AI agent + YOLO: lokálny computer vision POC bez trénovania vlastného modelu

AI agent nemusí skončiť pri texte, e-maile alebo ďalšom internom dashboarde. Praktický príklad od AI s rozumem ukazuje zaujímavejší vzor: coding agent dostal verejný kamerový stream, analyzoval záber, vybral existujúci vision model a poskladal prototyp, ktorý deteguje vozidlá a vyhodnocuje obsadenosť parkovacích miest.

Najdôležitejšie je, že jazykový model v tomto riešení nie je produkčný detektor. Funguje ako systémový integrátor. Nájde komponenty, overí predpoklady, napíše aplikáciu a spojí malý špecializovaný model s použiteľným rozhraním.

Čo agent skutočne urobil

Zadanie bolo stručné: spočítať autá na parkovisku, zobraziť video stream, prekresliť detekčné boxy a rozlíšiť voľné a obsadené miesta. Zdrojom bol verejný livestream z námestia v Hradci Králové.

Agent nezačal slepo písať kód. Najprv si stiahol snímku a skontroloval, či je kamera statická, aké veľké sú vozidlá a či sa záber časom neposúva. Porovnal dve snímky pomocou rozdielu pozadia a overil, že sa menia najmä pohybujúce sa objekty a lístie.

Výsledný POC použil model YOLO od Ultralytics na detekciu vozidiel. Vzniklo aj jednoduché rozhranie na zakreslenie sledovanej zóny a jednotlivých parkovacích miest. Aplikácia prekrýva detekcie cez obraz a podľa prieniku s definovanými miestami určuje obsadenosť.

Inferencia beží lokálne. Internet je v tomto deme potrebný na zdrojový YouTube stream, nie na posielanie každej snímky do multimodálneho API.

Prečo je tento vzor užitočný

LLM je dobrý na nejasnú vrstvu medzi cieľom a implementáciou: preskúmať zdroj dát, vybrať knižnicu, vytvoriť konfiguráciu, poskladať backend a UI, doplniť diagnostiku a opraviť chyby.

Opakovanú inferenciu vykonáva menší špecializovaný model. Prináša nižšie náklady a latenciu, možnosť lokálneho alebo edge nasadenia, menší objem dát mimo vlastnej infraštruktúry a predvídateľnejší výstup pre známe triedy objektov.

Rovnaké rozdelenie práce dáva zmysel pri počítaní paliet v sklade, kontrole obsadenosti nakladacej rampy, rozpoznávaní ochranných pomôcok, monitoringu radu alebo výbere neistých snímok pre človeka. Coding agent zrýchli prvú verziu, detektor rieši rutinnú inferenciu.

POC nie je produkcia

Video ukazuje funkčný prototyp, nie hotový systém pre mesto alebo firmu.

Produkcia musí zvládnuť noc, dážď, tiene, sneh, zakryté objekty, posun kamery aj vozidlá mimo tréningovej distribúcie. Zelené boxy nie sú metrika kvality. Potrebujete označenú testovaciu sadu a ukazovatele zodpovedajúce rozhodnutiu: presnosť obsadenosti jednotlivých miest, falošne voľné miesta, latenciu zmeny stavu a stabilitu v čase.

Dôležité sú aj oprávnenia a súkromie. Verejne dostupný stream automaticky neznamená, že ho možno ľubovoľne spracovať alebo znovu publikovať. Pri vlastnej kamere treba vyriešiť právny titul, informačnú povinnosť, retenciu a minimalizáciu dát. Ak nepotrebujete tváre ani evidenčné čísla, neukladajte ich.

Licencia je súčasť architektúry. Ultralytics ponúka AGPL-3.0 a Enterprise licenciu. To, že sa balík podarilo nainštalovať, ešte nerieši podmienky interného alebo komerčného nasadenia.

Ako by som zadal firemný pilot

Nezačínal by som požiadavkou „postavte nám AI kamerový systém“. Vybral by som jedno merateľné rozhodnutie a jeden kontrolovaný zdroj obrazu.

Napríklad:

1. každých päť sekúnd načítaj snímku z kamery pri nakladacej rampe,
2. deteguj vozidlá iba v definovanej zóne,
3. ulož len stav a confidence, nie celý obraz,
4. pri neistote pošli snímku do frontu na ľudské potvrdenie,
5. po 14 dňoch porovnaj výsledok s ručným záznamom,
6. až potom rozhodni o integrácii do prevádzky.

Agent môže vytvoriť prvý kód, konfiguračný editor, Docker image, testy aj auditný dashboard. Človek však schvaľuje zdroj dát, metriku, limity a nasadenie.

Napojenie na automatizáciu

Výstup detektora nemusí byť ďalšia obrazovka, ktorú nikto nesleduje. Môže ísť o malý štruktúrovaný event.

V n8n alebo Make možno upozorniť dispečera na dlho obsadenú rampu, zostaviť kapacitný report, poslať neisté snímky na schválenie, otvoriť úlohu údržby pri posune kamery alebo odovzdať internému agentovi agregované dáta bez prístupu k pôvodnému videu.

Skutočná hodnota nevzniká tým, že model nakreslí box, ale tým, že sa spoľahlivý a obmedzený signál zapojí do existujúceho procesu.

Môj záver

Najzaujímavejší posun nie je „vibe coding už vie computer vision“. Dôležitejšie je rozdelenie práce: veľký model pomôže navrhnúť a poskladať systém, malý špecializovaný model lacno vykonáva opakovanú inferenciu a automatizácia pracuje iba s výsledným stavom.

Pre firmy je to dobrá cesta k AI pilotom. Začnite konkrétnym rozhodnutím, existujúcim modelom a meraním chýb. Agent zrýchli POC, ale produkčnú kvalitu stále určujú dáta, licencia, súkromie, observabilita a ľudské review.

---

Zdroje: AI s rozumem: Postavil jsem si s AI aplikaci, co sleduje parkování, dokumentácia Ultralytics k predikcii nad streamami, trackingu objektov a licencovaniu YOLO.