Ho veim. Ho comptam.
Visió artificial que converteix les càmeres que ja tens en comptadors automàtics. El model s’entrena amb les teves imatges i el processament passa al mateix lloc: en surt el número, no el vídeo.
Escena de demostració. El nombre d’objectes detectats es calcula en temps real a partir dels objectes visibles dins l’enquadrament.
Prova-ho amb una imatge teva.
Arrossega una foto: el teu pàrquing, la teva teulada, el teu carrer. El detector es descarrega i s’executa dins el teu navegador, no al nostre servidor.
model genèric · COCO · Apache-2.0 Aquesta demostració fa servir un model genèric de llicència oberta, no un d’entrenat per a la teva escena. Detecta cotxes, persones o embarcacions; no detecta teules ni contenidors desbordats. Aquesta diferència és exactament el que venem.
- Objectes detectats
- —
- Temps d’inferència
- —
La teva imatge no ha sortit del teu navegador.
Així funciona també el nostre producte: el processament passa allà on hi ha la càmera. El que viatja és el número.
Vols aquesta precisió damunt la teva escena real? Entrenam amb les teves imatges. →
Un motor, quatre aparadors.
Cada vertical és una configuració distinta de la mateixa plataforma: mateixa captura, mateixa inferència al node, mateix panell. Canvia la classe que es compta i el color amb què es dibuixa.
Pàrquing
Quants cotxes hi ha ara i quants n’hi ha hagut cada hora del darrer mes.
La teva càmera de seguretat ja està gravant el pàrquing. Només falta que qualcú llegeixi el que veu, i aquest qualcú no ha de ser per força una persona.
Veure ocupació d’aparcaments → Comptam TeulesTeulades
El nombre exacte de teules d’una teulada, amb un vol de vint minuts.
Sense bastida, sense pujar ningú a la teulada i sense marge d’error al pressupost de material.
Veure inventari de teulades amb dron → Comptam FondeigFondejadors
Quantes embarcacions, on exactament i quant de temps s’hi queden.
La mar és un pla perfecte: quatre punts de referència basten per convertir píxels en coordenades reals.
Veure comptatge d’embarcacions fondejades → Guaitam ResidusResidus
Avís quan apareix un voluminós o el contenidor desborda. En minuts.
No la setmana següent, quan es queixa un veïnat: als vint minuts, amb foto i punt exacte.
Veure detecció d’abocaments a contenidors →El bucle que fa que cada trimestre encerti més.
No és un model que s’instal·la i s’oblida. És un cicle de sis passes que es repeteix mentre duri la subscripció, i cada volta millora damunt la teva escena concreta.
- 01
Capturar
Frames reals de la teva escena, amb la càmera definitiva i repartits en dies: sol, ennuvolat, nit, pluja, ple i buit. Varietat abans que volum.
- 02
Curar
Tot frame amb deteccions dins la franja de confiança dubtosa es guarda per revisar, juntament amb els falsos positius que ens reportes. És combustible de franc.
- 03
Anotar
El model actual preanota i una persona corregeix. Anotar així costa entre un 60 i un 80 % menys que començar de zero cada vegada.
- 04
Entrenar
Ajust fi amb GPU al núvol. Un model a mida surt per uns pocs euros de còmput i menys d’una hora.
- 05
Validar
Contra un conjunt de test congelat que mai entra a l’entrenament. Cap model es desplega sense superar l’anterior damunt aquest mateix conjunt.
- 06
Desplegar
El model nou baixa al node. I tornam a començar: l’escena segueix canviant, i el model amb ella.
Per això la subscripció no és un lloguer disfressat: pagues per un model que cada trimestre encerta més, no per un servidor encès.
El vídeo es queda allà on hi ha la càmera.
Processam dins el mateix dispositiu i enviam només el número. Menys dades a protegir, menys amplada de banda, menys tràmits.
