Software Prototype for Smart Traffic Monitoring Using YOLOv11: Baseline Evaluation and Limitations

आधुनिक शहरों की हलचल भरी धमनियों में, वाहनों का प्रवाह एक निरंतर, अराजक लय है जो अक्सर रुक जाती है। दशकों से, इस प्रवाह को प्रबंधित करने के लिए कठोर प्रणालियों पर भरोसा किया गया है: ट्रैफिक लाइट जो वाहनों की संख्या की परवाह किए बिना निश्चित समय पर बदलती हैं, और मीनारों से देखते मानव अधिकारी, जो एक साथ हर चौराहे को देखने में असमर्थ होते हैं। जैसे-जैसे शहर अधिक घने होते जा रहे हैं, ये पुरानी विधियाँ तालमेल बिठाने में संघर्ष कर रही हैं, जिससे लंबा सफर, ईंधन की बर्बादी और सड़कों पर खतरा बढ़ रहा है। इसे हल करने के लिए, वैज्ञानिक आर्टिफिशियल इंटेलिजेंस की एक शाखा की ओर मुड़ रहे हैं जिसे 'कंप्यूटर विजन' कहा जाता है। यह तकनीक मशीनों को कैमरों के माध्यम से दुनिया को "देखने" की अनुमति देती है, जिससे वे वास्तविक समय में कारों, बसों और मोटरसाइकिलों जैसी वस्तुओं की पहचान कर सकती हैं। इस दृश्य बुद्धिमत्ता को 'इंटरनेट ऑफ थिंग्स' (IoT) के साथ जोड़कर—जहाँ उपकरण वायरलेस तरीके से एक-दूसरे से बात करते हैं—शोधकर्ता ऐसे ट्रैफिक सिस्टम बनाने की उम्मीद करते हैं जो अचानक आए बदलावों के प्रति तुरंत प्रतिक्रिया दे सकें, ठीक वैसे ही जैसे एक तंत्रिका तंत्र अचानक स्पर्श के प्रति प्रतिक्रिया देता है।

भारत में संजीवनी विश्वविद्यालय के एक शोधकर्ता ने हाल ही में यह परीक्षण करने के लिए एक सॉफ्टवेयर प्रोटोटाइप बनाया कि यह दृष्टि (vision) ट्रैफिक प्रबंधन के लिए कितनी अच्छी तरह काम करती है। उनका लक्ष्य एक ऐसा सिस्टम बनाना था जो सड़क के वीडियो फीड को देख सके, वाहनों की गिनती कर सके, सड़क कितनी भीड़भाड़ वाली है इसका अनुमान लगा सके, और उस जानकारी को एक सरल वेब डैशबोर्ड पर प्रदर्शित कर सके। उन्होंने YOLOv11 नामक एक शक्तिशाली, प्री-ट्रेन्ड आर्टिफिशियल इंटेलिजेंस मॉडल का उपयोग किया, जो छवियों में वस्तुओं को पहचानने के लिए डिज़ाइन किया गया है, और इसे मानक प्रोग्रामिंग टूल के साथ बनाए गए वेब इंटरफेस से जोड़ा। डिजाइन में अंततः ट्रैफिक लाइट को स्वचालित रूप से नियंत्रित करने के लिए एक छोटे, कम लागत वाले कंप्यूटर चिप की योजना भी शामिल थी, हालांकि यह भौतिक हार्डवेयर इस विशिष्ट परीक्षण का हिस्सा नहीं था। शोधकर्ता यह देखना चाहते थे कि क्या सॉफ्टवेयर और विजन का यह संयोजन एक स्मार्ट, अधिक प्रतिक्रियाशील ट्रैफिक नेटवर्क के लिए एक विश्वसनीय आधार के रूप में काम कर सकता है।

