Swift/iOS: Real Time Human Traffic Tracker
Zusammenfassung
Kurz
Der vollständige Beitrag stellt eine frühe iOS-Beta zur Echtzeitverfolgung von Personen vor, die Vision-Objekterkennung mit Centroid-Tracking kombiniert und drei Kennzahlen anzeigt. Er nennt Voraussetzungen und einstellbare Tracking-Parameter; Datenspeicherung und Zeitreihenvisualisierung sind laut Autor noch geplante Erweiterungen, und eine systematische Genauigkeitsbewertung fehlt.
Mittel
Der Beitrag beschreibt eine frühe Beta einer iOS-App zur Echtzeitverfolgung von Personen. Sie verbindet Live-Objekterkennung mit dem Vision-Framework und Centroid-Tracking. Angezeigt werden die aktuell verfolgte Personenzahl, die Zahl der als verschwunden eingestuften Personen und deren durchschnittliche Verfolgungsdauer. Der Autor nennt Schaufenster und große Kreuzungen als denkbare Einsatzorte, belegt aber keine konkrete Nutzung.
Zum Betrieb seien Xcode 16 Beta und iOS 18 auf einem echten Gerät erforderlich; eine GIF-basierte Demo ist ebenfalls vorgesehen. Einstellbar sind die Verarbeitungsrate, die Zahl tolerierter Frames ohne Erkennung sowie die maximale normalisierte Distanz zwischen Objektmittelpunkten. Der Autor nennt für die Distanz etwa 0,1 bis 0,2 als üblichen Wert aus seinen Tests und betont, dass passende Einstellungen von Gerät, Kameraposition und Gehgeschwindigkeit abhängen.
Eine systematische Prüfung von Genauigkeit oder Leistung enthält der Beitrag nicht. Datenspeicherung und Zeitreihenvisualisierung nennt der Autor als geplante Erweiterungen, nicht als vorhandene Funktionen. Der vollständige Bericht liegt vor.
Ausführlich lesen
Der Beitrag stellt eine frühe Beta einer iOS-App vor, die Personenverkehr in Echtzeit verfolgen soll. Autor Itsuki beschreibt sie als Verbindung aus Live-Objekterkennung mit Apples Vision-Framework und Centroid-Tracking. Die erkannten Menschen werden im Text der Einfachheit halber „Objekte“ genannt. Der Quellcode ist laut Beitrag auf GitHub verfügbar.
Die App zeigt drei Kennzahlen: wie viele Objekte gerade verfolgt werden, wie viele als verschwunden gelten und wie lange ein Objekt durchschnittlich verfolgt wurde. Als mögliche Anwendungen nennt der Autor etwa die Beobachtung, ob ein Schaufenster Aufmerksamkeit auf sich zieht, sowie Veränderungen des Personenverkehrs auf großen Kreuzungen. Das sind vorgeschlagene Einsatzmöglichkeiten; der Beitrag belegt keine konkrete Anwendung oder Auswertung.
Für den Betrieb nennt der Autor Xcode 16 Beta und iOS 18 auf einem echten Gerät als Voraussetzungen. Wer die Beta nicht auf einem Gerät installieren möchte, kann laut Beitrag eine Demo-Ansicht mit einem vorhandenen GIF ansehen.
Drei Einstellungen beeinflussen die Verarbeitung: Die gewünschte Bildrate legt fest, wie oft die App Tracking ausführt; der Wert null bedeutet kontinuierliche Verarbeitung. Eine Obergrenze für nicht erkannte Frames bestimmt, wann ein Objekt als verschwunden zählt. Außerdem legt eine normalisierte Maximaldistanz fest, wann Mittelpunkte aus aufeinanderfolgenden Frames noch demselben Objekt zugeordnet werden. Der Autor nennt für menschliche Verfolgung auf Grundlage seiner Tests etwa 0,1 bis 0,2 als üblichen Distanzwert. Die passenden Einstellungen hängen laut ihm unter anderem von der Prozessorleistung, der Kameraposition und der Gehgeschwindigkeit ab.
Der Beitrag beschreibt eine vorläufige Funktionsübersicht, aber keine systematische Leistungsbewertung oder Messwerte zur Erkennungsgenauigkeit. Der Autor kündigt als mögliche nächste Schritte an, erkannte Daten zu speichern und Zeitreihenvisualisierungen hinzuzufügen. Diese Funktionen sind zum Zeitpunkt des Artikels noch nicht als vorhanden beschrieben. Der vollständige Beitrag liegt vor; seine Aussagen bleiben die Darstellung des Autors zu einer ausdrücklich als „super beta“ bezeichneten App.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Im Prüfauftrag sind keine Fragen angegeben (Sammelfragen und Teilfragen jeweils „(keine)“), daher wurde keine Einordnung vorgenommen. Die Zusammenfassung wurde anhand der mittleren Fassung geprüft; die kurze Fassung ist ebenfalls treu, lässt aber dieselben beiden Punkte aus.
Im Bericht, aber nicht in der Zusammenfassung
- Der Quellcode ist auf GitHub verfügbar.
- Der Autor verweist auf eine Mac-App zur Analyse von Personenverkehr in vorhandenen Videos.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Tempo und Grenzen
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 45 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 45 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug