Stable Diffusion na garagem: por que rodamos IA de imagem no nosso próprio PC

Quando se fala em gerar imagem com IA, o caminho padrão é chamar uma API na nuvem: manda o prompt, recebe a imagem, paga por geração. É cômodo — e na maioria dos casos é a escolha certa. Mas para um tipo específico de problema, a gente foi na contramão e colocou o modelo para rodar na própria máquina. Este artigo explica por quê.

O contexto: no GO Tatame — plataforma de gestão de academias desenvolvida por nós — precisávamos transformar fotos reais de treino em ilustrações vetoriais e silhuetas estilizadas de jiu-jitsu, em volume, com um visual consistente para conteúdo e material de marketing.

Por que a API na nuvem não resolvia bem

Uma API de texto-para-imagem é ótima para criar algo do zero. O nosso problema era outro: partir de uma foto real e preservar a pose exata daquele movimento, só trocando o estilo para uma silhueta vetorial. Três limitações apareceram:

• Controle de pose. Texto-para-imagem inventa a anatomia. A gente precisava que a silhueta seguisse fielmente a foto original — o que pede condicionamento por pose/contorno, não um prompt caprichado.
• Custo em volume. Pagar por geração escala mal quando você quer dezenas de variações e itera muito até acertar o estilo.
• Privacidade. São fotos de alunos. Quanto menos esse material trafega para serviços de terceiros, melhor.

O que montamos localmente

Em uma GPU modesta (12 GB de VRAM), o fluxo ficou assim:

1. Remoção de fundo — um modelo de segmentação isola a pessoa da foto, separando o que importa do cenário.
2. Detecção de contorno/pose — extraímos as bordas do corpo segmentado.
3. Geração condicionada — Stable Diffusion XL com ControlNet usa esse contorno como “trilho”, gerando a arte nova que respeita a pose da foto original.
4. Saída estilizada — uma silhueta vetorial limpa (e, numa variante, uma ilustração tipo cartoon feita com técnicas clássicas de visão computacional: suavização que preserva bordas, estilização e traço por limiar adaptativo).

Coube nos 12 GB com alguns truques de engenharia (precisão reduzida, descarregamento parcial para a CPU), a um custo de poucas dezenas de segundos por imagem.

Por que valeu a pena rodar local

• Custo marginal zero. Depois de montado, gerar a 50ª imagem custa o mesmo que a 1ª: energia elétrica. Itera-se à vontade.
• Controle real. O ControlNet trava a pose da foto — algo que um prompt na nuvem não garante. O resultado é consistente, não loteria.
• Privacidade por padrão. As fotos dos alunos nunca saem da máquina.
• Lote sem fila. Dá para gerar dezenas de imagens de madrugada, sem limite de taxa de API.

O preço disso é honesto: não é instantâneo (dezenas de segundos por quadro), exige uma GPU e dá trabalho de montar. Para uma geração avulsa, a nuvem ganha de lavada.

A lição: “nuvem primeiro” não é regra

A pergunta certa não é “nuvem ou local?”, e sim qual problema você tem:

• Geração avulsa, baixa frequência, sem exigência de controle fino → API na nuvem, sem pensar duas vezes.
• Volume alto, estilo controlado, condicionamento por pose, dado sensível → modelo local pode sair mais barato, mais previsível e mais seguro.

Tratar toda tarefa de IA como “chama a API” é deixar dinheiro, controle e privacidade na mesa. Saber quando descer um nível — e rodar o modelo você mesmo — é parte de fazer engenharia de verdade com IA.

É assim que a Dravit aborda IA: a ferramenta certa para o problema certo, não a mais conveniente. Tem um problema de IA que parece caro ou incontrolável na nuvem? Vamos conversar.