English
Deutsch
Deutsch
  • SWARM Dokumentation
  • Was ist neu?
    • Version 2023.3
      • Update 1
  • Kurz und bündig
    • Übersicht: Swarm Perception Platform
  • Quick start guide
    • P101, P401 und OP101
      • P101 - Perception Box
      • P401 - Perception Box
      • OP101AC - Outdoor Perception Box
      • OP101DC - Outdoor Perception Box
    • Virtual Perception Box
      • Systemanforderungen
      • VPX Agent auf NVIDIA Jetson (Jetpack 4.6) installieren
      • VPX Agent auf NVIDIA Jetson Orin (Jetpack 5.1.x) installieren
      • VPX Agent auf X86/NVIDIA Server installieren
      • IotEdge von 1.1 auf 1.4 upgraden
  • Lösungsbereiche
    • Traffic Insights
      • Setup: Verkehrszählung
      • Setup: Verkehrszählung mit Geschwindigkeitsschätzung
      • Setup: Analysen von Kreuzungen
    • Parking Insights
      • Setup: Schrankenloses Parken
      • Setup: Schrankenloses Parken mit ANPR
        • ANPR: Anleitung und Hilfestellungen
      • Setup: Einzel- und Mehrplatzerfassung
        • Standardbeispiele
    • Advanced Traffic Insights
      • Setup: Adaptive Traffic Control
      • Setup: Journey Time & Traffic Flow
        • Installationsanleitung
        • Technisches Konzept
      • Setup: Verkehrsstaus
    • People Insights
  • Swarm Control Center
    • Geräte
      • Kamera- und Gerätemonitoring
      • Kamerakonfiguration
        • Szenariokonfiguration
          • Modelle
          • Kalibrierung
          • Kameraeinstellungen
        • Rule-Engine
          • Anwendungsbeispiele für die Rule-Engine
      • Device Health
    • Data Analytics
      • Erstellung und Organisation von Dashboards
      • Dashboard-Übersicht und Widgets
        • Verkehrsszenarien
        • Parkplatzszenarien
        • Generisches Szenario
    • Datenintegration
      • Data Analytics API (REST API)
      • Rohdaten via Custom-MQTT-Server
      • Swarm Control Center API
    • Administration
      • Monitoring Alerts
      • Lizenzmanagement
      • Benutzermanagement
  • Test & Performance
    • Benchmarks
      • Wie messen wir die Performance?
    • Whitepaper für Anwendungsfälle
      • Verkehrszählung
      • Schrankenloses Parken und ANRP
  • Useful knowledge
    • 🚒Tipps zur Fehlerbehebung
    • Netzwerkanforderungen
    • SCC: Browserkompatibilität
    • Unsere Objektklassen
    • Ortskennzahl für Nummernschilder
  • Guidelines
    • Wie kann ich auf den Debug-Mode zugreifen?
    • Wie kann ich Azure ioTHub als Custom-Broker verwenden?
  • Getting Support
    • Kontaktieren Sie uns
    • FAQs
Powered by GitBook
On this page
  • Beispiel: Crossing Line und Virtual Door
  • Origin-Destination-Beispiel
  • ANPR-Beispiel
  • Für die Messung verwendete Geräte

Was this helpful?

Export as PDF
  1. Test & Performance
  2. Benchmarks

Wie messen wir die Performance?

Überblick über die Art und Weise, wie wir die Performance unserer Modelle messen.

PreviousBenchmarksNextWhitepaper für Anwendungsfälle

Last updated 1 year ago

Was this helpful?

Wir berechnen die Genauigkeit, indem wir die von unserer Verkehrszählungslösung ermittelten Zählungen mit einer manuell ermittelten Ground Truth (GT) vergleichen. Die Bereitstellung korrekter und realistischer Genauigkeitsmaße ist äußerst wichtig, weshalb wir uns größte Mühe geben, unsere GT-Daten zu erhalten.

Zudem stellen wir sicher, dass Szenen aus Leistungsmessungen niemals in unseren Schulungsdatensatz gelangen, um Übertraining und unrealistische Leistungsmessungen zu vermeiden, die in realen Anwendungsfällen nicht erreicht werden können.

Beispiel: Crossing Line und Virtual Door

Das folgende Beispiel beschreibt die Genauigkeit für Crossing Lines.

Beispiel

Nehmen wir die folgenden Ergebnisse an:

  • Szene 1 mit zwei Fehlern (1x verpasst, 1x zu viel gezählt)

  • Szene 2 mit einem Fehler (1x verpasst)

Insgesamt liegen also drei Fehler vor sowie 16 Ground-Truth-Zählungen (5+3+3+5). Dies ergibt eine Genauigkeit von 16-3/16 = 81.25%.

Origin-Destination-Beispiel

Nachfolgend eine Berechnung für die Zählgenauigkeit für eine Origin-Destination-Analyse.

  • Szene 1 hat zwei Fehler (1x verpasst, 1x zu viel gezählt)

  • Szene 2 hat einen Fehler (1x verpasst)

Insgesamt liegen also drei Fehler vor und 11 GT-Zählungen (5+3+3). Dies ergibt eine Genauigkeit von 11-3/11 = 72.72%.

ANPR-Beispiel

Für die automatische Nummernschilderkennung (ANPR) ist die Logik für die Genauigkeit dieselbe wie für das Überqueren von Counting Lines, allerdings mit zwei zusätzlichen Einschränkungen:

  • Die Fahrzeugklasse wird nicht berücksichtigt

  • Das im Event gesendete Kennzeichen wird verglichen und muss vollständig mit der GT übereinstimmen

Kennzeichen
GT
Modell
Ergebnis

85BZHP

85BZHP

YES

BNW525

BNW555

NO

DY741WJ

DY741WJ

YES

GU278MB

GU278MB

YES

FW749XA

FW749XA

YES

ERZM551

ERZM55

NO

Für dieses Beispiel erhalten wir eine Genauigkeit von 4/6*100% = 66%.

Für die Messung verwendete Geräte

Für unsere Performance-Messungen verwenden wir verschiedene Arten von Hardware, um eine stabile Version unserer Software zu gewährleisten. Erhalten wir unterschiedliche Ergebnisse in unserem Performance Lab, kommunizieren wir immer den geringsten Wert.

Zur besseren Erklärung: Untenstehend sehen Sie vier verschiedene Geräte sowie ein Beispiel für erzielte Ergebnisse. In diesem Fall würden wir demnach eine Genauigkeit von 90% veröffentlichen.

Gerät
Genauigkeit

P101

91%

Nvidia Jetson AGX

91%

Nvidia Jetson NX

91%

Nvidia GTX 1080

90%

Matrix zur Genauigkeitsmessung für CL und VD.
Matrix zur Genauigkeitsmessung für Origin-Destination.