diff --git a/CLAUDE.md b/CLAUDE.md
index ec99489..f17c1a4 100644
--- a/CLAUDE.md
+++ b/CLAUDE.md
@@ -21,7 +21,18 @@ requirements.txt
 
 ### `POST /detectar`
 
-Form-data: `ambiente` (str), `file` (imagem). Confidence threshold: 0.25.
+Form-data: `ambiente` (str), `file` (imagem). Confidence threshold: 0.25, NMS `iou=0.5`.
+`ia-gondola-api` também manda um campo `conf` no form (ver `gondola_service.py`), mas esse endpoint
+não declara/lê esse campo — é ignorado, o threshold usado é sempre o 0.25 hardcoded aqui.
+
+Depois do NMS do próprio YOLO, passa por `_suprimir_boxes_contidas()`: remove boxes da mesma classe
+quase totalmente contidas em outra (caixa grande "engolindo" uma caixa menor do mesmo produto —
+comum em prateleira lotada). IoU sozinho não resolve isso: quando uma caixa é muito maior que a
+outra, a união fica dominada pela caixa grande e o IoU continua baixo mesmo com contenção quase
+total (ex.: caixa pequena 1/5 da área da grande, 100% contida → IoU ≈ 0.2, seguiria sobrevivendo
+mesmo com iou threshold bem mais agressivo que o do NMS padrão). A métrica usada aqui é
+intersecção / área da MENOR caixa do par, limiar 0.90 — entre duas boxes da mesma classe acima
+desse limiar, fica só a de maior confiança.
 
 ```json
 { "status": "sucesso", "deteccoes": [{ "box": [x1,y1,x2,y2], "conf": 0.87, "class": 0 }] }
diff --git a/main.py b/main.py
index 66613f8..57bb584 100644
--- a/main.py
+++ b/main.py
@@ -66,6 +66,33 @@ def log_print(msg):
         if len(_training_logs) > 60:
             _training_logs.pop(0)
 
+def _suprimir_boxes_contidas(deteccoes: list, limiar: float = 0.90) -> list:
+    """Remove boxes da mesma classe quase totalmente contidas em outra (ex.: caixa grande
+    envolvendo uma caixa menor do mesmo produto). IoU sozinho não pega esse caso: a união fica
+    dominada pela caixa maior, então o IoU continua baixo mesmo com contenção quase total.
+    Aqui a métrica é intersecção / área da MENOR das duas caixas do par."""
+    ordenadas = sorted(deteccoes, key=lambda d: d["conf"], reverse=True)
+    mantidas: list = []
+    for d in ordenadas:
+        x1, y1, x2, y2 = d["box"]
+        area_d = max(0.0, x2 - x1) * max(0.0, y2 - y1)
+        contida = False
+        for m in mantidas:
+            if m["class"] != d["class"]:
+                continue
+            mx1, my1, mx2, my2 = m["box"]
+            area_m = max(0.0, mx2 - mx1) * max(0.0, my2 - my1)
+            ix1, iy1 = max(x1, mx1), max(y1, my1)
+            ix2, iy2 = min(x2, mx2), min(y2, my2)
+            inter = max(0.0, ix2 - ix1) * max(0.0, iy2 - iy1)
+            menor_area = min(area_d, area_m)
+            if menor_area > 0 and inter / menor_area >= limiar:
+                contida = True
+                break
+        if not contida:
+            mantidas.append(d)
+    return mantidas
+
 def carregar_modelo_do_s3(ambiente: str):
     s3_key = f"modelos/{ambiente}/atual/cerebro.pt"
     local_path = f"/tmp/cerebro_{ambiente}.pt"
@@ -258,11 +285,12 @@ async def detectar(ambiente: str = Form(...), file: UploadFile = File(...)):
         modelo = carregar_modelo_do_s3(ambiente)
         conteudo = await file.read()
         imagem = Image.open(io.BytesIO(conteudo))
-        results = modelo(imagem, conf=0.25)
+        results = modelo(imagem, conf=0.25, iou=0.5)
         deteccoes = [
             {"box": [round(x, 2) for x in b.xyxy[0].tolist()], "conf": round(float(b.conf), 2), "class": int(b.cls)}
             for r in results for b in r.boxes
         ]
+        deteccoes = _suprimir_boxes_contidas(deteccoes, limiar=0.90)
         return {"status": "sucesso", "deteccoes": deteccoes}
     except Exception as e:
         log_print(f"Erro deteccao: {str(e)}")