Visão computacional e IA para medidas corporais: uma análise comparativa entre MNASNet e SnapMeasurementAI

O presente trabalho investiga a aplicação de técnicas de inteligência artificial e visão computacional na estimativa das medidas corporais do tórax, cintura e quadril a partir de imagens, com foco em sua utilização em sistemas de recomendação de tamanhos para o comércio eletrônico de vestuário. O crescimento acelerado do e-commerce de moda tem evidenciado desafios relevantes relacionados à escolha inadequada de tamanhos, impactando diretamente a experiência do consumidor e os custos operacionais das empresas. Nesse contexto, foi realizada uma análise comparativa entre duas abordagens: o modelo MNASNet, treinado com dados reais, e a solução SnapMeasurementAI. A metodologia envolveu a utilização de datasets compostos por imagens frontais e laterais associadas a informações antropométricas, bem como a avaliação por meio da métrica erro absoluto médio (MAE) e da conversão das medidas estimadas em categorias de tamanho comerciais. Os resultados demonstraram diferenças significativas entre os modelos. O MNASNet apresentou MAE de 3,7 cm para o grupo feminino e 6,9 cm para o grupo masculino, indicando melhor desempenho para mulheres e evidenciando a presença de viés. Na avaliação prática utilizando tabelas comerciais, o modelo atingiu 50% de acerto para classificação de tamanhos baseada em tórax e cintura da marca Insider, porém apenas 17% de acerto para medidas de quadril, associadas a erros médios de até 10,1 cm. Em contrapartida, o SnapMeasurementAI apresentou desempenho mais equilibrado entre os gêneros e menor variabilidade global, demonstrando maior robustez e capacidade de generalização. Os resultados também evidenciaram que a conversão das medidas estimadas em tamanhos de vestuário constitui um dos principais desafios práticos da aplicação, uma vez que diferenças de poucos centímetros podem alterar significativamente a classificação final de tamanho. Conclui-se que, embora ambas as abordagens apresentem potencial para sistemas de recomendação de vestuário, ainda existem limitações relacionadas à precisão, robustez e generalização, reforçando a necessidade de aprimoramento dos modelos e de estratégias mais eficazes para conversão de medidas em categorias comerciais.