Ultralytics YOLO

利用计算机视觉从可视化转向商业洞察

了解如何将计算机视觉视觉效果转化为有意义的商业洞察。找到连接图像与数据的方法，从而做出更好的决策。

ABAbirami Vina5 min readSeptember 19, 2024

Computer vision 是人工智能（AI）的一个子领域，它使机器能够解释视觉数据并据此做出决策。当展示计算机 vision 应用时，它通常包括各种视觉输出，例如用边界框或分割掩码标注的图像或视频，以突出显示感兴趣的对象。虽然这些视觉效果令人印象深刻，但它们并不总能清晰地展现出能够提供哪些可操作的见解。

以零售店为例。像 Ultralytics YOLOv8 这样的计算机 vision 模型可用于创建热图，显示客户花时间最多的地方。可视化结果可能看起来像一张五颜六色的地图，指示大多数客户倾向于行走或停留的位置。然而，获得的真正见解是能够识别商店中表现不佳的区域。零售商可以利用这些可操作的见解来重新安排产品摆放、优化货架空间或调整促销展示，以吸引更多客户参与并增加销售额。

An example of a heatmap created for a retail store using Ultralytics YOLOv8

Fig 1. 使用 Ultralytics YOLOv8 为零售店创建的热力图示例。

Computer vision 的实际价值在于将这些视觉输出转化为有意义的商业见解，从而直接增强和优化运营，以推动增长和效率。在本文中，我们将探讨计算机 vision 能为企业带来什么，以及它如何对其运营产生真正的影响。我们还将讨论超越视觉输出以利用推动实际结果的可操作见解的策略。让我们开始吧！

AI 中的可视化与洞察：常见的误解#

让我们从理解可视化和见解之间的区别开始。在计算机 vision 中，像边界框和热图这样的可视化对于理解模型的输出非常重要。这些视觉输出充当基石，说明计算机 vision 能做什么和不能做什么。然而，见解超出了这些视觉效果，并提供了可用于做出明智决策、改进流程或更深入地理解模式的有价值信息。它们将原始视觉数据转化为有意义的结论，帮助揭示趋势、预测结果或优化策略。

例如，一个计算机视觉健身监测系统可能会使用姿态估计以及像 Ultralytics YOLOv8 这样的模型，通过识别关节和肢体等关键点来跟踪身体动作。诸如展示人体移动方式的动画骨架等视觉输出可能很有趣。然而，真正的价值来自于这些数据提供的可量化洞察——例如完成的俯卧撑或深蹲次数、每次运动的时长、重复动作的连贯性以及整个训练过程中的动作规范度。

教练可以利用这些见解来分析客户的锻炼姿势、发现可能导致受伤的不正确动作、随时间跟踪表现并了解锻炼习惯。这些见解有助于教练提供更好的反馈、设计更有效的锻炼计划，并帮助客户更安全、更高效地达到其健身目标。

Using Ultralytics YOLOv8 to track body movements

图 2. 使用 Ultralytics YOLOv8 跟踪身体动作。

通过计算机视觉交付商业价值#

随着技术的进步，企业一直在寻找保持竞争优势的方法，而计算机 vision 是实现这一目标的绝佳途径。通过将来自计算机 vision 的见解整合到其现有工作流程中，他们可以看到真实、可衡量的结果。

这些洞察可以在企业的各个领域提供有价值的信息，例如：

性能指标：突出显示关键性能指标和模式的定量数据。
趋势分析：了解客户行为或市场状况随时间出现的趋势和变化。
预测性洞察：利用过去和实时数据来预测未来结果或识别潜在问题。
实时警报：针对重要事件、异常或需要注意的变化即时发出通知。

例如，在石油和天然气行业中，检测炉灶火灾或气体泄漏传统上是通过人工监控或基础传感器系统来处理的。这些方法通常缺乏早期发现潜在危险所需的敏捷度和精确度。计算机视觉可以通过使用摄像头和诸如 Ultralytics YOLOv8 这样的目标检测模型来改进这一过程，持续监控炉灶并快速发现异常火焰、过量浓烟或气体泄漏等问题。

该应用的视觉输出可能表现为图像上的边界框，突出显示检测到火灾的区域。然而，真正的收益来自于将这些视觉线索转化为可操作的洞察。这些洞察有助于查明火灾原因、预测设备问题并规划维护以防止未来出现故障。通过利用这些洞察，工业企业可以快速响应潜在火灾，避免代价高昂的损害，减少停机时间，并提高安全性和效率。

Using Ultralytics YOLOv8 to detect fire

图 3. 使用 Ultralytics YOLOv8 检测火灾。

利用 AI 进行数据驱动决策#

来自训练模型的视觉输出可以转化为见解，这些见解被组织到仪表板和数据库中以便进行更深入的分析。特别是仪表板，可以帮助为企业主提供性能指标的清晰视图，帮助发现异常，并支持基于实时信息的由数据驱动的决策。

例如，在交通监控中，像 Ultralytics YOLOv8 这样的计算机视觉模型可用于分析实时交通画面，以检测和跟踪路上的不同车辆，如轿车、厢式货车和公共汽车。输出可视化可能会显示带标签的车辆，并跟踪进出特定区域的车辆数量。此信息还可显示在仪表板上，提供按区域划分的车辆数量明细，并计算总车辆数和平均速度等关键指标。

Using Ultralytics YOLOv8 to detect and track traffic

图 4. 使用 Ultralytics YOLOv8 检测和跟踪交通。

这些见解帮助交通管理团队了解交通流量、识别拥堵点、预测交通拥堵，并调整交通信号灯或路线以保持交通顺畅。通过将视觉数据转化为可操作的见解，该系统帮助城市规划者做出明智的决策，以改善交通流量并减少道路上的问题。

弥合 AI 与业务需求之间的鸿沟#

既然我们已经讨论了可操作的计算机 vision 见解对商业的影响，接下来让我们看看弥合数据可视化与商业见解之间鸿沟的策略。在开发 AI 解决方案时，这些考量至关重要，因为它们有助于超越简单的计算机 vision 任务，转而理解数据内的上下文和关系。深入分析能够创建对业务需求更有意义且更相关的见解。

首先，改善 AI 开发者与企业领导者之间的沟通至关重要。AI 开发者可以与业务利益相关者进行公开讨论，以了解他们的目标、挑战以及他们希望实现的目标。通过从企业主的角度思考，更容易确定计算机 vision 如何直接解决特定问题。开发者可以专注于创建解决真实业务需求的计算机 vision 应用，而不是开发通用解决方案。

例如，在我们之前讨论的石油和天然气场景中，直接与业务利益相关者交谈可以帮助开发者了解具体需求，例如根据检测到的火灾的大小和严重程度发送警报。了解这些细节有助于开发者定制解决方案，以优先处理关键警报，确保更快的响应时间并降低风险，从而提高安全性和效率。

Two people communicating, illustrating that communication is essential