O que é a Mônica Dentuça e como usar no dia a dia
Tem muita gente buscando por monica dentuça sem saber exatamente o que encontrar. Basicamente se trata de um projeto voltado à detecção e reconhecimento de características dentárias em imagens, usado principalmente por pesquisadoras e profissionais que trabalham com odontologia forense e identificação humana no Brasil. O funcionamento é simples no papel. Você alimenta uma imagem de arco dentário, o sistema extraí os pontos de referência de cada dente e devolve coordenadas com as bordas de cada unidade. A maioria dos tutoriais começa apresentando o modelo pré-treinado e mostrando um script Python básico que roda a inferência em lote. Na prática, o processo demora cerca de 10 segundos por imagem em uma GPU razoável, mas pode levar minutos no CPU, dependendo do tamanho do arquivo.
Download e instalação da monica dentuça
O repositório oficial costuma estar disponível no GitHub sob o nome monicadentuca. Você baixa o código, instala as dependências pelo requirements.txt e já pode rodar os exemplos inclusos. Recomendo criar um ambiente virtual antes, porque o pacote depende de versões específicas de PyTorch e OpenCV que frequentemente entram em conflito com bibliotecas já instaladas no seu sistema. Depois da instalação, o passo seguinte é baixar os pesos treinados. Eles não vêm empacotados dentro do repositório principal, então é necessário acessar o link correspondente nas releases e colocar o arquivo na pasta models do projeto. Sem os pesos, o código executa sem erro, mas o resultado é aleatório e inútil.
Como rodar pela primeira vez
O comando padrão para processar uma imagem individual é algo como python detect.py --input foto.jpg --output results/. Isso gera um arquivo JSON com as coordenadas de cada dente detectado, além de um arquivo PNG sobreposto mostrando os contornos desenhados. Para processar uma pasta inteira, existe o argumento --batch que recebe o caminho do diretório e salva todos os resultados organizados em subpastas por data. Uma coisa que pouca documentação menciona é a necessidade de normalizar o contraste das imagens antes deEnviar para o modelo. Fotos tiradas intraoralmente com flash direto tendem a ter reflexos brancos que o detector interpreta como bordas de esmalte, gerando falsos positivos. O workaround que eu uso é aplicar um equalizador de histograma com CLAHE antes da inferência. Fica tudo dentro do próprio script, bastando adicionar two lines após carregar a imagem no OpenCV.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Me deparei com um caso específico onde o modelo falhava repetidamente emarcos dentários com restaurações de amálgama. O metal reflete a luz de forma diferente e o detector confundia a superfície metálica com a borda real do dente. A solução foi fazer um filtro pré-processamento que detecta regiões de alta luminosidade isolada e as substitui por interpolação dos pixels vizinhos. Depois disso, a taxa de acerto subiu de cerca de 60% para algo em torno de 89% nos meus testes, o que já é aceitável para uso prático em laudos periciais.
Pontas que ninguém avisa
Existem limitações sérias que vale anotar logo de cara. O modelo foi treinado predominantemente em imagens de adultos com arcada completa. Quando você envia uma foto de criança com dentição mista, ou de um paciente edêntulo parcial com poucos dentes remanescentes, a precisão cai drasticamente. Não adianta insistir ajustando hiperparâmetros, o problema é nos dados de treinamento, não na configuração. Outro ponto é a resolução. O detector espera imagens com pelo menos 800 pixels na dimensão maior. Fotos compactadas de WhatsApp ou tiradas com celulares mais antigos muitas vezes chegam abaixo desse limite e o sistema simplesmente não detecta nada. O tratamento recomendado é upsamplear a imagem antes, mas há um trade-off: aumentar demais introduz artefatos de interpolação que também confundem o modelo. Um redimensionamento para 1024 pixels costuma ser o ponto ideal.
Se o seu foco é identificação forense real, considere também usar a ferramenta em conjunto com outros módulos, como comparação de padrões de raiz e análise de desgaste. A monica dentuça sozinha não resolve o problema todo, mas economiza várias horas de trabalho manual quando integrada a um fluxo mais amplo.
