在实战中学AI-车流量统计项目-开篇

在日常工作以及互联网上，经常有人问，该如何做好一个AI项目？为啥我的模型效果一直不行？AI看似那么牛，为啥时常犯傻？我该在项目上怎么用好AI这个工具？工作这么多年，听到过新毕业的小白同学在问；也有资深的产品以及技术大咖在问；甚至很多不了解AI但想引入AI到他们业务流中的“老板们”也想知道。

作为一个在这个行业里摸爬滚打了八、九年的老油条，有一些自己的看法，想分享给大家，也想从大家那里获取到一些不一样的理解。以前零零碎碎写过一些文章，也获得过一些同学的认可，回过头来看，却是有些太琐碎，也不系统，不太利于自己的沉淀，也不利于别人系统的了解AI的落地过程。大家工作过的都知道，在实战中学习和积累的是最快的，所以寻思着，是不是可以向大家展示一下，作为一个技术同学，实际落地一个AI项目是什么样的一个过程，这样大家了解的更系统，我自己也可以通过咀嚼下过往，理解的更深刻。

基于上面的考虑，寻思着可以出个这样的系列，作为第一个项目，希望能涵盖AI落地的基础路径，理解成本也没那么高，就选择了一个常规的安防场景-车流量统计。下面让我们以一个算法工程师的角度，看如何研发一套可用的车流量统计算法系统。

需求分析

车流量即单位时间内通过某路段或交通点的车辆数目。在交通规划中，车流量的统计数据是设计道路、制定交通政策和评估交通项目效果的重要依据。通过对车流量的监测和分析，有关部门可以了解道路的拥堵状况，从而采取相应的措施。本项目的输入为道路上监控摄像头的视频流数据，输出为统计时间段内的车流量均值。

车流量的定义

任何一个算法项目，需求定义清楚是可以进行后面研发的基础，所以，首先要确认什么叫“车流量”，这部分的定义不是上面的那种名词解释，而是面向计算机可以理解的了的定义。定义好问题，也是算法工程师非常重要的技能。

这个项目关注场景为安放在道路中间的摄像头，视野可涵盖正向（即迎着摄像头方向）和反向（即顺着摄像头方向）行驶的车辆，需分别统计客户指定时间段内，正向和反向主路上车流量均值。在关注行驶方向上定义与道路垂直的横截线，越过该线的车辆即计数，并用于统计车流量。

性能指标要求

车流量统计值与真实偏差5%以内；处理效率为单服务器同时处理10路数据。

数据输入输出

系统对接前端管理平台，输入数据为前端摄像头采集的RTSP流，分辨率为1080P，帧率25FPS；统计开始信号；统计结束信号；触发车流量统计的横截线；均由管理平台下发。系统输出统计时间段内的平均车流量，反馈管理平台。

系统部署平台

ubuntu20.04服务器，搭配3080显卡，16核 单核3.6G Hz CPU处理器。

方案选型

算法方案选型

本项目适用目标跟踪后提取轨迹线，利用轨迹线与道路横截线的相对关系统计车流量。在

1. 视觉识别算法方面，该场景关注的车辆属于常规的目标，使用YOLOv11做目标检测，ByteTrack做目标跟踪，即可满足需求。

2. 业务算法方面，车辆跟踪后以车尾边的中心点形成轨迹线，判断轨迹线是否跨越横截线，跨越哪条横截线，即对应行驶方向的车流数量加一。

系统方案选型

1. 算法工程化方面，采用 TensorRT 量化推理实现模型的前向推理加速。多路数据同时接入，多batch推理后再拆分跟踪的方式实现资源的最大化利用，提升算法运行效率。

2. 视频流数据接入方面，采用ffmpeg库执行多路数据的实时解码。

3. 指令数据接入方面，使用gRPC做数据通讯交互。

系统部署方案选型

选用docker作为系统部署的载体，系统部署后，以一个常驻的服务形式存在，开机自启，启动后即可实时响应管理平台的指令调度。