AI agent + YOLO: lokální computer vision POC bez trénování vlastního modelu

AI agent nemusí končit u textu, e-mailu nebo dalšího interního dashboardu. Praktický příklad od AI s rozumem ukazuje zajímavější vzor: coding agent dostal veřejný kamerový stream, analyzoval záběr, vybral existující vision model a poskládal prototyp, který detekuje auta a vyhodnocuje obsazenost parkovacích míst.

Podle mě je na tom nejdůležitější jedna věc: jazykový model v tomhle řešení není produkční detektor. Funguje jako systémový integrátor. Najde vhodné komponenty, ověří předpoklady, napíše aplikaci a spojí malé specializované modely s uživatelským rozhraním.

Co agent skutečně udělal

Vstupní zadání bylo překvapivě stručné: spočítat auta na parkovišti, zobrazit video stream, překreslit detekční boxy a rozlišit volná a obsazená místa. Zdroj představoval veřejný livestream z náměstí v Hradci Králové.

Agent nezačal slepě psát kód. Nejdřív si stáhl snímek a zkontroloval, zda je kamera statická, jak velká jsou auta a jestli se záběr v čase neposouvá. Porovnal dva snímky pomocí rozdílu pozadí a ověřil, že se mění hlavně pohybující objekty a listí. Teprve potom navrhl řešení.

Výsledný POC použil model YOLO od Ultralytics pro detekci vozidel. K tomu vzniklo jednoduché rozhraní, ve kterém lze nakreslit sledovanou zónu a jednotlivá parkovací místa. Aplikace pak překrývá detekční boxy přes obraz a podle průniku s definovanými místy určuje obsazenost.

Inference běží lokálně. Internet je v tomto konkrétním demu potřeba pro zdrojový YouTube stream, ne pro posílání každého snímku do multimodálního API.

Proč je to užitečný architektonický vzor

LLM je výborný na nejasnou vrstvu mezi cílem a implementací: prozkoumat zdroj dat, vybrat knihovnu, vytvořit konfiguraci, poskládat backend a UI, přidat diagnostiku a opravit chyby.

Samotnou opakovanou práci ale dělá menší specializovaný model. To má několik výhod:

nižší náklady než volat velký multimodální model nad každým snímkem,
nižší latenci,
možnost lokálního nebo edge provozu,
menší objem dat posílaný mimo vlastní infrastrukturu,
předvídatelnější výstup pro konkrétní třídy objektů.

Stejný princip dává smysl pro počítání palet ve skladu, kontrolu obsazenosti nakládací rampy, rozpoznání ochranných pomůcek, monitoring fronty nebo předvýběr snímků pro člověka. Coding agent urychlí vznik první verze. Detektor řeší rutinní inference.

POC není produkce

Video ukazuje funkční prototyp, ne hotový systém pro město nebo firmu. Mezi oběma stavy je několik důležitých kroků.

První je kvalita dat. Statická kamera za dne je příjemný případ. Produkce musí zvládnout noc, déšť, stíny, sníh, zakryté objekty, změnu úhlu kamery i vozidla mimo tréninkovou distribuci.

Druhý je způsob vyhodnocení. Počet boxů nestačí. Potřebujete označenou testovací sadu a metriku odpovídající rozhodnutí: přesnost obsazenosti po jednotlivých místech, falešně volná místa, latenci změny stavu a stabilitu v čase. Jinak jen sledujete působivé zelené obdélníky.

Třetí jsou oprávnění a soukromí. Veřejně dostupný stream automaticky neznamená, že jej lze libovolně zpracovat nebo znovu publikovat. U vlastní kamery je potřeba vyřešit právní titul, informační povinnost, retenční pravidla a minimalizaci dat. Pokud nepotřebujete tváře ani registrační značky, neukládejte je.

Čtvrtý je licence. Ultralytics nabízí AGPL-3.0 a Enterprise licenci. Interní či komerční nasazení proto nelze posuzovat jen podle toho, že se balíček podařilo nainstalovat. Licenční model je součást architektury.

Jak bych takový pilot zadal ve firmě

Nezačínal bych požadavkem „postavte nám AI kamerový systém“. Vybral bych jedno měřitelné rozhodnutí a jeden kontrolovaný zdroj obrazu.

Například:

každých pět sekund načti snímek z kamery u nakládací rampy,
detekuj jen vozidla uvnitř definované zóny,
ulož pouze stav a confidence, ne celý obraz,
při nejistotě pošli snímek do fronty pro člověka,
po 14 dnech porovnej výsledek s ručním záznamem,
teprve potom rozhodni o integraci do provozu.

Agent může vytvořit první kód, konfigurační editor, Docker image, testy i jednoduchý auditní dashboard. Člověk ale musí schválit zdroj dat, metriku, limity a nasazení.

Kde se to může napojit na automatizaci

Výstup detektoru nemusí být další obrazovka, na kterou se nikdo nedívá. Může být malý strukturovaný event.

V n8n nebo Make lze například:

při dlouhodobě obsazené rampě upozornit dispečera,
z hodinových stavů sestavit kapacitní report,
poslat nejasný snímek k ručnímu potvrzení,
otevřít úkol údržby při změně úhlu kamery,
předat agregovaná data internímu agentovi bez přístupu k původnímu videu.

Tady vzniká skutečná hodnota. Ne v tom, že model umí nakreslit box, ale že se spolehlivý a omezený signál zapojí do existujícího procesu.

Můj závěr

Nejzajímavější posun není „vibe coding už umí computer vision“. Důležitější je dělba práce: velký model pomůže navrhnout a poskládat systém, malý specializovaný model levně provádí opakovanou inference a automatizace pracuje jen s výsledným stavem.

Pro firmy je to dobrá cesta k AI pilotům. Začněte konkrétním rozhodnutím, existujícím modelem a měřením chyb. Agent urychlí cestu k POC, ale produkční kvalitu stále určí data, licence, soukromí, observabilita a lidské review.

Zdroje: AI s rozumem: Postavil jsem si s AI aplikaci, co sleduje parkování, Ultralytics dokumentace k predikci nad streamy, trackingu objektů a licencování YOLO.