ALYCEがUltralytics YOLOで交通AI推論を20%高速化
ALYCEがUltralytics YOLOモデルを使用して、データの精度を高め、都市モビリティを最適化し、持続可能でよりスマートな都市のためのAI駆動型交通ソリューションを作成する方法をご覧ください。
Problem
ALYCEは、従来の手法では精度や適応性が不足していたため、モビリティデータを分析し、交通渋滞を管理するためのAIソリューションを求めていました。
Solution
ALYCEはminUiやOBSERVERといったソリューションにUltralytics YOLOを統合し、2ヶ月の開発期間を短縮するとともに、よりスマートな都市モビリティを実現するためのコスト削減に成功しました。
都市の交通渋滞や老朽化した交通システム、持続可能性への懸念は、多くの都市が抱える課題です。ALYCEは、都市の移動状況を把握し改善するためのスマートなAIツールを提供することで、これらの問題解決に取り組んでいます。
ALYCEはこの課題解決を使命として掲げ、Ultralytics YOLOモデルを活用した革新的なソリューションを構築しています。行動分析用AIツール「minUi」や、リアルタイム交通監視システム「OBSERVER」がその代表例です。これらのツールにより、データ収集の迅速化と高精度化が実現し、コスト削減を達成するとともに、よりスマートで環境に優しく効率的な交通システムの構築を支援しています。
図1. minUiは行動分析のためにUltralytics YOLOモデルを使用しています。
Link to this section交通管理におけるビジョンAIの活用#
20年以上にわたり、ALYCEは持続可能性を重視しながら、都市のモビリティ向上を支援してきました。都市部では、交通渋滞、非効率な交通システム、脱炭素化の切迫したニーズといった課題に直面し続けています。従来のモビリティデータ収集・分析手法は時間がかかり、精度も低いため、計画策定が困難でした。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を導入し、都市が交通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めるよう支援する革新的なデータ駆動型ソリューションを開発しました。
Link to this sectionなぜ都市には、よりスマートでデータに基づいたモビリティソリューションが必要なのか#
世界的に都市の交通量は増加しており、都市モビリティの管理はますます複雑化しています。交差点やラウンドアバウトといった混雑する場所で、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、および交通計画を改善するために不可欠です。しかし、手動調査や旧式の監視システムのような従来の手法では、この複雑さに対処するために必要な精度が得られないことがよくあります。
古いシステムでは、異なる種類の道路利用者を識別したり、その動きを効果的に追跡したりすることが困難です。例えば、車両の経路を歩行者や自転車と合わせて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実行できません。データが不完全あるいは不正確であると、都市計画担当者や交通事業者が十分な情報に基づいて意思決定を行うことが難しくなります。
これらの問題を解決するには、よりスマートなツールが必要です。理想的な包括的ソリューションには、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深く理解できるように支援する機能が求められます。
Link to this sectionALYCEのよりスマートなモビリティを実現するAI駆動型ソリューション#
都市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のタスク（例：リアルタイム物体検出）のためにUltralytics YOLOモデルを使用しています。特に、YOLOモデルにより、歩行者、車両、自転車、その他の道路利用者の正確で自動化された追跡が可能になりました。Ultralytics YOLOを使用して収集された洞察は、交差点やラウンドアバウトのような複雑な環境下においても信頼性が高く、実用的なものです。
ALYCEの主要なソリューションは以下の通りです：
- minUi: 道路利用者の行動を分析し、交通安全と効率を改善するための洞察を提供するビデオ分析用AIツール。
- OBSERVER: 道路利用者の検出と追跡を自動化し、動的な交通管理とより良い意思決定をサポートするリアルタイム交通監視システム。
- MyGIS: モビリティデータを可視化し、都市計画担当者がトレンドを解釈し、より効果的な交通システムを設計できるよう支援するプラットフォーム。
Ultralytics YOLOモデルを統合することで、これらのツールは時間のかかる手動プロセスを自動化し、非常に正確なデータを提供します。ビジョンAI主導の洞察により、ALYCEは都市が渋滞を軽減し、交通流を最適化し、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支援しています。
Link to this sectionなぜUltralytics YOLOモデルが選ばれるのか#
Ultralytics YOLOモデルは、最も重要な部分で高いパフォーマンスを発揮するため、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。平均精度（mAP）が1～2%向上して精度が改善され、他のモデルより20%高速な推論速度で安定して30 FPSでの処理を維持しています。また、GPU RAMの使用量を40%削減できる比類のない効率性を備えており、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ヶ月の開発期間を短縮できました。Ultralyticsを使用すると、従来の設定では1時間近くかかっていたトレーニングセッションをわずか5～10分で設定・開始できるため、より迅速なイテレーションが可能です。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、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ためのAI駆動型ソリューションの洗練に注力できました。
Link to this sectionUltralytics YOLOによる新たな行動洞察の収集#
Ultralytics YOLOモデルの採用は、ALYCEがモビリティソリューションを次のレベルへと引き上げる一助となりました。現在、同社のツールは、道路利用者の行動分析など、都市や交通事業者がより適切な意思決定を行うための貴重な洞察を提供しています。
コンピュータビジョンの導入以来、ALYCEは自動化による生産コストの削減、パフォーマンスメトリクスの向上、納期短縮など、測定可能なビジネス成果を上げています。また、詳細な行動洞察のような新しいタイプのデータを生成できるようになり、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が強化されました。
図2. コンピュータビジョンの活用により、ALYCEは新たな行動洞察を生成できるようになりました。
一方で、顧客はALYCEのソリューションの品質と精度に感銘を受けており、これはCEREMAによって検証された最高水準のデータ基準を満たしています。CTOのBenoit Berthe氏は次のように語りました。「ALYCEにおいて、Ultralyticsを活用することはモデルトレーニングにおけるゲームチェンジャーとなりました。これによりデータの精度を向上させ、顧客に比類のない品質を提供し、彼らの持続可能なモビリティプロジェクトを支援することが可能になりました。」
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。クライアントからは、ALYCEのツールを単独で使用する場合でも、人間の監視下で使用する場合でも、より良い結果が得られ、業務が円滑になったという報告を受けています。
Link to this sectionモビリティにおけるコンピュータビジョンの未来#
ALYCEは、Ultralytics YOLOのようなモデルに加え、ビデオベースモデルのための長短期記憶（LSTM）のような新しい技術により、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。これらの技術革新は物体認識を強化し、追跡の継続性を改善することで、交通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。これらの技術が進化するにつれ、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することになるでしょう。
ビジョンAIが都市をどのように変革できるかに興味がありますか？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といったUltralyticsの業界特化型ソリューションを探求し、Ultralytics YOLOライセンスについて確認して、今日から始めましょう！
