ALYCE 将 Ultralytics YOLO 集成到 minUi 和 OBSERVER 等解决方案中，节省了两个月的开发时间并降低成本，助力打造更智能的城市出行方案。
繁忙的城市往往面临交通拥堵、交通系统老旧和可持续发展等挑战。ALYCE 专注于通过提供由 AI 驱动的智能工具，了解并改善城市交通。
ALYCE 致力于解决这一问题，并基于 Ultralytics YOLO 模型打造了多种创新解决方案：用于行为分析的 AI 工具 minUi，以及实时交通监控系统 OBSERVER。这些工具能够更快、更准确地收集数据、降低成本，并帮助城市打造更智能、更绿色、更高效的交通系统。
图 1. minUi 使用 Ultralytics YOLO 模型进行行为分析。
利用视觉 AI 管理交通#
二十多年来，ALYCE 一直致力于帮助城市提升出行效率，并高度重视可持续发展。城市地区长期面临交通拥堵、交通系统效率低下以及迫切需要脱碳等挑战。传统的出行数据收集和分析方法通常速度慢、准确性不足，使规划工作变得困难。ALYCE 采用计算机视觉和 AI 克服这些障碍，开发创新的数据驱动解决方案，帮助城市优化交通系统并迈向更可持续的未来。
城市为何需要更智能、以数据为依据的出行解决方案#
全球各地的城市日益繁忙，城市出行管理也变得愈发复杂。在十字路口和环岛等繁忙区域检测并分析行人、车辆、自行车和其他道路使用者，对于改善交通流量、安全和交通规划至关重要。然而，传统方法（例如人工调查或过时的监控系统）往往无法提供应对这种复杂情况所需的准确度。
旧系统难以区分不同类型的道路使用者，也难以有效跟踪他们的移动情况。例如，传统工具无法可靠地实时监控车辆、行人和骑行者的行进路线。不完整或不准确的数据会让城市规划者和交通运营商更难作出明智决策。
要解决这些问题，需要更智能的工具。理想的综合解决方案应能够同时跟踪多种道路使用者、提供实时洞察，并帮助城市更好地了解交通模式。
ALYCE 为实现更智能出行打造的 AI 解决方案#
为应对城市出行挑战，ALYCE 开发了由 AI 和计算机视觉驱动的先进工具。这些工具使用 Ultralytics YOLO 模型执行计算机视觉任务，例如实时目标检测。具体来说，YOLO 模型可准确、自动地跟踪行人、车辆、自行车和其他道路使用者。即使在繁忙的十字路口和环岛等复杂环境中，利用 Ultralytics YOLO 收集的洞察也依然可靠且可付诸行动。
ALYCE 的主要解决方案包括：
- minUi：用于视频分析的 AI 工具，可分析道路使用者的行为，并提供有助于提升交通安全和效率的洞察。
- OBSERVER：实时交通监控系统，可自动检测和跟踪道路使用者，支持动态交通管理和更好的决策。
- MyGIS：用于可视化出行数据的平台，帮助城市规划者解读趋势并设计影响更大的交通系统。
集成 Ultralytics YOLO 模型后，这些工具能将缓慢的人工流程自动化，并提供高精度数据。借助视觉 AI 驱动的洞察，ALYCE 帮助城市减少拥堵、优化交通流量，并打造更可持续的城市交通网络。
为什么选择 Ultralytics YOLO 模型？#
Ultralytics YOLO 模型是 ALYCE 出行解决方案的理想选择，因为它们能在关键环节发挥出色性能。模型将均值平均精度 (mAP) 提高了 1–2%，并确保实时处理速度比其他模型快 20%，持续以 30 FPS 运行。模型的效率也无可匹敌，GPU RAM 用量减少了 40%，非常适合资源受限的环境。
这些优势还为 ALYCE 节省了两个月的开发时间。使用 Ultralytics，只需 5–10 分钟即可设置并启动训练任务，而传统设置则接近一小时，从而加快迭代速度。总体而言，借助 Ultralytics YOLO 模型，ALYCE 得以降低成本，同时专注于改进 AI 驱动的解决方案，打造更智能、更高效的出行系统。
借助 Ultralytics YOLO 获取新的行为洞察#
使用 Ultralytics YOLO 模型帮助 ALYCE 将出行解决方案提升到了新的水平。如今，其工具可提供有价值的洞察，例如分析道路使用者的行为，帮助城市和交通运营商作出更好的决策。
集成计算机视觉后，ALYCE 实现了可量化的业务成果，包括通过自动化降低生产成本、改善性能指标并缩短交付周期。他们还能够生成新的数据类型，例如详细的行为洞察，从而增强为更智能的出行解决方案提供支持的能力。
图 2. ALYCE 借助计算机视觉生成了新的行为洞察。
与此同时，客户对 ALYCE 解决方案的质量和准确度赞不绝口；经 CEREMA 验证，这些方案符合最高的数据标准。CTO Benoit Berthe 分享道：“在 ALYCE，采用 Ultralytics 是训练模型过程中的一次重大突破，让我们能够提高数据准确度，并为客户提供无与伦比的质量，帮助他们推进可持续出行项目。”
这些改进也提升了客户满意度。无论客户独立使用 ALYCE 的工具，还是在人工监督下使用，都反馈效果更好、运营更顺畅。
计算机视觉在出行领域的未来#
ALYCE 认为，随着 Ultralytics YOLO 等模型的发展，计算机视觉的未来还将融入新技术，例如用于视频模型的 长短期记忆网络 (LSTM)。这些创新将增强目标识别能力并提升跟踪连续性，让交通解决方案变得更智能、更可靠。随着这些技术不断发展，城市将拥有更好的工具来应对出行挑战。
想了解视觉 AI 如何改变你的城市？查看我们的 GitHub 代码仓库，探索 Ultralytics 针对不同行业的解决方案，例如农业中的计算机视觉和自动驾驶汽车，并了解我们的 Ultralytics YOLO 许可证，立即开始使用！
