
print(f"Threshold optim: {threshold:.2f}, Cost total estimat: €{cost:,.0f}")
# Threshold-ul va fi MIC (~0.15-0.25) pentru că FN este de 1000x mai scump

6. Stack-ul Tehnologic Modern (2026)

6.1 Antrenare și experimentare

6.2 Optimizare și deployment

6.3 Generative Vision

Pe lângă CV-ul analitic (clasificare, detecție), în 2026 generative vision este un domeniu matur:

Aplicație CV: Generarea de date sintetice de antrenament. Dacă ai nevoie de 10.000 de imagini cu defecte rare, poți genera variații sintetice folosind Stable Diffusion, reducând costul și timpul de etichetare.

7. Exercițiu de Reflecție: Proiectul Tău CV

Înainte de a trece la următoarea lecție, gândește-te la un proiect concret de Computer Vision pe care l-ai putea implementa. Răspunde la aceste întrebări:

1. Ce problemă rezolvi? (detectez X, clasificat Y, segmentez Z)
2. Care este costul FP vs. FN în scenariul tău?
3. Unde rulează modelul? (edge, cloud, hibrid)
4. Câte date etichetate ai disponibile? (10, 100, 1.000, 10.000+)
5. Care este latența maximă acceptabilă?
6. Ce model fundamental ai folosi ca punct de plecare?

Aceste răspunsuri vor ghida fiecare decizie tehnică din lecțiile următoare. Pentru că harta pe care tocmai ai desenat-o îți spune ce contează în Computer Vision — dar nu încă cum transformi un model fundamental într-un sistem care rezistă în producție, la scară și cu costuri sub control. Exact aceea este distanța pe care o parcurge restul cursului, o piesă pe rând.

Rezumat

• Foundation Models (DINOv2, SAM 2, Florence-2, PaliGemma 2) au transformat CV-ul dintr-un domeniu al specialiștilor într-unul accesibil inginerilor software cu pregătire ML
• Fine-tuning-ul a înlocuit antrenarea de la zero pentru 90%+ din cazurile de utilizare
• Decizia Edge vs. Cloud este economică și de latență, nu tehnică
• Data-Centric AI prioritizează calitatea datelor peste complexitatea modelului
• Fiecare proiect CV trebuie să înceapă cu analiza costului erorilor (FP vs. FN)
• Stack-ul 2026 include PyTorch 2.x, Ultralytics YOLOv11, TensorRT, ONNX Runtime și Triton Inference Server — folosește versiunile curente din documentația oficială a fiecărui proiect
• Generative Vision (SDXL, SD3, Flux, Sora) completează CV-ul analitic cu capabilități de sinteză