A ALYCE estava procurando soluções de IA para analisar dados de mobilidade para lidar com o congestionamento do tráfego porque os métodos desatualizados careciam de precisão e adaptabilidade.
A ALYCE integrou o Ultralytics YOLO em soluções como minUi e OBSERVER, economizando 2 meses de tempo de desenvolvimento e reduzindo custos para uma mobilidade urbana mais inteligente.
Cidades movimentadas geralmente enfrentam congestionamento de tráfego, sistemas de transporte desatualizados e desafios de sustentabilidade. A ALYCE se concentra em resolver esses problemas, fornecendo ferramentas inteligentes orientadas por IA para entender e melhorar a forma como as cidades se movem.
A ALYCE tem a missão de enfrentar isso e construiu várias soluções inovadoras alimentadas por modelos Ultralytics YOLO: minUi, uma ferramenta de IA para analisar o comportamento e OBSERVER, um sistema de monitoramento de tráfego em tempo real. Essas ferramentas tornam a coleta de dados mais rápida e precisa, reduzem custos e ajudam as cidades a criar sistemas de transporte mais inteligentes, ecológicos e eficientes.
Há mais de 20 anos, a ALYCE tem ajudado as cidades a melhorar a mobilidade com um forte foco na sustentabilidade. As áreas urbanas enfrentam desafios persistentes, como congestionamento de tráfego, sistemas de transporte ineficientes e a necessidade urgente de descarbonização. Os métodos tradicionais de coleta e análise de dados de mobilidade são frequentemente lentos e carecem de precisão, dificultando o planejamento. A ALYCE adotou a visão computacional e a IA para superar esses obstáculos, desenvolvendo soluções inovadoras e orientadas por dados para ajudar as cidades a otimizar os sistemas de transporte e trabalhar em direção a um futuro mais sustentável.
Globalmente, as cidades estão ficando mais movimentadas e o gerenciamento da mobilidade urbana se tornou cada vez mais complexo. Detectar e analisar pedestres, veículos, bicicletas e outros usuários da estrada em áreas movimentadas, como cruzamentos e rotatórias, é essencial para melhorar o fluxo de tráfego, a segurança e o planejamento de transporte. No entanto, os métodos tradicionais, como pesquisas manuais ou sistemas de monitoramento desatualizados, geralmente não fornecem a precisão necessária para lidar com essa complexidade.
Sistemas mais antigos têm dificuldade em distinguir entre diferentes tipos de usuários da estrada ou rastrear seus movimentos de forma eficaz. Por exemplo, monitorar os percursos de veículos juntamente com pedestres e ciclistas em tempo real é algo que as ferramentas tradicionais não conseguem fazer de forma confiável. Dados incompletos ou imprecisos podem dificultar a tomada de decisões informadas por planejadores urbanos e operadores de transporte.
São necessárias ferramentas mais inteligentes para resolver estes problemas. Idealmente, uma solução abrangente deve ser capaz de rastrear vários utentes da estrada simultaneamente, fornecer informações em tempo real e ajudar as cidades a compreender melhor os padrões de tráfego.
Para enfrentar os desafios da mobilidade urbana, a ALYCE desenvolveu ferramentas avançadas alimentadas por IA e visão computacional. Essas ferramentas usam modelos YOLO da Ultralytics para tarefas de visão computacional, como detecção de objetos em tempo real. Especificamente, os modelos YOLO permitem o rastreamento preciso e automatizado de pedestres, veículos, bicicletas e outros usuários da estrada. As informações coletadas usando o Ultralytics YOLO são confiáveis e acionáveis, mesmo em ambientes complexos, como cruzamentos movimentados e rotatórias.
As principais soluções da ALYCE incluem:
Ao integrar os modelos YOLO da Ultralytics, essas ferramentas automatizam processos manuais lentos e fornecem dados altamente precisos. Com insights orientados pela Vision AI, a ALYCE capacita as cidades a reduzir o congestionamento, otimizar o fluxo de tráfego e criar redes de transporte urbano mais sustentáveis.
Os modelos Ultralytics YOLO foram uma escolha ideal para as soluções de mobilidade da ALYCE porque ofereciam alto desempenho onde mais importava. Eles melhoraram a precisão com um aumento de 1 a 2% na precisão média (mAP) e garantiram o processamento em tempo real com velocidades de inferência 20% mais rápidas do que outros modelos, operando consistentemente a 30 FPS. Sua eficiência também é incomparável, usando 40% menos de RAM da GPU, tornando-os perfeitos para ambientes com recursos limitados.
