依托"梧桐"大模型技術多年的行業積淀與持續創新，宇視成功實現大模型技術在交通抓拍攝像機領域的工程化落地，在攝像機上實現了算法精度躍升、成像質量優化與長尾需求響應的三大技術突破。這標志著宇視成功將"梧桐"大模型的億級參數規模與泛化能力應用于攝像機，助力交通管理更加安全、有序、高效。

    圖 宇視“梧桐”大模型交通抓拍系列產品

    大模型提升算法精度，更聰明更精準

    傳統的深度學習算法主要依賴卷積操作來提取局部特征，但面對復雜場景時，往往容易忽視全局信息的整合，導致在目標遮擋、低對比度、復雜姿態等情況下出現誤檢和漏檢的問題。宇視“梧桐”大模型憑借其億級參數量及強大的泛化推理能力，能讓攝像機更聰明地洞察細節，捕捉關鍵信息，從而在復雜多變的場景中顯著降低誤檢和漏檢的發生。

    異常成像車牌識別

    宇視將大模型技術應用于車牌識別，結合多模態特殊融合技術，有效解決部分字符模糊、車牌傾角過大、過曝等業界難題，在各類復雜場景下，識別準確率顯著提升。

    圖 車牌識別準確度對比

    “相近”車輛特征識別

    “梧桐”大模型有效發掘更深層的局部特征，對車型、車身顏色等車輛特征的識別精度更高。

    圖 各類車型、顏色識別對比

    機動車違法行為分析

    機動車車內違法行為取證過程中，常面臨車內光照變化、深色衣物、頭發遮擋以及復雜姿態等多重干擾因素，這些因素極易引發“誤判”，進而增加了人工審核的工作量。“梧桐”大模型憑借其強大的全局特征理解能力與上下文建模能力，能有效解決相關問題，深入剖析駕駛員行為，提升整體的檢測精度，減輕人工審核負擔。

    圖 車內行為識別對比

    非機動車違法行為分析

    非機動車通行場景是一個典型的多目標復雜環境，其中衣帽識別困難、前后目標相互遮擋等問題常導致取證效率低下。“梧桐”大模型憑借其先進的自注意力機制，突破局部特征的局限性，有效濾除了前后目標的遮擋干擾，從而顯著提升檢測的準確性。

    圖 非機動車行為識別對比

    大模型驅動圖像還原，更真實更清晰

    宇視“梧桐”大模型交通抓拍系列產品搭載“獵光2.0”圖像引擎，在微光環境下實現真實色彩和車窗細節清晰還原的雙重突破，助力城市光污染治理，守護出行安全。

    圖 獵光2.0圖像原理概述

    大模型助力小目標跟蹤，更穩定更可靠

    受多種外界因素如風力影響、桿件因熱脹冷縮而形變以及大型車輛經過時的震動等，紅綠燈在攝像機捕捉的畫面中往往長期處于晃動狀態，這對交通信號燈的準確檢測構成了極大挑戰。尤其在大型路口，紅綠燈在圖像中的像素通常小于12像素，這進一步加劇了算法的檢測難度，易導致燈態識別異常。大模型技術的應用顯著增強攝像機的圖像檢測與分割能力，精準識別目標并定位跟蹤，提高穩定性和準確性。

    圖 傳統及大模型紅綠燈定位對比

    大模型賦能長尾需求，更泛化更高效

    車牌識別在特定場景，如工業園區內部，一直被視為業界的棘手難題。傳統的深度智能算法往往需要依賴海量的標注數據來進行特定任務的訓練，不僅投入巨大，而且響應時效也相對較慢。宇視推出的“梧桐”大模型交通抓拍系列產品通過創新的預訓練+微調范式，能有效解決這一難題。

    該模型基于海量的通用數據進行預訓練，積累了豐富的基礎特征，結合強化微調技術，在遷移到具體應用場景時，僅需少量的樣本數據即可實現高精度識別。這一創新應用可大幅縮短開發周期，并顯著提升響應速度，為特定場景下的車牌識別帶來了全新的解決方案。

    為了提升園區廠內車牌識別的準確率(97%以上)，同時保持與現有車牌識別算法的兼容性，我們對兩種方案進行了對比：傳統方案需處理1萬張車牌圖像數據，且開發周期長達2個月;而大模型方案僅需對100張車牌數據進行高效訓練，開發周期大幅縮減至2周。

    圖 某工業園區廠內車牌

    宇視科技的“梧桐”大模型為交通抓拍攝像機帶來了全面智能化升級，實現了更精準、穩定、真實與高效的應用表現。這一革新深度強化了交通管理場景的應用能力，營造了更加安全、有序且高效的出行環境。未來，“梧桐”大模型將持續賦能AIoT邊端產品，不斷拓展感知邊界，深化場景理解，秉持務實創新精神，致力于提供更加專業、超值的產品及解決方案，引領行業前行。