Studium wykonalności AI do analizy wideo z kamer drogowych

Czy AI może zamienić obraz z kamer drogowych w wiarygodne dane o liczbie uczestników ruchu i czego to wymaga poza samym modelem? Dla klienta z branży mobilności EMBIQ ocenił metody detekcji, ochronę danych i łatwość obsługi przez osoby, które nie programują, a odpowiedzi poparł proof of concept w chmurze.

Wykorzystane technologie

Python, OpenCV, YOLO, zbiór danych COCO, baza danych szeregów czasowych, syntetyczne dane treningowe, instancja GPU w chmurze

Narzędzia

Git, konsola chmury, dashboardy

Zespół projektu

3 miesiące

Czas trwania projektu

Tworzenie rozwiązań AI

Kategoria

Transport

Branża

Wyzwanie

Zanim klient zainwestował w rozwój, chciał wiedzieć, czy obraz z kamer drogowych da się z pomocą AI zamienić w statystyki uczestników ruchu. Studium miało odpowiedzieć na trzy pytania: która metoda detekcji nadaje się do liczenia różnych typów uczestników ruchu, jak podejść do ochrony danych i etyki przy przetwarzaniu obrazu przestrzeni publicznej oraz czy z takiego narzędzia mogą korzystać osoby, które nie piszą kodu. Ograniczenia praktyczne okazały się równie ważne jak techniczne. Publiczne kamery drogowe rzadko udostępniają otwarte strumienie wideo, więc każda oparta na nich koncepcja musi zaczynać się od dostępu do danych. Demo musiało dać się pokazać bez specjalnego sprzętu, a obok pytań technicznych trzeba było odpowiedzieć, kto w dłuższym okresie będzie obsługiwał takie narzędzie.

Klient nie potrzebował kolejnego detektora obiektów. Potrzebował wiedzieć, czy cały pomysł sprawdzi się poza laboratorium. Dlatego najpierw potraktowaliśmy to jako pytanie o wykonalność: dostęp do danych, prywatność i to, kto naprawdę będzie obsługiwał narzędzie.

Alex, CEO

Kluczowe funkcje

Przegląd metod uczenia maszynowego i głębokiego do analizy obrazu z ruchu drogowego oraz wybór metody detekcji
Proof of concept, który wykrywa i liczy uczestników ruchu w strumieniu wideo za pomocą wstępnie wytrenowanego detektora open source
Konfigurowalne klasy obiektów – liczone kategorie można zmieniać bez nowego kodu
Liczniki zapisywane w czasie i pokazywane na prostych wykresach
Środowisko w chmurze z kontrolą kosztów, bez potrzeby lokalnego GPU
Ocena syntetycznych danych treningowych dla klas, których brakuje w publicznych zbiorach danych
Analiza ochrony danych i etyki przy przetwarzaniu obrazu przestrzeni publicznej

Rezultat

EMBIQ przekazał raport z oceną wykonalności razem z działającym proof of concept w chmurze, dokumentacją i nagraniem wideo z omówieniem, dzięki czemu podejście można było pokazać bez instalowania czegokolwiek lokalnie. Najcenniejsze wnioski nie dotyczyły dokładności modelu. Dostęp do danych i model działania przyszłego użytkownika okazały się równie ważne jak wybór algorytmu. Dzięki tym odpowiedziom klient mógł ocenić, gdzie koncepcja ma sens, i zaplanować kolejne kroki.

Raport z oceną wykonalności, rekomendacjami i kolejnymi krokami
Działający proof of concept w chmurze z nagraniem omówienia i dokumentacją dla użytkownika
Konfigurowalne klasy obiektów, które można rozszerzać o kolejne dane treningowe
Środowisko w chmurze z kontrolą kosztów
Jasny obraz barier nietechnicznych, takich jak dostęp do danych i model działania

Proof of concept działał w chmurze, a analizę uruchamiało się i zatrzymywało na jednym ekranie, więc można go było pokazać każdemu jeszcze tego samego dnia. Raport dał potem uczciwe odpowiedzi na pytanie, co da się skalować, a czego nie.

Marek, kierownik projektu

Jakich kompetencji szukasz?

Napisz do mnie – omówimy Twoje wymagania i razem zbudujemy Twój dedykowany zespół IT.

Agnes

Specjalista ds. rozwoju biznesu

Zapytaj o wycenę lub poradę

Przeanalizujmy razem koncepcję Twojego projektu i to, na jakim jest etapie.

Otrzymasz od nas wstępną propozycję zakresu projektu oraz szacunek czasu i kosztów.

Konsultacje są objęte umową NDA.