उनके द्वारा बनाया गया सिस्टम एक सीधे क्रम में काम करता है। सबसे पहले, एक उपयोगकर्ता वेब डैशबोर्ड पर ट्रैफिक दृश्य का वीडियो या फोटो अपलोड करता है। सॉफ्टवेयर फिर वीडियो को व्यक्तिगत फ्रेमों, या स्नैपशॉट में तोड़ देता है, और उन्हें विश्लेषण के लिए तैयार करता है। आर्टिफिशियल इंटेलिजेंस मॉडल प्रत्येक स्नैपशॉट की जांच करता है, किसी भी ऐसी वस्तु के चारों ओर बॉक्स बनाता है जिसे वह वाहन के रूप में पहचानता है और उसे एक लेबल देता है। मिले हुए वाहनों की संख्या के आधार पर, सिस्टम ट्रैफिक को कम, मध्यम या उच्च घनत्व (density) के रूप में वर्गीकृत करता है। यह जानकारी फिर वापस डैशबोर्ड पर भेजी जाती है, जहाँ एक मानव ऑपरेटर वर्तमान संख्या और सड़क की स्थिति देख सकता है। शोधकर्ता ने सिस्टम को दुर्घटनाओं या ट्रैफिक उल्लंघन, जैसे कि रेड लाइट जंप करने, का पता लगाने के लिए भी डिज़ाइन किया था, लेकिन उन्होंने सावधानीपूर्वक उल्लेख किया कि ये उन्नत सुविधाएँ इस प्रारंभिक संस्करण में अभी तक पूरी तरह से परीक्षित या प्रमाणित नहीं थीं।

जब शोधकर्ता ने अपने प्रोटोटाइप को परीक्षण के लिए रखा, तो परिणाम एक स्पष्ट, यदि गंभीर, तस्वीर पेश करते हैं कि आज यह तकनीक कहाँ खड़ी है। उन्होंने एक मानक कंप्यूटर प्रोसेसर पर सिस्टम चलाया, जिसने नौ सौ छवियों को प्रोसेस किया जिनमें एक हजार एक सौ पचास अलग-अलग ऑब्जेक्ट इंस्टेंस शामिल थे। प्रदर्शन मेट्रिक्स (performance metrics) ने खुलासा किया कि वर्तमान सेटअप अभी वास्तविक दुनिया में तैनाती के लिए तैयार नहीं है। सिस्टम ने केवल लगभग दो प्रतिशत बार सही पहचान की जब उसने कोई अनुमान लगाया, और इसने छवियों में वास्तव में मौजूद वाहनों के लगभग इक्कीस प्रतिशत हिस्से का पता लगाया। डेटा के सूक्ष्म विश्लेषण से पता चला कि सिस्टम क्यों संघर्ष कर रहा था: उनके द्वारा उपयोग किया गया आर्टिफिशियल इंटेलिजेंस मॉडल एक विशाल, सामान्य डेटासेट पर प्रशिक्षित था जिसमें लोग, साइकिल और यहाँ तक कि हवाई जहाज जैसी कई अलग-अलग प्रकार की वस्तुएं शामिल हैं। क्योंकि शोधकर्ता ने मॉडल को विशेष रूप से केवल ट्रैफिक वाहनों के डेटासेट पर फिर से प्रशिक्षित (retrain) नहीं किया था, इसलिए कंप्यूटर भ्रमित हो गया। इसने ट्रैफिक फुटेज में हवाई जहाजों और लोगों को पहचानने में काफी समय बिताया, जबकि अक्सर उन कारों और बसों को पहचानने में विफल रहा जिन्हें उसे गिनना था। शोधकर्ता ने नोट किया कि मॉडल इस विशिष्ट कार्य के लिए "फाइन-ट्यून" नहीं था, जिसका अर्थ है कि यह आवश्यक समायोजनों के बिना एक बहुत ही विशिष्ट समस्या पर व्यापक, सामान्य ज्ञान लागू करने की कोशिश कर रहा था।

