feat: fine-tuning incremental com LR reduzido e fallback para primeiro treino

main.py

@@ -83,7 +83,15 @@ def _executar_treino_sync(ambiente: str, pular_triagem: bool) -> dict:
     prefix_novos = f"treinamento/{ambiente}/novos-treinamentos/"
     objs = s3.list_objects_v2(Bucket=BUCKET, Prefix=prefix_novos)
 
+    # Tenta carregar modelo atual do S3; se não existir, usa YOLO genérico (primeiro treino)
+    try:
         modelo_base = carregar_modelo_do_s3(ambiente)
+        is_fine_tuning = True
+    except Exception:
+        log_print(f"Nenhum modelo base encontrado para '{ambiente}', iniciando do zero com yolov8n.")
+        modelo_base = YOLO('yolov8n.pt')
+        is_fine_tuning = False
+        pular_triagem = True  # triagem sem modelo próprio é inútil
 
     if pular_triagem:
         log_print(f"TRIAGEM PULADA: movendo todos os arquivos direto para base-oficial ({ambiente})")
@@ -143,9 +151,14 @@ def _executar_treino_sync(ambiente: str, pular_triagem: bool) -> dict:
         with open(yaml_path, 'w') as f:
             yaml.dump({'train': img_dir, 'val': img_dir, 'nc': 1, 'names': {0: ambiente}}, f)
 
-        log_print(f"Treinando com {len(os.listdir(img_dir))} fotos...")
+        log_print(f"Treinando com {len(os.listdir(img_dir))} fotos ({'fine-tuning' if is_fine_tuning else 'do zero'})...")
         modelo_base.add_callback("on_fit_epoch_end", _on_fit_epoch_end)
-        modelo_base.train(data=yaml_path, epochs=30, imgsz=640, batch=16, device='cpu', plots=True)
+        # Fine-tuning: LR baixo preserva o que o modelo já aprendeu.
+        # Primeiro treino: LR padrão + mais épocas para convergir do zero.
+        if is_fine_tuning:
+            modelo_base.train(data=yaml_path, epochs=20, imgsz=640, batch=16, device='cpu', plots=True, lr0=0.001, lrf=0.01)
+        else:
+            modelo_base.train(data=yaml_path, epochs=30, imgsz=640, batch=16, device='cpu', plots=True, lr0=0.01, lrf=0.01)
         modelo_base.reset_callbacks()
 
         best = "runs/detect/train/weights/best.pt"