ALYCEは、時代遅れの方法では精度と適応性が不足していたため、交通渋滞を処理するためにモビリティデータを分析するためのAIソリューションを探していました。
ALYCEは、Ultralytics YOLOをminUiやOBSERVERなどのソリューションに統合し、開発期間を2か月短縮し、よりスマートな都市モビリティのコストを削減しました。
賑やかな都市は、しばしば交通渋滞、時代遅れの輸送システム、および持続可能性の課題に苦労しています。ALYCEは、都市の動きを理解し改善するためのスマートなAI駆動型ツールを提供することにより、これらの問題の解決に焦点を当てています。
ALYCEはこれに取り組むことを使命としており、Ultralytics YOLOモデルを搭載したさまざまな革新的なソリューションを構築しました。行動分析のためのAIツールであるminUi、およびリアルタイム交通監視システムであるOBSERVERです。これらのツールは、データ収集をより迅速かつ正確にし、コストを削減し、都市がよりスマートで、より環境に優しく、より効率的な輸送システムを構築するのに役立ちます。
ALYCEは20年以上にわたり、持続可能性に重点を置き、都市のモビリティ向上を支援してきました。都市部は、交通渋滞、非効率な輸送システム、そして喫緊の脱炭素化の必要性といった、根強い課題に直面しています。従来のモビリティデータの収集・分析方法は、多くの場合、時間がかかり、精度が低いため、計画が困難です。ALYCEは、これらの障害を克服するためにコンピュータビジョンとAIを採用し、革新的でデータ駆動型のソリューションを開発し、都市が輸送システムを最適化し、より持続可能な未来に向けて取り組むことを支援しています。
世界的に、都市はますます混雑しており、都市のモビリティ管理はますます複雑になっています。交差点やロータリーなどの混雑したエリアで、歩行者、車両、自転車、その他の道路利用者を検出し分析することは、交通の流れ、安全性、輸送計画を改善するために不可欠です。ただし、手動調査や時代遅れの監視システムなどの従来の方法では、この複雑さに対応するために必要な精度を提供できないことがよくあります。
従来のシステムでは、異なる種類の道路利用者を区別したり、その動きを効果的に追跡したりすることが困難です。たとえば、歩行者や自転車に乗る人と並んで車両の経路をリアルタイムで監視することは、従来のツールでは確実に行うことができません。不完全または不正確なデータは、都市計画者や輸送事業者が情報に基づいた意思決定を行うことを困難にする可能性があります。
これらの問題を解決するためには、よりスマートなツールが必要です。理想的には、包括的なソリューションは、複数の道路利用者を同時に追跡し、リアルタイムの洞察を提供し、都市が交通パターンをより良く理解するのに役立つはずです。
都市のモビリティの課題に対処するため、ALYCEはAIとコンピュータビジョンを活用した高度なツールを開発しました。これらのツールは、コンピュータビジョンタスク（リアルタイム物体検出など）にUltralytics YOLOモデルを使用しています。具体的には、YOLOモデルにより、歩行者、車両、自転車、その他の道路利用者を正確かつ自動的に追跡できます。Ultralytics YOLOを使用して収集されたインサイトは、交通量の多い交差点や環状交差点のような複雑な環境でも、信頼性が高く、実用的な情報となります。
ALYCEの主要なソリューションは次のとおりです。
Ultralytics YOLOモデルを統合することで、これらのツールは遅く、手動のプロセスを自動化し、非常に正確なデータを提供します。Vision AI駆動の洞察により、ALYCEは都市が渋滞を緩和し、交通の流れを最適化し、より持続可能な都市交通ネットワークを構築できるようにします。
Ultralytics YOLOモデルは、ALYCEのモビリティソリューションにとって理想的な選択肢でした。なぜなら、最も重要な場所で高いパフォーマンスを発揮したからです。平均適合率（mAP）が1〜2%向上し、他のモデルよりも20%高速な推論速度でリアルタイム処理を保証し、常に30 FPSで動作しました。また、効率も他に類を見ないほど高く、GPU RAMの使用量を40%削減し、リソースが限られた環境に最適です。
これらの利点により、ALYCEは2か月の開発期間も節約できました。Ultralyticsを使用すると、従来のセットアップではほぼ1時間かかっていたトレーニングセッションを、わずか5〜10分でセットアップして開始できるため、イテレーションを迅速化できます。全体として、Ultralytics YOLOモデルを使用することで、ALYCEはコストを削減しながら、AIを活用したソリューションの改良に集中し、よりスマートで効率的なモビリティシステムを構築することができました。
