Von 50% auf 95% Fahrzeugerkennung, direkt auf der Edge

DataCollect entwickelt ARGOS, ein kamerabasiertes Verkehrszählsystem für den mobilen Einsatz mit Batteriebetrieb. Hunderte Einheiten sind deutschlandweit im Feld. Das Problem: Die Fahrzeugerkennung funktionierte nur in etwa 50% der Fälle zuverlässig. Eine erste Kooperation mit einer Hochschule hatte nicht die erhofften Ergebnisse gebracht.

Die Ursachen lagen auf mehreren Ebenen. Die eingesetzte Basler-Kamera lieferte bei schlechten Lichtverhältnissen unbrauchbare Bilder. Der verwendete MobileNet-V2-Detektor war für die Anforderungen zu ungenau. Und die NVIDIA TX2 Hardware stieß bei rechenintensiver Echtzeit-Verarbeitung an ihre Grenzen.

100 DAYS übernahm die Neugestaltung der gesamten Detection-Pipeline. Wir ersetzten die Kamera durch eine Sony IMX 327 mit besserer Lichtempfindlichkeit. Den MobileNet-Detektor tauschten wir gegen ein YOLO CNN, trainiert mit einem eigens aufgebauten Datensatz. Als Recheneinheit kam der NVIDIA Jetson NX zum Einsatz, deutlich leistungsfähiger als der Vorgänger, bei gleichem Energieverbrauch. Die gesamte Pipeline bauten wir mit PyTorch und NVIDIA DeepStream auf.

Parallel dazu arbeiteten unsere Data Scientists mit dem internen Team von DataCollect zusammen, um die Trainingsdaten systematisch zu erweitern und die Modellqualität iterativ zu verbessern. Wissen wurde dabei kontinuierlich transferiert.

Das Ergebnis: 95% Erkennungsgenauigkeit im Feldbetrieb. Stabil über hunderte deployte Einheiten, bei unterschiedlichsten Wetter- und Lichtbedingungen. Das DataCollect-Team kann das System heute eigenständig weiterentwickeln und neue Modelle trainieren.