案例/Trafflytic
从普通摄像头画面做车型分类计数
不用路况小队的交通研究：轿车、公交、卡车和转向，来自城市或顾问已有的视频。
- 客户
- Trafflytic
- 地点
- 美国
- 年份
- 2025
AI · Web
info@lyrocode.com
输入
视频
输出
分类计数
年份
2025
作品中的照片
与产品匹配的摄影 — 建筑、楼面、服装、道路 — 不是指着笔记本的人像图库。
任务
顾问和城市仍派人坐在路口拿计数器。画面往往已经存在。他们需要分类计数 — 轻型车、重型、公交 — 以及转向，还要一份能放进 PDF 的报告，而不是演示片。
天气、夜间和奇怪的摄像头角度会打垮朴素检测器。产品必须在片段不可用时说出来，而不是编一个数字。
我们做了什么
上传或 RTSP 进，分类计数出。我们为车型和路口运动训练，再包进 Web 应用：任务、片段、质检、导出。置信度和覆盖率放在数字旁边。
工程是模型，也是周围那些不起眼的部分 — 片段长度、分时段、交通规划师已经会打开的 CSV。
落在哪里
曾经意味着路边一队人的研究可以从视频开始。客户得到带制作轨迹的车型和转向计数。坏画面被标出，而不是被填平。
- 基于视频的车型分类
- 转向和分时段计数
- 任务队列、质检和 CSV/PDF 导出
- 每个片段的覆盖率和置信度
技术栈
交付时用的 — 为这个产品选，不是为幻灯片选。
Python
TensorFlow
FastAPI
React
Next.js
PostgreSQL
AWS
Docker
“必要时我们仍做现场计数。其余时候上传视频，得到车型和转向。片段是垃圾，产品会说 — 这让我们信任它。”
