Skuteczność i ryzyko błędów — uczciwie

Najważniejsze: to narzędzie przesiewowe. Z jednej nieskalibrowanej kamery nie da się podać obronnego „wskaźnika naruszeń”. Dlatego: liczby podajemy jako estymaty, zdarzenia jako kandydatów, a prawdziwą trafność liczymy z weryfikacji ludzi.

Gdzie AI się myli i dlaczego

• Przesłonięcia: na przejściu trajektorie się przecinają — pieszy zasłonięty przez pojazd to najtrudniejszy przypadek; tracker gubi ID, licznik zaniża.
• Perspektywa jednej kamery: skrót perspektywiczny sprawia, że pojazd jeszcze przed pasami „nakłada się” w obrazie na strefę przejścia — to główne źródło fałszywych alarmów.
• Małe obiekty / panorama: daleki pieszy ma kilkadziesiąt pikseli — skuteczność dla małych obiektów bywa 2–3× niższa (COCO).
• Noc, deszcz, odblaski: obraz spoza rozkładu treningowego — gwałtowny spadek trafności; te okresy traktujemy jako niskiej pewności.
• Brak metryki (głębi): bez homografii pracujemy w pikselach — stąd niepewne prędkości i „czy zdążył zahamować”.

Czego się realnie spodziewać

• Detekcja pieszych/pojazdów w dzień, dobre ujęcie: użyteczna, ale niedoskonała (małe obiekty i tłok obniżają recall).
• Zdarzenie „nie ustąpił” z pojedynczej kamery bez kalibracji: dużo fałszywych alarmów — dlatego weryfikacja ludzi jest obowiązkowa.

Jak liczymy prawdziwą trafność

Każde sflagowane zdarzenie ma zrzut. Ludzie głosują potwierdź/odrzuć. Precyzja = potwierdzone / ocenione. Ten wskaźnik widać na żywo na stronie głównej — rośnie wiarygodnie w miarę głosów.

Co doprowadzi do maksimum

1. Kalibracja metryczna (homografia) — największy zysk: odblokowuje prędkość, PET/TTC, poprawne „nie ustąpił”.
2. Wyższe fps + wygładzanie czasowe — mniej zgubionych ID.
3. Większy model / dobór kamery (tight framing) — wyższy recall.
4. Aktywne uczenie z głosów ludzi — model uczy się na własnych błędach.
5. Ograniczenie twierdzeń do tego, co pewne — uczciwość jako przewaga przed audytem.