# AI-pipeline Installation Status **Datum:** 2026-06-28 **Status:** Pågår --- ## Vad som är klart | # | Modell | Status | Kommentar | |---|--------|--------|-----------| | 1 | **YOLOv8** | ✅ Installerad | `ultralytics` fungerar | | 2 | **Grounding DINO** | 🟡 Installerad | Weights laddas ner | | 3 | **SAM2** | 🔴 Ej installerad | Väntar på DINO | | 4 | **OCR** | 🔴 Ej installerad | Väntar på DINO | | 5 | **Depth** | 🔴 Ej installerad | Väntar på DINO | --- ## YOLOv8 Testresultat ### Bangkok-bilder (55 st) | Mätvärde | Resultat | |----------|----------| | Bilder testade | 10 | | Genomsnitt detektioner/bild | 1.7 | | Infrastruktur-detektioner | 0 | ### Problem YOLOv8 (COCO) har **BEGRÄNSADE** infrastruktur-klasser: - ✅ traffic light - ✅ stop sign - ✅ fire hydrant - ✅ bench - ❌ street_lamp - ❌ manhole - ❌ electrical_cabinet - ❌ tree ### Lösning **Alternativ 1:** Custom träning på infrastruktur-data - Kräver: 1000+ annoterade bilder - Tid: 2-3 dagar träning - Resultat: Specialiserad modell **Alternativ 2:** Grounding DINO (text-prompted) - Kräver: Weights + config - Tid: Direkt (zero-shot) - Resultat: Generisk men flexibel **Alternativ 3:** Cloud Vision API - Kräver: API-nyckel - Tid: Direkt - Resultat: Googles modeller --- ## Nästa steg 1. **Vänta på Grounding DINO weights** (~5 min) 2. **Testa DINO på Bangkok-bilder** 3. **Jämför YOLO vs DINO** 4. **Välj bästa modell** (eller kombination) 5. **Installera SAM2, OCR, Depth** --- ## Rekommendation **Kortsiktigt:** Använd Grounding DINO för piloten - Zero-shot (ingen träning behövs) - Text-prompted ("street lamp", "traffic sign") - Flexibel för nya objekttyper **Långsiktigt:** Träna custom YOLOv8 - Bättre prestanda för specifika objekt - Snabbare inferens - Mindre beroende av externa modeller --- ## Tekniska detaljer ### Installerade paket ``` ultralytics==8.x groundingdino-py==0.4.0 supervision==0.6.0 timm==1.0.27 ``` ### Python-version ``` Python 3.9.25 ``` ### GPU-status ``` Ej kontrollerad (troligen CPU-only) ``` --- *Senast uppdaterad: 2026-06-28 16:45 UTC*