01
系統說明
畫面內容
- 上方左側顯示「群眾來源 A」的視訊畫面
- 上方右側顯示「群眾來源 B」的視訊畫面
- 每一路皆顯示目前人數、累積 ID、峰值、短期／長期平均與狀態
- 下方折線圖即時比較兩個來源的人流變化趨勢
預設來源設定
- 群眾來源 A：
videos/protest_demo.mp4 - 群眾來源 B：本地 WebCam（設備編號 0）
- 適用場景：抗議現場、集會活動、群眾雙來源比較
- 系統可即時比對兩路來源的人流差異
02
今日作業目標
目前人數
即時偵測畫面中的人員數量
累積辨識 ID
追蹤並累計所有出現過的人員 ID
峰值人數
記錄歷史最高同時出現人數
短期與長期平均
計算並比較兩種時間窗口下的人流平均
趨勢判讀
自動判斷人流趨勢（上升 ／ 穩定 ／ 下降）
雙折線圖
同步顯示兩路來源的人流折線圖比較
03
執行方式（SOP）
1
切換至工作目錄
cd C:\AI_Traffic_System\20260401_1
2
安裝所有必要套件
pip install -r ..\requirements.txt
3
將群眾示範影片放入指定資料夾
20260401_1\videos\protest_demo.mp4
4
執行主程式
python app.py
5
結束程式
按下 q 或 Esc 鍵即可結束執行
04
報告格式需求
01
格式為 HTML（含自訂 CSS），並上傳至 neocities.org 以取得網址
02
雙視訊人流分析系統製作過程說明
03
資訊專案結構說明（含目錄與模組關係）
04
資訊系統環境圖（UML）至少兩張以上
05
程式邏輯與安裝套件等說明，含核心人流辨識技術介紹
06
使用 AI 工具（如 Gemini）的對話分享連結
07
Trouble Shooting：開發過程中遇到的問題與解決方式
08
學習心得（本頁即為本次心得呈現）
05
系統實作截圖
06
學習心得
學習心得
WEEKLY REFLECTION ／ W6
技術收穫
本週透過實作雙視訊人流計算系統，深刻體會到 YOLOv8 在物件偵測上的強大能力。 結合 EuclideanDistTracker 進行人員追蹤，讓我理解如何在幀與幀之間保持 ID 的一致性， 避免重複計算同一個人。此外，同時處理兩路影片輸入的架構設計， 讓我對多執行緒與非同步資料流有了更實際的認識。
實作挑戰
最大的挑戰在於 SSL 憑證錯誤導致 YOLOv8 模型下載失敗， 需要手動繞過或替換下載路徑。另外，WebCam 在某些環境下抓取幀失敗（Error: -1072873821）， 需要針對不同設備做例外處理。這些 Trouble Shooting 的過程讓我學到了更系統化的除錯思維。
AI 工具應用
這次大量使用 Gemini 輔助撰寫程式邏輯與 UML 圖，發現 AI 在解釋演算法概念和 快速生成程式框架上非常有效率。但最終的調參與除錯仍需要自己動手， AI 是很好的起點，卻無法完全取代實際操作的經驗累積。
未來展望
希望能將此系統延伸應用至更多場景，例如商場客流統計、 校園出入管制或是活動場地容量監控。同時也想嘗試將後端改為 Flask Web 介面， 讓數據可以透過瀏覽器即時查看，不侷限於本地視窗顯示。