CUT AI es un sistema de deteccion y analisis basado en YOLO que monitorea peatones, vehiculos y patrones de movilidad en el Centro Universitario de Tonala en tiempo real.
Un conjunto de herramientas que transforman las camaras de seguridad en sensores inteligentes de movilidad urbana.
Identificacion en tiempo real de personas, automoviles, camiones, autobuses, motocicletas y bicicletas con modelos YOLOv8 optimizados.
Editor visual de poligonos que define areas de interes sobre los videos. Cada zona cuenta objetos de forma independiente con persistencia temporal.
Gestion centralizada de multiples fuentes de video. Cada camara opera como un microservicio Docker independiente con su propio detector YOLO.
Centro de inteligencia con KPIs en tiempo real, heatmaps semanales, tendencias horarias, comparativas entre camaras y exportacion a CSV.
Censura automatica de rostros mediante desenfoque gaussiano configurable, permitiendo analisis de movilidad sin comprometer la identidad de las personas.
Generacion de reportes con datos historicos e integracion con Grafana para paneles avanzados de series temporales y metricas de rendimiento.
El pipeline de procesamiento que convierte imagenes de vigilancia en metricas de movilidad campus.
Videos almacenados o camaras en vivo (Raspberry Pi, RTSP, webcam) alimentan los servicios de deteccion.
Cada microservicio de camara ejecuta inferencia YOLO a 5 FPS, clasificando y rastreando objetos dentro de las zonas definidas.
Las detecciones se registran en MariaDB con cooldown configurable, evitando duplicados y permitiendo analisis historico.
Los dashboards presentan KPIs, graficas, heatmaps y el stream MJPEG con overlays de deteccion en tiempo real.
Componentes y frameworks que hacen posible la deteccion inteligente en produccion.
Deteccion de objetos
Backend y APIs REST
Base de datos relacional
Microservicios aislados
Paneles de monitoreo
Procesamiento de video
Computo perimetral
Graficas interactivas
Las mejoras planificadas para escalar la plataforma de deteccion inteligente en el campus.
Inferencia acelerada por hardware en Raspberry Pi con el coprocesador HAILO-8L, reduciendo la dependencia del servidor central.
Notificaciones automaticas por intrusion en zonas restringidas, aforo excedido y anomalias en patrones de movilidad.
Seguimiento de objetos entre diferentes camaras con re-identificacion, permitiendo analisis de trayectorias completas en el campus.
Entrenamiento de modelos custom para detectar tipos especificos de vehiculos universitarios, placas y comportamientos.
Panel de monitoreo responsive con notificaciones push para supervision desde cualquier dispositivo dentro del campus.
Despliegue en Kubernetes con auto-escalado, respaldo automatico y alta disponibilidad para operacion 24/7.
Consulta los dashboards, visualiza camaras en vivo y analiza los datos de movilidad del campus.