feat: flag forcar_do_zero para treinar do zero ignorando modelo atual

Permite disparar treino com yolov8n limpo (sem fine-tuning) sem apagar
o cerebro.pt em produção, que continua servindo o /detectar normalmente
enquanto o novo treino roda.

main.py

@@ -83,20 +83,29 @@ def carregar_modelo_do_s3(ambiente: str):
     return MODELOS_CARREGADOS[ambiente]
 
 
-def _executar_treino_sync(ambiente: str, pular_triagem: bool) -> dict:
+def _executar_treino_sync(ambiente: str, pular_triagem: bool, forcar_do_zero: bool = False) -> dict:
     """Execução síncrona do treino — chamada em background thread."""
     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.")
+    if forcar_do_zero:
+        # Ignora o cerebro.pt atual só para efeito de treino — o arquivo em
+        # modelos/{ambiente}/atual/cerebro.pt não é tocado, então o /detectar
+        # em produção continua servindo normalmente enquanto este treino roda.
+        log_print(f"Treino do zero forçado para '{ambiente}' — ignorando modelo atual.")
         modelo_base = YOLO('yolov8n.pt')
         is_fine_tuning = False
-        pular_triagem = True  # triagem sem modelo próprio é inútil
+        pular_triagem = True  # sem modelo próprio confiável, triagem não faz sentido
+    else:
+        # 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})")
@@ -198,12 +207,12 @@ def _executar_treino_sync(ambiente: str, pular_triagem: bool) -> dict:
     return {"status": "vazio"}
 
 
-def _treinar_bg(ambiente: str, pular_triagem: bool):
+def _treinar_bg(ambiente: str, pular_triagem: bool, forcar_do_zero: bool = False):
     global _treinamento_status
     with _status_lock:
         _training_logs.clear()
     try:
-        resultado = _executar_treino_sync(ambiente, pular_triagem)
+        resultado = _executar_treino_sync(ambiente, pular_triagem, forcar_do_zero)
         with _status_lock:
             if resultado["status"] == "sucesso":
                 _treinamento_status = {
@@ -256,9 +265,10 @@ async def treinar(dados: dict):
             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}
 
-    threading.Thread(target=_treinar_bg, args=(ambiente, pular_triagem), daemon=True).start()
+    threading.Thread(target=_treinar_bg, args=(ambiente, pular_triagem, forcar_do_zero), daemon=True).start()
     return {"status": "iniciado", "ambiente": ambiente}