Frame → inferència → descart. El node no emmagatzema vídeo.
| Principi RGPD | Com ho compleix el producte |
|---|---|
| Minimització (art. 5) | Del dispositiu només en surt un número o un estat. La imatge no viatja. |
| Privacitat des del disseny (art. 25) | La dada personal no arriba a existir fora del node. |
| Limitació de conservació | Els frames es processen i es descarten; no hi ha gravació contínua. |
| Proporcionalitat | La càmera no identifica persones: compta objectes. |
Un model genèric ha vist milions de cotxes. Cap era el teu.
Entrenam amb imatges de la teva escena: el teu angle, la teva òptica, les teves ombres a les sis del capvespre. Per això encerta on els altres fallen.
Ha vist milions de fotos d’internet. Cap des del teu pal, amb la teva òptica i la teva compressió de vídeo.
Ha vist la teva escena amb sol, amb pluja, plena i buida. Dues-centes imatges del lloc real superen nou milions d’imatges genèriques.
-
La bretxa de domini
Un model públic ha vist cotxes, però no ha vist el teu pàrquing des del teu pal amb l’ombra de la teva palmera a les 18:40 de juliol. Aquesta distància és on es perden les deteccions.
-
Varietat abans que volum
De 150 a 300 imatges ben repartides entre sol, ennuvolat, nit, pluja, ple i buit baten 2.000 fetes totes a la mateixa hora.
-
La teva taxonomia, no la d’un dataset públic
Definim la classe que necessites comptar, no la que du el catàleg. El teu «cotxe» pot incloure la furgoneta que els datasets públics anomenen camió.
-
Validació innegociable
De 50 a 80 imatges per client es congelen i mai entren a l’entrenament. Cap model es desplega sense comparar-lo contra elles.
El número aterra allà on ja mires.
Grafana, MQTT, la teva API, o un missatge de Telegram a la brigada. No et demanam que obris una pestanya més.
Això és el que surt del node
{
"site": "hotel-x-parking",
"ts": "2026-08-03T18:40:12Z",
"class": "car",
"count": 37,
"capacity": 48,
"state": "normal",
"conf_mean": 0.91,
"model": "hotel-x-parking@v2.1"
}Un comptatge cap en dos bytes. Per això un node pot publicar per LoRaWAN des d’un pal sense cobertura ni SIM.
Començam per una càmera.
Sis setmanes, un punt, un número real dins un panell real. Si funciona, ampliam.
- Panell d’ocupació i històric
- Alertes per Telegram o correu
- Manteniment del node
- 1 reentrenament a l’any
- Tot el del Bàsic
- API REST i integracions
- 2 reentrenaments a l’any
- SLA en horari laborable
- Multipunt
- Informes trimestrals
- Suport a plec
- Suport al delegat de protecció de dades
Posada en marxa
| Estudi de viabilitat | 600 – 1.200 € | Visita, anàlisi de l’escena, informe amb precisió esperable. Descomptable del projecte. |
| Prova pilot · una càmera, 6 setmanes | 1.500 – 2.500 € | Dataset inicial, model a mida, node instal·lat i panell. |
| Model a mida addicional | 1.500 – 3.500 € | Segons nombre de classes i dificultat. |
| Node edge instal·lat | 900 – 1.800 € / punt | Maquinari, configuració, calibratge i posada en marxa. |
| Campanya de dron · teulades | 450 – 900 € / edifici | Vol, processat i informe. |
Com feim feina
- El pilot mai és de franc. Un pilot gratuït no té interlocutor compromès. Es descompta del desplegament si es converteix.
- La subscripció es justifica pel reentrenament, no per l’allotjament. Venem precisió creixent, no un servidor encès.
- El maquinari es factura a part i amb marge honest. Res de regalar-lo dins la quota.
Preus orientatius. La xifra final es tanca a l’estudi de viabilitat, després de veure l’escena.
Començam per una càmera.
Quatre respostes i et deim si la teva escena és viable. Sense telefonada comercial pel mig.