KI-Machbarkeitsstudie zur Verkehrsvideoanalyse
Kann KI aus den Bildern von Verkehrskameras verlässliche Zählungen von Verkehrsteilnehmern machen – und was braucht es dafür außer dem Modell? Für einen Kunden aus dem Mobilitätssektor bewertete EMBIQ Erkennungsansätze, Datenschutz und Bedienbarkeit für Nicht-Programmierer und untermauerte die Antworten mit einem Proof of Concept in der Cloud.
Eingesetzte Technologien
Python, OpenCV, YOLO, COCO-Datensatz, Zeitreihendatenbank, synthetische Trainingsdaten, Cloud-GPU-Instanz
Werkzeuge
Git, Cloud-Konsole, Dashboards
3
Projektteam
3 Monate
Projektdauer
KI-Entwicklung
Kategorie
Verkehr
Branche
Herausforderung
Bevor unser Kunde in eine Entwicklung investierte, wollte er wissen, ob sich Videos von Verkehrskameras mit KI in Statistiken über Verkehrsteilnehmer umwandeln lassen. Die Studie sollte drei Fragen beantworten: Welcher Erkennungsansatz eignet sich zum Zählen verschiedener Arten von Verkehrsteilnehmern, wie geht man mit Datenschutz und Ethik um, wenn Bilder des öffentlichen Raums verarbeitet werden, und können Menschen ohne Programmierkenntnisse ein solches Werkzeug nutzen? Die praktischen Rahmenbedingungen erwiesen sich als ebenso wichtig wie die technischen. Öffentliche Verkehrskameras stellen selten offene Videostreams bereit, daher muss jedes darauf aufbauende Konzept beim Datenzugang beginnen. Eine Demo musste sich zudem ohne Spezialhardware zeigen lassen, und neben den technischen Fragen war zu klären, wer ein solches Werkzeug langfristig betreiben würde.
Der Kunde brauchte keinen weiteren Objektdetektor, sondern die Antwort, ob die ganze Idee auch außerhalb des Labors trägt. Deshalb haben wir es zuerst als Machbarkeitsfrage behandelt: Datenzugang, Datenschutz und wer das Werkzeug tatsächlich betreiben wird.
Wichtigste Funktionen
- Überblick über Machine-Learning- und Deep-Learning-Ansätze für die Analyse von Verkehrsbildern und Auswahl eines Erkennungsansatzes
- Proof of Concept, der Verkehrsteilnehmer in einem Videostream mit einem vortrainierten Open-Source-Detektor erkennt und zählt
- Konfigurierbare Objektklassen: Gezählte Kategorien lassen sich ohne neuen Code ändern
- Zählwerte werden über die Zeit gespeichert und in einfachen Diagrammen dargestellt
- Cloud-Umgebung mit Kostenkontrolle, nutzbar ohne lokale GPU
- Bewertung synthetischer Trainingsdaten für Klassen, die in öffentlichen Datensätzen fehlen
- Analyse von Datenschutz und Ethik bei der Verarbeitung von Bildern des öffentlichen Raums
Ergebnis
EMBIQ lieferte einen Machbarkeitsbericht zusammen mit einem funktionsfähigen Proof of Concept in der Cloud, Dokumentation und einem Video-Rundgang, sodass sich der Ansatz ohne lokale Installation vorführen ließ. Die wertvollsten Erkenntnisse betrafen nicht die Genauigkeit des Modells. Datenzugang und das Betriebsmodell des künftigen Nutzers waren ebenso wichtig wie die Wahl des Algorithmus. Mit diesen Antworten konnte der Kunde entscheiden, wo das Konzept sinnvoll ist, und die nächsten Schritte planen.
- Machbarkeitsbericht mit Empfehlungen und nächsten Schritten
- Funktionsfähiger Proof of Concept in der Cloud mit Video-Rundgang und Benutzerdokumentation
- Konfigurierbare Objektklassen, erweiterbar mit weiteren Trainingsdaten
- Cloud-Umgebung mit Kostenkontrolle
- Klarer Blick auf nichttechnische Hürden wie Datenzugang und Betriebsmodell
Weil der Proof of Concept in der Cloud lief und sich die Analyse auf einem einzigen Bildschirm starten und stoppen ließ, konnten wir ihn noch am selben Tag jedem zeigen. Der Bericht gab dann ehrliche Antworten darauf, was skaliert und was nicht.
Welche Kompetenzen suchen Sie?
Schreiben Sie mir: Wir besprechen Ihre Anforderungen und stellen gemeinsam Ihr IT-Team zusammen.
Agnes
Spezialistin für Business Development
Angebot oder Beratung anfragen
Wir sehen uns Ihr Projektkonzept und seinen aktuellen Stand gemeinsam an.
Sie erhalten von uns einen ersten Vorschlag zum Projektumfang sowie eine Zeit- und Kostenschätzung.
Die Beratung ist durch eine Geheimhaltungsvereinbarung (NDA) geschützt.