在那些公交线路规划良好、地铁运行有序、车道标识清晰的城市中，交通管理是一项重大任务。然而，如果考虑在没有可预测的路线、地图和常规交通方式的情况下改善交通，那么场景就会变得混乱不堪。CityLab对此有着生动的描绘：在埃及开罗的高峰时段，街道陷入了混乱。汽车陷入交通堵塞，四周喇叭声此起彼伏。一些通勤者在公交车站等待，不确定下一辆公交车何时会来。其他人逃进开罗的地铁站，却发现自己迷失在人海中。还有那些非正式的微型公交车，乘客挤得满满的，甚至有人危险地挂在车外。
这些是交通开罗（Transport for Cairo，简称TfC）这样的数据驱动咨询公司在日常工作中面临的挑战。该公司主要服务于非洲城市，旨在帮助城市减少拥堵，同时适应快速的城市化——他们指出，这些挑战是帮助新兴城市在适应气候变化的同时实现增长的关键。
项目概述：TfC最近启动了一个项目，旨在改善乌干达一个城市的基础设施，该城市在交通流量、最大瓶颈位置以及通勤者使用的车辆类型方面的数据非常稀缺。出租车、三轮车、微型公交车和自行车以令人眩晕的速度在城市中穿梭。公交线路不稳定，很大程度上尚未确定。即使是城市官员也缺乏有关这些模式的数据，这进一步限制了基于信息的决策制定。
在没有任何交通数据的情况下开始，TfC的客户建议该组织雇佣人类志愿者站在各个交叉路口，统计他们每小时看到的汽车数量。招聘数百名工人站在交叉路口将是昂贵的、耗时的，并且不精确的。TfC采用这种手动方法得出的结果参差不齐：很难知道数据的有效性，而且员工只能在特定时间获得报酬。需要更精确的解决方案。
因此，TfC团队开始使用计算机视觉来更便宜、可靠和准确地计算通勤者的数量。乌干达城市官员已经在许多感兴趣的交叉路口安装了闭路电视。因此，TfC团队可以将他们的努力投入到处理数据和训练一个可靠的模型来计算所有形式的流动性。
TfC很快意识到他们需要为他们的特定问题训练一个定制模型。尽管ImageNet（和其他模型）有识别汽车和卡车等车辆的类别，但街道上快速移动的独特微流动性形式需要在预训练解决方案中未捕获的标签细微差别。更重要的是：该模型可能需要在设备上运行推理并解析视频流，这要求在小型计算环境中快速推理。
TfC的数据科学家Beshoi Maher转向Roboflow来处理标记数据，这些数据独特于他的团队面临的挑战。Beshoi指出，能够访问Roboflow的“数据集健康检查”功能，使团队能够快速了解数据收集实践，以提前解决数据中出现的类别不平衡问题。此外，一键式专业增强功能使他的团队能够无缝地增加他们的数据集大小，特别是那些代表性不足的类别。当训练时间到来时，Beshoi能够轻松地将他的数据导出到任何架构所需的格式，这使得测试各种模型变得简单直接。
在准备自定义计算机视觉模型的数据时，Roboflow为团队节省了可能需要的另一名队友或单个模型的两倍时间。随着TfC继续为未来城市整合自动车辆检测，Roboflow将成为他们工具库中的关键工具，用于处理图像并更快地训练更准确的模型。