Bernt
bae705aa97
- Add NFC ePassport roadmap (ICAO 9303, eIDAS) - Add TensorFlow.js edge face detection (BlazeFace) - Add structured audit logger (GDPR-compliant) - Risk scoring support Part of KYC Apple Native UX v1.1.0
94 lines
2.5 KiB
Markdown
94 lines
2.5 KiB
Markdown
# AI-pipeline Valideringsresultat
|
|
|
|
**Datum:** 2026-06-28
|
|
**Status:** Tester klara — rekommendation behövs
|
|
|
|
---
|
|
|
|
## Testade Modeller
|
|
|
|
### 1. YOLOv8 (COCO)
|
|
|
|
| Egenskap | Resultat |
|
|
|----------|----------|
|
|
| Installation | ✅ Enkel (`pip install ultralytics`) |
|
|
| Hastighet | ✅ Snabb (~100ms/bild på CPU) |
|
|
| Detektioner på Bangkok | ❌ 0 infrastruktur-objekt |
|
|
|
|
**Problem:** COCO-dataset har bara 80 klasser, varav få är infrastruktur:
|
|
- ✅ traffic light, stop sign, fire hydrant, bench
|
|
- ❌ street_lamp, manhole, electrical_cabinet, tree
|
|
|
|
### 2. YOLOv8-World (Zero-shot)
|
|
|
|
| Egenskap | Resultat |
|
|
|----------|----------|
|
|
| Installation | ✅ Automatisk (laddade CLIP) |
|
|
| Text-prompts | ✅ "street lamp", "traffic sign" etc. |
|
|
| Detektioner på Bangkok | ❌ 0 objekt |
|
|
|
|
**Problem:** Modellen är tränad på generiska bilder, inte infrastruktur. Kräver finetuning eller mer specifika prompts.
|
|
|
|
### 3. Grounding DINO
|
|
|
|
| Egenskap | Resultat |
|
|
|----------|----------|
|
|
| Installation | ✅ Komplex men klar |
|
|
| Text-prompts | ✅ Mycket flexibel |
|
|
| Körning | ❌ CUDA-kompatibilitetsproblem |
|
|
|
|
**Problem:** `AssertionError: Torch not compiled with CUDA enabled`. Kräver CPU-anpassning eller GPU.
|
|
|
|
---
|
|
|
|
## Rekommendation
|
|
|
|
### Kortsiktigt (piloten)
|
|
|
|
**Alternativ A: Cloud Vision API**
|
|
- ✅ Snabbast att komma igång
|
|
- ✅ Googles modeller känner igen många objekt
|
|
- ✅ Ingen träning behövs
|
|
- ❌ Kostnad per bild
|
|
- ❌ Kräver API-nyckel
|
|
|
|
**Alternativ B: Manuel annotation + Custom YOLO**
|
|
- ✅ Högst kvalitet
|
|
- ✅ Full kontroll
|
|
- ❌ Tid: 2-3 dagar annotation
|
|
- ❌ Tid: 1-2 dagar träning
|
|
|
|
### Långsiktigt
|
|
|
|
**Custom YOLOv8 tränad på QUIXZOOM-data**
|
|
- Träna på 1000+ annoterade infrastruktur-bilder
|
|
- 6 klasser: street_lamp, traffic_sign, manhole, tree, electrical_cabinet, bench
|
|
- Mål: mAP@50 > 0.90
|
|
|
|
---
|
|
|
|
## Beslutspunkt
|
|
|
|
**Erik:** Vilket alternativ vill du köra?
|
|
|
|
| Alternativ | Tid till pilot | Kvalitet | Kostnad |
|
|
|------------|---------------|----------|---------|
|
|
| A. Cloud Vision API | 1 dag | Medium | ~1000 kr/mån |
|
|
| B. Custom YOLO (annotation + träning) | 5 dagar | Hög | 20,000 kr engång |
|
|
| C. Grounding DINO (fixa CPU) | 2 dagar | Medium | 0 kr |
|
|
|
|
**Rekommendation:** Börja med **A (Cloud Vision)** för piloten, parallellt påbörja **B (Custom YOLO)** för långsiktigt.
|
|
|
|
---
|
|
|
|
## Nästa steg
|
|
|
|
1. **Erik bestämmer:** Vilket alternativ?
|
|
2. **Implementera:** Installera valt alternativ
|
|
3. **Testa:** Kör på Bangkok-bilder
|
|
4. **Verifiera:** >50% detection accuracy
|
|
|
|
---
|
|
|
|
*Senast uppdaterad: 2026-06-28 17:00 UTC*
|