feat: atualização do detector com otimizações para GPU T4

src/domain/detectors/gpu.py

@@ -143,7 +143,14 @@ class WeaponDetectorGPU(BaseDetector):
             "frames_analyzed": 0,
             "video_duration": 0,
             "device_type": "GPU",
-            "detections": []
+            "detections": [],
+            "technical": {
+                "model": "owlv2-base-patch16",
+                "input_size": f"{resolution}x{resolution}",
+                "nms_threshold": 0.5,
+                "preprocessing": "optimized",
+                "early_stop": False
+            }
         }
         
         try:
@@ -166,7 +173,7 @@ class WeaponDetectorGPU(BaseDetector):
             # Calcular duração do vídeo
             metrics["video_duration"] = len(frames) / (fps or 2)
             
-            # Processar frames individualmente
+            # Processar frames
             t0 = time.time()
             detections_by_frame = []
             

src/infrastructure/services/weapon_detector.py

@@ -70,20 +70,19 @@ class WeaponDetectorService(DetectorInterface):
             
             # Converter detecções para entidades do domínio
             detections = []
-            for detection_group in metrics.get('detections', []):
-                frame = detection_group.get('frame', 0)
-                for det in detection_group.get('detections', []):
-                    try:
-                        detections.append(Detection(
-                            frame=frame,
-                            confidence=det.get('confidence', 0.0),
-                            label=det.get('label', 'objeto perigoso'),  # Valor padrão mais informativo
-                            box=det.get('box', [0, 0, 0, 0]),
-                            timestamp=frame / fps if fps else 0
-                        ))
-                    except Exception as e:
-                        logger.error(f"Erro ao processar detecção: {str(e)}")
+            for detection in metrics.get('detections', []):
+                try:
+                    detections.append(Detection(
+                        frame=detection.get('frame', 0),
+                        confidence=detection.get('confidence', 0.0),
+                        label=detection.get('label', 'objeto perigoso'),
+                        box=detection.get('box', [0, 0, 0, 0]),
+                        timestamp=detection.get('frame', 0) / fps if fps else 0
+                    ))
+                except Exception as e:
+                    logger.error(f"Erro ao processar detecção: {str(e)}")
             
+            # Criar resultado com informações técnicas
             result = DetectionResult(
                 video_path=output_path or video_path,
                 detections=detections,

src/main.py

@@ -138,7 +138,7 @@ def main():
                 api_open=False,
                 max_size=queue_size,
                 status_update_rate="auto",
-                default_concurrency_limit=max_concurrent
+                concurrency_count=max_concurrent
             )
             
             # Launch

src/presentation/web/gradio_interface.py

@@ -295,18 +295,21 @@ class GradioInterface:
                     "frames_analyzed": response.detection_result.frames_analyzed,
                     "total_time": round(response.detection_result.total_time, 2),
                     "frame_extraction_time": round(response.detection_result.frame_extraction_time, 2),
-                    "analysis_time": round(response.detection_result.analysis_time, 2)
+                    "analysis_time": round(response.detection_result.analysis_time, 2),
+                    "fps": fps,
+                    "resolution": resolution
                 },
-                "detections": []
+                "detections": [],
+                "cache_stats": response.cache_stats if hasattr(response, 'cache_stats') else {}
             }
             
-            # Adicionar detecções ao JSON
-            for det in response.detection_result.detections[:10]:  # Limitar a 10 detecções
+            # Adicionar detecções ao JSON com informações temporais
+            for det in response.detection_result.detections[:10]:
                 technical_data["detections"].append({
                     "label": det.label,
                     "confidence": round(det.confidence * 100 if det.confidence <= 1.0 else det.confidence, 2),
                     "frame": det.frame,
-                    "timestamp": round(det.timestamp, 2) if hasattr(det, "timestamp") else None,
+                    "timestamp": f"{int(det.timestamp // 60):02d}:{int(det.timestamp % 60):02d}",
                     "box": det.box if hasattr(det, "box") else None
                 })