Como a Photoroom treinou uma IA de edição de imagens usando dados sintéticos
A startup francesa criou seu próprio modelo de IA gerando milhões de imagens artificiais — e explica por que essa estratégia foi mais eficiente do que usar fotos reais.
A Photoroom (um app de edição de fotos usado por pequenos vendedores online para criar imagens de produtos) acaba de revelar como montou o conjunto de dados que alimenta seu modelo de IA, o PRX. Em vez de coletar milhões de fotos reais da internet — o caminho tradicional —, a equipe decidiu gerar imagens artificiais usando outros modelos de IA. Segundo informou a empresa em seu blog oficial, essa abordagem permitiu criar exatamente o tipo de dado que faltava, com controle total sobre qualidade e diversidade.
O desafio era treinar um modelo capaz de entender e manipular objetos em fotos de produto — remover fundos, ajustar sombras, reposicionar itens. Para isso, a Photoroom precisava de imagens anotadas com precisão (ou seja, cada pixel marcado indicando se faz parte do objeto, do fundo, de uma sombra etc.). Coletar e rotular manualmente esse volume de dados seria caro e lento. Mais importante: fotos reais disponíveis online raramente incluem a variedade de ângulos, iluminações e composições que o modelo precisava aprender.
A solução foi usar modelos geradores de imagem (como Stable Diffusion, uma IA de código aberto que cria fotos a partir de descrições textuais) para produzir milhões de cenas sintéticas. A equipe escreveu prompts (comandos em texto que orientam a IA a gerar uma imagem específica) detalhados para gerar produtos em diferentes contextos, depois aplicou técnicas de renderização 3D (processos que simulam luz, textura e profundidade em imagens digitais) para criar as anotações automáticas. O resultado: um dataset (conjunto de dados usado para treinar uma IA) customizado, escalável e sem problemas de direitos autorais.
A Photoroom destaca que dados sintéticos resolvem dois problemas ao mesmo tempo. Primeiro, eliminam a necessidade de negociar licenças ou lidar com questões legais sobre uso de imagens de terceiros — tema cada vez mais sensível na indústria de IA. Segundo, permitem preencher lacunas: se o modelo erra ao processar objetos metálicos, por exemplo, basta gerar mais exemplos sintéticos desse tipo até corrigir a falha. Com dados reais, seria preciso sair e fotografar ou buscar mais imagens na internet, sem garantia de encontrar exatamente o que falta.
A empresa afirma que o PRX, treinado majoritariamente com dados sintéticos, alcançou desempenho comparável ou superior a modelos treinados com fotos reais em tarefas de edição de produto. A estratégia deve se tornar mais comum: à medida que modelos geradores melhoram, criar dados artificiais sob medida pode ser mais eficiente do que vasculhar a internet atrás de exemplos imperfeitos. Para startups e desenvolvedores independentes, representa uma alternativa viável ao domínio de grandes empresas que controlam vastos arquivos de imagens licenciadas.