Esses benefícios também economizaram dois meses de tempo de desenvolvimento para a ALYCE. Com a Ultralytics, as sessões de treinamento podem ser configuradas e iniciadas em apenas 5 a 10 minutos, em comparação com quase uma hora com configurações tradicionais, permitindo iterações mais rápidas. No geral, ao usar os modelos YOLO da Ultralytics, a ALYCE conseguiu reduzir custos enquanto se concentrava em refinar suas soluções orientadas por IA para criar sistemas de mobilidade mais inteligentes e eficientes.
A utilização de modelos YOLO da Ultralytics ajudou a ALYCE a levar as suas soluções de mobilidade para o nível seguinte. As suas ferramentas fornecem agora informações valiosas, como a análise do comportamento dos utilizadores da estrada, o que ajuda as cidades e os operadores de transportes a tomar melhores decisões.
Desde a integração da visão computacional, a ALYCE alcançou resultados de negócios mensuráveis, incluindo custos de produção reduzidos por meio da automação, métricas de desempenho aprimoradas e prazos de entrega mais curtos. Eles também foram capazes de gerar novos tipos de dados, como insights comportamentais detalhados, que aumentam sua capacidade de oferecer suporte a soluções de mobilidade mais inteligentes.
Enquanto isso, os clientes ficaram impressionados com a qualidade e precisão das soluções da ALYCE, que atendem aos mais altos padrões de dados verificados pela CEREMA. O CTO Benoit Berthe compartilhou: “Na ALYCE, aproveitar a Ultralytics tem sido um divisor de águas para treinar nossos modelos, permitindo-nos aumentar a precisão dos dados e entregar qualidade incomparável aos nossos clientes e auxiliá-los em seus projetos de mobilidade sustentável.”
Essas melhorias também levaram a uma maior satisfação do cliente. Os clientes relatam melhores resultados e operações mais suaves, seja usando as ferramentas da ALYCE por conta própria ou em conjunto com a supervisão humana.
A ALYCE vê o futuro da visão computacional avançando com modelos como o Ultralytics YOLO, juntamente com novas tecnologias como a Long Short-Term Memory (LSTMs) para modelos baseados em vídeo. Essas inovações aprimorarão o reconhecimento de objetos e melhorarão a continuidade do rastreamento, tornando as soluções de transporte ainda mais inteligentes e confiáveis. À medida que essas tecnologias evoluem, as cidades terão melhores ferramentas para gerenciar os desafios da mobilidade.
Tem interesse em saber como a Visão de IA pode transformar a sua cidade? Consulte o nosso repositório GitHub para explorar as soluções específicas do setor da Ultralytics, como a visão computacional na agricultura e os carros autónomos, e saiba mais sobre as nossas licenças Ultralytics YOLO para começar hoje mesmo!
Os modelos Ultralytics YOLO são arquiteturas de visão computacional desenvolvidas para analisar dados visuais de imagens e entradas de vídeo. Esses modelos podem ser treinados para tarefas que incluem detecção de objetos, classificação, estimativa de pose, rastreamento e segmentação de instâncias. Os modelos Ultralytics YOLO incluem:
Ultralytics YOLO11 é a versão mais recente de nossos modelos de Visão Computacional. Assim como suas versões anteriores, ele suporta todas as tarefas de visão computacional que a comunidade Vision AI tanto aprecia no YOLOv8. O novo YOLO11, no entanto, vem com maior desempenho e precisão, tornando-o uma ferramenta poderosa e o aliado perfeito para os desafios da indústria no mundo real.
O modelo que escolher usar depende dos requisitos específicos do seu projeto. É fundamental ter em conta fatores como desempenho, precisão e necessidades de implementação. Aqui está uma visão geral rápida:
Os repositórios Ultralytics YOLO, como YOLOv5 e YOLO11, são distribuídos sob a licença AGPL-3.0 por padrão. Esta licença aprovada pela OSI foi projetada para estudantes, pesquisadores e entusiastas, promovendo a colaboração aberta e exigindo que qualquer software que use componentes AGPL-3.0 também seja de código aberto. Embora isso garanta a transparência e promova a inovação, pode não estar alinhado com casos de uso comercial.
Se o seu projeto envolve a incorporação de software e modelos de IA da Ultralytics em produtos ou serviços comerciais e você deseja ignorar os requisitos de código aberto da AGPL-3.0, uma Licença Empresarial é ideal.
Os benefícios da licença Enterprise incluem:
Para garantir uma integração perfeita e evitar restrições AGPL-3.0, solicite uma Licença Empresarial Ultralytics usando o formulário fornecido. Nossa equipe o ajudará a adaptar a licença às suas necessidades específicas.
.webp)
.webp)
.webp)
.webp)