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

In de bruisende slagaders van moderne steden is de stroom van voertuigen een constante, chaotische ritme dat vaak tot stilstand komt. Decennialang vertrouwde het beheer van deze stroom op rigide systemen: verkeerslichten die veranderen op basis van vaste timers, ongeacht hoeveel auto's er wachten, en menselijke agenten die vanuit torens toezicht houden, niet in staat om elke kruising tegelijkertijd te zien. Naarmate steden dichter bevolkt raken, worstelen deze oude methoden om het tempo bij te houden, wat leidt tot langere reistijden, verspilde brandstof en een verhoogd gevaar op de wegen. Om dit op te lossen, wenden wetenschappers zich tot een tak van kunstmatige intelligentie die bekend staat als computer vision. Deze technologie stelt machines in staat om de wereld te "zien" via camera's, waarbij objecten zoals auto's, bussen en motorfietsen in realtime worden geïdentificeerd. Door deze visuele intelligentie te combineren met het internet der dingen — waarbij apparaten draadloos met elkaar communiceren — hopen onderzoekers verkeerssystemen te creëren die direct reageren op veranderende omstandigheden, net zoals een zenuwstelsel reageert op een plotselinge aanraking.

Een onderzoeker aan de Sanjivani University in India heeft onlangs een softwareprototype gebouwd om te testen hoe goed deze visie werkt voor verkeersbeheer. Hun doel was om een systeem te creëren dat een videofeed van een straat kon bekijken, voertuigen kon tellen, kon inschatten hoe druk de weg is en die informatie op een eenvoudig webdashboard kon weergeven. Ze gebruikten een krachtig, vooraf getraind kunstmatig intelligentiemodel genaamd YOLOv11, dat is ontworpen om objecten in afbeeldingen te spotten, en verbonden dit met een webinterface gebouwd met standaard programmeertools. Het ontwerp bevatte ook een plan voor een kleine, goedkope computerchip om uiteindelijk verkeerslichten automatisch aan te sturen, hoewel die fysieke hardware geen deel uitmaakte van deze specifieke test. De onderzoeker wilde zien of deze combinatie van software en visie een betrouwbare basis kon vormen voor een slimmer, reactiever verkeersnetwerk.

Het systeem dat zij hebben gebouwd, werkt in een eenvoudige sequentie. Eerst uploadt een gebruiker een video of een foto van een verkeersscène naar een webdashboard. De software breekt de video vervolgens af in individuele frames, of snapshots, en bereidt ze voor op analyse. Het kunstmatige intelligentiemodel onderzoekt elke snapshot, trekt kaders rond alles wat het als een voertuig herkent en wijst er een label aan toe. Op basis van hoeveel voertuigen het vindt, categoriseert het systeem het verkeer als lage, medium of hoge dichtheid. Deze informatie wordt vervolgens teruggestuurd naar het dashboard, waar een menselijke operator de huidige telling en de status van de weg kan zien. De onderzoeker heeft het systeem ook zo ontworpen dat het uiteindelijk ongelukken of verkeersovertredingen kan detecteren, zoals het negeren van een rood licht, maar zij waren voorzichtig genoeg om te vermelden dat deze geavanceerde functies nog niet volledig getest of gevalideerd waren in deze initiële versie.

Toen de onderzoeker het prototype aan de test onderwierp, boden de resultaten een duidelijk, zij het sober beeld van waar de technologie vandaag de dag staat. Ze draaiden het systeem op een standaard computerprocessor, waarbij negenhonderd afbeeldingen werden verwerkt die elfhonderdvijftig afzonderlijke objectinstanties bevatten. De prestatiemetrieken onthulden dat de huidige opstelling nog niet klaar is voor inzet in de echte wereld. Het systeem identificeerde voertuigen slechts ongeveer twee procent van de tijd wanneer het een gok maakte, en detecteerde ongeveer eenentwintig procent van de voertuigen die daadwerkelijk aanwezig waren in de afbeeldingen. Een nadere blik op de gegevens liet zien waarom het systeem moeite had: het kunstmatige intelligentiemodel dat zij gebruikten, was getraind op een enorme, algemene dataset die veel verschillende soorten objecten bevat, zoals mensen, fietsers en zelfs vliegtuigen. Omdat de onderzoeker het model niet specifiek had hertraind op een dataset van alleen verkeersvoertuigen, raakte de computer in de war. Het besteedde een aanzienlijke hoeveelheid tijd aan het proberen te identificeren van vliegtuigen en mensen in de verkeersbeelden, terwijl het vaak over het hoofd zag wat de auto's en bussen waren die het moest tellen. De onderzoeker merkte op dat het model niet "fijn afgesteld" (fine-tuned) was voor deze specifieke taak, wat betekent dat het probeerde een brede, algemene kennis toe te passen op een zeer specifiek probleem zonder de noodzakelijke aanpassingen.

Ondanks de lage nauwkeurigheidscijfers demonstreerde het project succesvol dat de basisarchitectuur van een slim verkeerssysteem mogelijk is. De softwarepipeline werkte zoals bedoeld: het accepteerde media, verwerkte deze door het visiemodel, telde de detecties en toonde de resultaten op een webpagina. Het dashboard toonde een voertuigtelling, een dichtheidsclassificatie en placeholders voor ongevalmeldingen en de status van de signalen. De onderzoeker was echter expliciet in het feit dat de functies voor ongevaldetectie en verkeersovertredingen die op het scherm werden getoond, niet functioneel waren in deze test; ze waren louter visuele elementen om te laten zien waar die capaciteiten in een toekomstige, meer complete versie zouden komen. Het systeem detecteerde niet daadwerkelijk ongelukken of overtredingen, noch controleerde het fysieke verkeerslichten, aangezien het hardwarecomponent een theoretisch onderdeel van het ontwerp bleef.

De onderzoeker concludeerde dat hoewel het softwareframework solide is, het "brein" van het systeem nog aanzienlijk werk behoeft voordat het op echte wegen vertrouwd kan worden. De lage prestatiescores geven aan dat het model moet worden hertraind op een dataset die uitsluitend de specifieke typen voertuigen bevat die op de weg worden aangetroffen, en dat verwarrende categorieën zoals vliegtuigen moeten worden verwijderd. Zij benadrukten ook dat de huidige resultaten een baseline zijn — een startpunt voor diagnose — in plaats van een afgewerkt product. Het prototype bewees dat een webgebaseerd dashboard verkeersgegevens kan visualiseren, maar het benadrukte ook dat het vertrouwen op een generiek, vooraf gemaakt model zonder aanpassing leidt tot slechte resultaten.

Met het oog op de toekomst schetste de onderzoeker een duidelijk pad voor verbetering. Ze zijn van plan het kunstmatige intelligentiemodel te hertrainen met een gespecialiseerde dataset van auto's, bussen en vrachtwagens om het vermogen om verkeer te herkennen te verbeteren. Ze zijn van plan de kleine computerchip die ze hebben ontworpen te integreren om daadwerkelijk de verkeerslichten aan te sturen op basis van de dichtheidsmetingen. Toekomstige versies zullen ook streven naar real-time videostreaming van live camera's, in plaats van alleen geüploade bestanden, en zullen eraan werken om het systeem te trainen om ongelukken en regelovertredingen met hoge betrouwbaarheid op te sporen. Voor nu dient dit prototype als een waardevol diagnostisch instrument, dat precies laat zien waar de technologie tekortschiet en welke stappen nodig zijn om een werkelijk intelligent verkeersbeheersysteem te bouwen dat steden veilig en efficiënt in beweging houdt.