依托"梧桐"大模型技术多年的行业积淀与持续创新，宇视成功实现大模型技术在交通抓拍摄像机领域的工程化落地，在摄像机上实现了算法精度跃升、成像质量优化与长尾需求响应的三大技术突破。这标志着宇视成功将"梧桐"大模型的亿级参数规模与泛化能力应用于摄像机，助力交通管理更加安全、有序、高效。
图 宇视“梧桐”大模型交通抓拍系列产品
大模型提升算法精度，更聪明更精准
传统的深度学习算法主要依赖卷积操作来提取局部特征，但面对复杂场景时，往往容易忽视全局信息的整合，导致在目标遮挡、低对比度、复杂姿态等情况下出现误检和漏检的问题。宇视“梧桐”大模型凭借其亿级参数量及强大的泛化推理能力，能让摄像机更聪明地洞察细节，捕捉关键信息，从而在复杂多变的场景中显著降低误检和漏检的发生。
异常成像车牌识别
宇视将大模型技术应用于车牌识别，结合多模态特殊融合技术，有效解决部分字符模糊、车牌倾角过大、过曝等业界难题，在各类复杂场景下，识别准确率显著提升。
图 车牌识别准确度对比
“相近”车辆特征识别
“梧桐”大模型有效发掘更深层的局部特征，对车型、车身颜色等车辆特征的识别精度更高。
图 各类车型、颜色识别对比
机动车违法行为分析
机动车车内违法行为取证过程中，常面临车内光照变化、深色衣物、头发遮挡以及复杂姿态等多重干扰因素，这些因素极易引发“误判”，进而增加了人工审核的工作量。“梧桐”大模型凭借其强大的全局特征理解能力与上下文建模能力，能有效解决相关问题，深入剖析驾驶员行为，提升整体的检测精度，减轻人工审核负担。
图 车内行为识别对比
非机动车违法行为分析
非机动车通行场景是一个典型的多目标复杂环境，其中衣帽识别困难、前后目标相互遮挡等问题常导致取证效率低下。“梧桐”大模型凭借其先进的自注意力机制，突破局部特征的局限性，有效滤除了前后目标的遮挡干扰，从而显著提升检测的准确性。
图 非机动车行为识别对比
大模型驱动图像还原，更真实更清晰
宇视“梧桐”大模型交通抓拍系列产品搭载“猎光2.0”图像引擎，在微光环境下实现真实色彩和车窗细节清晰还原的双重突破，助力城市光污染治理，守护出行安全。
图 猎光2.0图像原理概述
大模型助力小目标跟踪，更稳定更可靠
受多种外界因素如风力影响、杆件因热胀冷缩而形变以及大型车辆经过时的震动等，红绿灯在摄像机捕捉的画面中往往长期处于晃动状态，这对交通信号灯的准确检测构成了极大挑战。尤其在大型路口，红绿灯在图像中的像素通常小于12像素，这进一步加剧了算法的检测难度，易导致灯态识别异常。大模型技术的应用显著增强摄像机的图像检测与分割能力，精准识别目标并定位跟踪，提高稳定性和准确性。
图 传统及大模型红绿灯定位对比
大模型赋能长尾需求，更泛化更高效
车牌识别在特定场景，如工业园区内部，一直被视为业界的棘手难题。传统的深度智能算法往往需要依赖海量的标注数据来进行特定任务的训练，不仅投入巨大，而且响应时效也相对较慢。宇视推出的“梧桐”大模型交通抓拍系列产品通过创新的预训练+微调范式，能有效解决这一难题。
该模型基于海量的通用数据进行预训练，积累了丰富的基础特征，结合强化微调技术，在迁移到具体应用场景时，仅需少量的样本数据即可实现高精度识别。这一创新应用可大幅缩短开发周期，并显著提升响应速度，为特定场景下的车牌识别带来了全新的解决方案。
为了提升园区厂内车牌识别的准确率（97%以上），同时保持与现有车牌识别算法的兼容性，我们对两种方案进行了对比：传统方案需处理1万张车牌图像数据，且开发周期长达2个月；而大模型方案仅需对100张车牌数据进行高效训练，开发周期大幅缩减至2周。
图 某工业园区厂内车牌
宇视科技的“梧桐”大模型为交通抓拍摄像机带来了全面智能化升级，实现了更精准、稳定、真实与高效的应用表现。这一革新深度强化了交通管理场景的应用能力，营造了更加安全、有序且高效的出行环境。未来，“梧桐”大模型将持续赋能AIoT边端产品，不断拓展感知边界，深化场景理解，秉持务实创新精神，致力于提供更加专业、超值的产品及解决方案，引领行业前行。
浙公网安备 33010802004032号