Ultralytics YOLOモデルを使用することで、ALYCEはモビリティソリューションを次のレベルに引き上げることができました。彼らのツールは現在、道路利用者の行動分析など、都市や交通事業者がより良い意思決定を行うのに役立つ貴重な洞察を提供しています。
コンピュータビジョンを統合して以来、ALYCEは、自動化による生産コストの削減、パフォーマンス指標の改善、および納期短縮など、測定可能なビジネス成果を達成しました。また、詳細な行動インサイトのような新しいタイプのデータを生成することもでき、よりスマートなモビリティソリューションをサポートする能力を高めています。
一方、お客様からはALYCE社のソリューションの品質と精度について、CEREMAによって検証された最高のデータ基準を満たしているとの評価をいただいています。CTOのBenoit Berthe氏は次のように述べています。「ALYCEでは、Ultralyticsを活用することでモデルのトレーニングが大きく変わり、データ精度が向上し、お客様に比類のない品質を提供し、持続可能なモビリティプロジェクトを支援できるようになりました。」
これらの改善は、顧客満足度の向上にもつながっています。ALYCEのツールを単独で使用する場合でも、人間の監視と併用する場合でも、クライアントはより良い結果とよりスムーズなオペレーションを報告しています。
ALYCEは、ビデオベースのモデル向けのLong Short-Term Memory（LSTM）などの新しいテクノロジーと並んで、Ultralytics YOLOのようなモデルでコンピュータビジョンの未来が進化すると考えています。これらのイノベーションは、オブジェクト認識を強化し、追跡の継続性を向上させ、輸送ソリューションをさらにスマートで信頼性の高いものにします。これらのテクノロジーが進化するにつれて、都市はモビリティの課題を管理するためのより優れたツールを手に入れることができます。
Vision AIがあなたの街をどのように変革できるかご興味がありますか？GitHubリポジトリをチェックして、農業におけるコンピュータビジョンや自動運転車などのUltralyticsの業界固有のソリューションを調べ、Ultralytics YOLOライセンスについて学び、今日から始めましょう！
Ultralytics YOLOモデルは、画像やビデオ入力からの視覚データを分析するために開発されたコンピュータビジョンアーキテクチャです。これらのモデルは、物体検出、分類、姿勢推定、トラッキング、インスタンスセグメンテーションなどのタスクのためにトレーニングできます。Ultralytics YOLOモデルには以下が含まれます。
Ultralytics YOLO11は、当社のコンピュータビジョンモデルの最新バージョンです。以前のバージョンと同様に、Vision AIコミュニティがYOLOv8に期待するすべてのコンピュータビジョンタスクをサポートしています。新しいYOLO11は、パフォーマンスと精度が向上しており、現実世界の業界の課題に対する強力なツールかつ最適な味方となります。
使用するモデルは、特定のプロジェクト要件によって異なります。パフォーマンス、精度、デプロイメントのニーズなどの要素を考慮することが重要です。概要は次のとおりです。
YOLOv5やYOLO11などのUltralytics YOLOリポジトリは、デフォルトでAGPL-3.0ライセンスの下で配布されています。このOSI承認済みライセンスは、学生、研究者、愛好家向けに設計されており、オープンなコラボレーションを促進し、AGPL-3.0コンポーネントを使用するすべてのソフトウェアをオープンソース化することを要求します。これにより、透明性が確保され、イノベーションが促進されますが、商用利用のユースケースには適さない場合があります。
UltralyticsのソフトウェアおよびAIモデルを商用製品またはサービスに組み込むプロジェクトで、AGPL-3.0のオープンソース要件を回避したい場合は、エンタープライズライセンスが最適です。
エンタープライズライセンスの利点:
シームレスな統合を確実に行い、AGPL-3.0の制約を回避するために、提供されているフォームを使用してUltralyticsエンタープライズライセンスをリクエストしてください。当社のチームが、お客様の特定のニーズに合わせてライセンスを調整するお手伝いをいたします。
.webp)
.webp)
.webp)
.webp)