Neste vídeo eu mostro, do zero, como construir um pipeline completo de reconhecimento facial no Google Colab usando GPU (T4): detecção + alinhamento (InsightFace), embeddings ArcFace, SVM calibrado e inferência em vídeo com salvamento em MP4 — tudo em um único script e com providers CUDA forçados no ONNX Runtime. 🔧 Você vai ver Como forçar a GPU no ONNX Runtime e evitar quedas para CPU Detecção e alinhamento com InsightFace (norm_crop 112×112) Extração de embeddings ArcFace (com fallbacks e TTA opcional) Treino do classificador (LinearSVC + CalibratedClassifierCV) Medição de acurácia de validação e escolha do threshold (“desconhecido”) Processamento de vídeo: rótulos + similaridade por frame e saída em MP4 Dicas para bater 80%+ (dados, limiar, DET_SIZE, distratores, tracking) ⚙️ Requisitos Conta no Google Colab com GPU ativada (Runtime → Change runtime type → GPU) Estrutura de dataset simples: dataset/ → messi/ e cr7/ (ou suas classes) Script único com instalação das libs e execução interativa ⏱ Capítulos 00:00 Introdução e objetivos 01:05 Preparando o Colab e forçando GPU 03:10 InsightFace: detecção + alinhamento 06:00 ArcFace: embeddings e normalização 08:30 SVM calibrado + protótipos 10:45 Validação, acurácia e threshold “desconhecido” 13:15 Inferência em vídeo e exportação MP4 15:20 Como passar de 80%+ (dicas práticas) 17:30 Próximos passos (TTA, antelopev2, tracking) 📦 Arquivos & comandos Script “all-in-one” (instala, treina e processa vídeo) Comandos pip e variáveis do ambiente para CUDA/ORT (mostrados no vídeo) 📌 Dicas rápidas Comece com 150–300 fotos úteis por pessoa, variadas (ângulo, luz, expressão) Ajuste DET_SIZE (ex.: 960×960) para vídeos 1080p Calibre o threshold pela validação (ex.: precisão alvo ≥ 0,90) Se curtiu, deixa o like 👍, se inscreve e comenta o que você quer que eu implemente a seguir (TTA, antelopev2, tracking, etc). #reconhecimentofacial #insightface #arcface #googlecolab #gpu #onnxruntime #computerVision #python #svm #opencv