कम सटीकता के आंकड़ों के बावजूद, इस परियोजना ने सफलतापूर्वक यह प्रदर्शित किया कि एक स्मार्ट ट्रैफिक सिस्टम का बुनियादी ढांचा संभव है। सॉफ्टवेयर पाइपलाइन ने इच्छित रूप से काम किया: इसने मीडिया को स्वीकार किया, इसे विजन मॉडल के माध्यम से प्रोसेस किया, डिटेक्शन की गिनती की, और परिणाम को एक वेब पेज पर प्रदर्शित किया। डैशबोर्ड ने वाहन गणना, घनत्व रेटिंग और दुर्घटना अलर्ट एवं सिग्नल स्थिति के लिए प्लेसहोल्डर्स दिखाए। हालाँकि, शोधकर्ता ने स्पष्ट रूप से कहा कि स्क्रीन पर दिखाई देने वाले दुर्घटना पहचान और ट्रैफिक उल्लंघन के फीचर्स कार्यात्मक नहीं थे; वे केवल दृश्य तत्व थे जो यह दिखाने के लिए थे कि भविष्य के अधिक पूर्ण संस्करण में वे क्षमताएं कहाँ होंगी। सिस्टम ने वास्तव में दुर्घटनाओं या उल्लंघनों का पता नहीं लगाया, न ही इसने किसी भौतिक ट्रैफिक लाइट को नियंत्रित किया, क्योंकि हार्डवेयर घटक डिजाइन का एक सैद्धांतिक हिस्सा बना हुआ था।

शोधकर्ता ने निष्कर्ष निकाला कि हालांकि सॉफ्टवेयर ढांचा सुदृढ़ है, लेकिन सिस्टम के "मस्तिष्क" को वास्तविक सड़कों पर भरोसेमंद बनने से पहले काफी काम की आवश्यकता है। कम प्रदर्शन स्कोर संकेत देते हैं कि मॉडल को एक ऐसे डेटासेट पर फिर से प्रशिक्षित किया जाना चाहिए जिसमें केवल सड़क पर पाए जाने वाले विशिष्ट प्रकार के वाहन हों, और हवाई जहाज जैसे भ्रमित करने वाले श्रेणियों को हटा दिया जाना चाहिए। उन्होंने इस बात पर भी जोर दिया कि वर्तमान परिणाम एक आधार रेखा (baseline) हैं—निदान के लिए एक शुरुआती बिंदु—न कि एक तैयार उत्पाद। प्रोटोटाइप ने साबित किया कि एक वेब-आधारित डैशबोर्ड ट्रैफिक डेटा को विज़ुअलाइज़ कर सकता है, लेकिन इसने यह भी उजागर किया कि बिना अनुकूलन के एक जेनेरिक, बना-बनाया मॉडल पर निर्भर रहने से खराब परिणाम मिलते हैं।

आगे देखते हुए, शोधकर्ता ने सुधार के लिए एक स्पष्ट मार्ग रेखा तैयार की। वे ट्रैफिक को पहचानने की अपनी क्षमता में सुधार के लिए आर्टिफिशियल इंटेलिजेंस मॉडल को कारों, बसों और ट्रकों के एक विशेष डेटासेट के साथ फिर से प्रशिक्षित करने की योजना बना रहे हैं। वे उस छोटे कंप्यूटर चिप को एकीकृत करने का इरादा रखते हैं जिसे उन्होंने घनत्व रीडिंग के आधार पर ट्रैफिक लाइट को वास्तव में नियंत्रित करने के लिए डिज़ाइन किया है। भविष्य के संस्करणों में केवल अपलोड की गई फाइलों के बजाय लाइव कैमरों से रीयल-टाइम वीडियो स्ट्रीमिंग को जोड़ने का लक्ष्य होगा, और वे उच्च विश्वसनीयता के साथ दुर्घटनाओं और नियमों के उल्लंघन को पकड़ने के लिए सिस्टम को प्रशिक्षित करने पर काम करेंगे। फिलहाल, यह प्रोटोटाइप एक मूल्यवान नैदानिक उपकरण (diagnostic tool) के रूप में कार्य करता है, जो यह दिखाता है कि तकनीक कहाँ विफल हो रही है और एक वास्तव में बुद्धिमान ट्रैफिक प्रबंधन प्रणाली बनाने के लिए कौन से कदम आवश्यक हैं जो शहरों को सुरक्षित और कुशलता से चला सके।