Identifica automaticamente as peças danificadas em fotos de veículos batidos, com ciclo de aprendizado contínuo: cada correção do usuário vira um novo exemplo de treino. Com o tempo, o modelo fica calibrado para os carros, ângulos e danos reais da funilaria (Hyundai, Chery, Omoda/Jaecoo). Não é IA de terceiros — é modelo próprio, treinado do zero e refinado a cada rodada (fine-tuning incremental).

Métricas baixas, como esperado com poucos exemplos — a validação teve só 3 imagens. Serve como prova de que o pipeline funciona ponta a ponta (upload → detecção → correção → treino → modelo atualizado). A precisão real só aparece a partir de ~100+ correções.

23 partes: para-choque diant./tras., capô, portas (diant./tras., esq./dir.), paralamas (diant./tras., esq./dir.), teto, porta-malas, faróis, lanternas, parabrisa, vidro traseiro, retrovisores, rodas, grade frontal.

7 tipos de dano: amassado, risco, quebrado, trincado, faltando, desalinhado, sem dano (ok).

Editável em config.py sem mexer no resto do código.

Ficha do veículo: botão "Analisar fotos com IA" pré-preenche as peças danificadas na ficha do sinistro.

Orçamento automático: cruzar peça + dano com a tabela de preços do projeto Consulta de Peças Omoda/Jaecoo.

Firebase compartilhado: mesmo projeto, nó detector_danos separado — facilita cruzar sinistro/placa.

Acesso: embutido aqui, herda o controle de acesso do Funilaria Control (hoje roda solto, sem login).

Onde plugar: aba/modal no card do Kanban, ou como etapa do intake (junto da ficha de 11 fotos).

Hospedagem: hoje roda local no PC. Para várias pessoas/lojas, decidir onde hospedar (mesmo servidor? Cloudflare + backend?).

Volume de dados: quantas correções pra ficar confiável ainda é desconhecido — depende de continuar corrigindo por semanas.

Custo por peça: ainda sem estimativa — próximo passo, cruzando com o projeto de peças Omoda/Jaecoo.