Des systèmes de reconnaissance qui fonctionnent sur le terrain, avec vos caméras et vos contraintes.
Lecture automatique de plaques d'immatriculation, détection d'objets, OCR et intégration de modèles dans des produits existants. Nous entraînons des modèles sur vos données réelles plutôt que de déployer un modèle générique qui échoue dès que les conditions changent.
La différence entre une démonstration d'IA et un système exploitable se mesure sur le terrain. Un modèle de reconnaissance de plaques entraîné sur des données génériques s'effondre face à des plaques tunisiennes, une caméra mal orientée, la pluie ou un contre-jour au coucher du soleil.
Notre approche est empirique. Nous partons de vos flux vidéo réels, nous constituons un jeu de données annoté à partir de vos conditions d'exploitation, et nous entraînons un modèle dédié. Sur le projet du parc d'activités économiques de Bizerte, cette méthode a porté la précision de reconnaissance d'environ 50 à 65 % avec un modèle générique à environ 95 % avec un modèle entraîné spécifiquement sur les plaques tunisiennes, à partir de 3 200 images.
Nous traitons aussi la partie la moins visible et la plus déterminante : l'ingestion de plusieurs flux RTSP simultanés, la latence, le matériel GPU, la supervision et le comportement du système quand une caméra tombe.
Des projets où cette prestation a été mise en œuvre.
Visuel à remplacerZone d'activités économiques
PAEB — Parc d'Activités Économiques de Bizerte
Un système de reconnaissance de plaques d'immatriculation qui commande trois barrières à partir de six flux vidéo, avec un modèle entraîné spécifiquement sur les plaques tunisiennes.
Logistique
Cela dépend de la variabilité des conditions. Pour le modèle de plaques tunisiennes du projet de Bizerte, 3 200 images annotées ont suffi à atteindre environ 95 % de précision. Un site avec plus d'angles de caméra ou des conditions d'éclairage plus difficiles demandera davantage.
Pour de la vidéo temps réel, presque toujours sur site. Faire remonter plusieurs flux RTSP vers le cloud coûte cher en bande passante et ajoute une latence incompatible avec l'ouverture d'une barrière. Nous dimensionnons un poste GPU dédié sur place et ne remontons que les résultats.
Un périmètre à challenger, une architecture à valider, un système à reprendre : commencez par nous écrire.
