diff --git a/main.py b/main.py
index 7c7b65b..fec87cd 100644
--- a/main.py
+++ b/main.py
@@ -14,6 +14,11 @@ app = FastAPI()
 s3 = boto3.client('s3')
 BUCKET = os.getenv('BUCKET_NAME', 'ia-gondola-projeto-2024')
 
+# 'ambiente' vira componente de paths locais (/tmp/..., runs/detect/...) e de
+# chaves S3 — sem allowlist, um valor tipo "../../../app" permitiria path
+# traversal (leitura/escrita/exclusão fora do diretório esperado).
+AMBIENTES_VALIDOS = {"gondola", "etiqueta"}
+
 MODELOS_CARREGADOS = {}
 
 _treinamento_status = {"status": "idle", "ambiente": None, "versao": None, "detalhe": None}
@@ -187,18 +192,19 @@ def _executar_treino_sync(ambiente: str, pular_triagem: bool, forcar_do_zero: bo
         modelo_base.add_callback("on_fit_epoch_end", _on_fit_epoch_end)
         # Fine-tuning: LR baixo preserva o que o modelo já aprendeu.
         # Primeiro treino: LR padrão + mais épocas para convergir do zero.
-        # project/name/exist_ok fixos: sem isso o Ultralytics incrementa o
-        # diretório a cada treino (train, train2, train3...) e o caminho abaixo
-        # ficava sempre apontando pro "train" original, subindo pro S3 um
-        # modelo de uma rodada antiga em vez do que acabou de treinar.
-        train_dir = f"runs/detect/{ambiente}"
+        # name/exist_ok fixos: sem isso o Ultralytics incrementa o diretório a
+        # cada treino (train, train2, train3...). Não passar "project" — o
+        # Ultralytics já resolve o project default a partir do runs_dir das
+        # settings, e forçar um valor aqui duplicava o caminho
+        # (runs/detect/runs/detect/{ambiente}), fazendo o `best` abaixo nunca
+        # ser encontrado. Lemos o caminho real direto do trainer, sem adivinhar.
         if is_fine_tuning:
-            modelo_base.train(data=yaml_path, epochs=20, imgsz=640, batch=8, device='cpu', plots=True, lr0=0.001, lrf=0.01, project="runs/detect", name=ambiente, exist_ok=True)
+            modelo_base.train(data=yaml_path, epochs=20, imgsz=640, batch=8, device='cpu', plots=True, lr0=0.001, lrf=0.01, name=ambiente, exist_ok=True)
         else:
-            modelo_base.train(data=yaml_path, epochs=30, imgsz=640, batch=8, device='cpu', plots=True, lr0=0.01, lrf=0.01, project="runs/detect", name=ambiente, exist_ok=True)
+            modelo_base.train(data=yaml_path, epochs=30, imgsz=640, batch=8, device='cpu', plots=True, lr0=0.01, lrf=0.01, name=ambiente, exist_ok=True)
         modelo_base.reset_callbacks()
 
-        best = f"{train_dir}/weights/best.pt"
+        best = str(modelo_base.trainer.save_dir / "weights" / "best.pt")
         if os.path.exists(best):
             carimbo = datetime.now().strftime("%Y%m%d_%H%M")
             s3.upload_file(best, BUCKET, f"modelos/{ambiente}/atual/cerebro.pt")
@@ -246,6 +252,8 @@ def _treinar_bg(ambiente: str, pular_triagem: bool, forcar_do_zero: bool = False
 
 @app.post("/detectar")
 async def detectar(ambiente: str = Form(...), file: UploadFile = File(...)):
+    if ambiente not in AMBIENTES_VALIDOS:
+        raise HTTPException(status_code=400, detail=f"ambiente inválido: {ambiente}")
     try:
         Image.MAX_IMAGE_PIXELS = None
         modelo = carregar_modelo_do_s3(ambiente)
@@ -265,10 +273,12 @@ async def detectar(ambiente: str = Form(...), file: UploadFile = File(...)):
 @app.post("/treinar")
 async def treinar(dados: dict):
     global _treinamento_status
+    ambiente = dados.get("ambiente", "gondola")
+    if ambiente not in AMBIENTES_VALIDOS:
+        raise HTTPException(status_code=400, detail=f"ambiente inválido: {ambiente}")
     with _status_lock:
         if _treinamento_status["status"] == "running":
             raise HTTPException(status_code=409, detail="Treinamento já em andamento")
-        ambiente = dados.get("ambiente", "gondola")
         pular_triagem = dados.get("pular_triagem", False)
         forcar_do_zero = dados.get("forcar_do_zero", False)
         _treinamento_status = {"status": "running", "ambiente": ambiente, "versao": None, "detalhe": None}