Como treinar um modelo de IA que cria imagens a partir de texto: lições de quem fez na prática
A Photoroom publicou os resultados de centenas de testes para descobrir o que funciona de verdade ao treinar um modelo capaz de transformar descrições em imagens realistas.
Treinar um modelo de inteligência artificial capaz de gerar imagens a partir de texto — como o DALL-E ou o Midjourney fazem — não é só uma questão de ter dados e poder de computação. A Photoroom (uma empresa que desenvolve ferramentas de IA para edição de fotos) acaba de publicar uma série de experimentos que mostram, na prática, quais decisões fazem diferença real no resultado final. O estudo, chamado PRX, testa desde o tamanho das imagens usadas no treinamento até a forma como o modelo recebe as instruções de texto.
Um dos achados mais importantes: começar o treinamento com imagens pequenas e aumentar a resolução aos poucos — uma técnica chamada progressive training — acelera o processo e economiza recursos, mas pode prejudicar a qualidade final se a transição não for bem calibrada. Segundo a equipe da Photoroom, treinar direto com imagens em resolução alta desde o início produz resultados melhores, mesmo que demore mais e custe mais caro. O ganho em detalhes e coerência compensa, especialmente em aplicações comerciais onde a qualidade da imagem é crítica.
Outro ponto testado foi o uso de descrições sintéticas — ou seja, legendas geradas automaticamente por outro modelo de IA, em vez de textos escritos por humanos. A conclusão: descrições sintéticas funcionam bem, mas só se forem muito detalhadas e precisas. Modelos que produzem legendas curtas ou genéricas prejudicam o aprendizado. A Photoroom também testou diferentes formas de representar o texto dentro do modelo — usando encoders (componentes que traduzem palavras em números que a IA entende) de tamanhos variados — e descobriu que encoders maiores e mais sofisticados, como o T5-XXL, melhoram bastante a capacidade do modelo de entender instruções complexas.
O artigo também explora ajustes mais técnicos, como a quantidade de ruído adicionada durante o treinamento — uma técnica usada em modelos de difusão (o tipo de IA que gera imagens removendo ruído progressivamente de uma imagem borrada) — e a forma como o modelo aprende a lidar com diferentes níveis de detalhe. A equipe da Photoroom compartilhou tanto os resultados quanto o código usado nos experimentos, disponível na plataforma Hugging Face, para que outros desenvolvedores possam replicar ou adaptar os testes. É uma contribuição rara num campo onde muitas empresas guardam suas descobertas a sete chaves.
