AI-vision har lenge hørt ut som et stort prosjekt: mye kode, store datasett, egne GPU-er og et team som kan maskinlæring. I 2026 er terskelen lavere for mange konkrete oppgaver.
Har du et godt plassert kamera, jevnt lys og et tydelig spørsmål, kan en ferdigtrent modell ofte gi et raskt og nyttig første svar. Den kan for eksempel telle ting som passerer, varsle når noe mangler eller hjelpe med enkel kvalitetskontroll. Videoen over viser et enkelt eksempel: poteter som telles på et transportbånd med bokser og sporing. [3]
Kortversjonen: Du trenger ikke et stort datasett, et PyTorch-prosjekt eller mye datakraft for å finne ut om AI-vision kan gi deg bedre telledata. Start med én tydelig oppgave, gode bilder og en liten test.
Først: Hva er AI-vision?
AI-vision betyr at datamaskinen tolker bilde eller video. I stedet for å bare lagre et kameraopptak, kan systemet for eksempel svare på enkle spørsmål:
- Hvor mange fisk, pakker eller varer passerer?
- Er en pall, pose eller kasse komplett?
- Er det kø, ventetid eller en flaskehals i et område?
- Ser produktet eller sikkerhetsutstyret annerledes ut enn det skal?
YOLO26 fra Ultralytics er en modellfamilie for akkurat slike oppgaver: oppdage ting, telle dem, spore dem og markere områder i bilde eller video. [1]
Hvorfor dette er mer tilgjengelig nå
Mye av det vanskelige er allerede gjort på forhånd. Moderne modeller er trent til å gjenkjenne vanlige objekter og kan kjøres med ferdige verktøy for telling og sporing. Ultralytics har for eksempel en ferdig ObjectCounter-løsning som kan telle når et objekt passerer en valgt linje eller sone. [2]
Det betyr ikke at alt virker perfekt uten arbeid. Men du trenger ikke begynne med å samle tusenvis av egne bilder og trene en modell fra bunnen. For mange første tester er den riktige rekkefølgen:
- Velg én konkret ting som skal telles eller oppdages.
- Sett opp kameraet slik at bildet er stabilt og tydelig.
- Sørg for jevnt lys og minst mulig gjenskinn, støv og skygger.
- Test med en ferdigtrent modell og sammenlign mot det et menneske teller.
- Se om resultatet faktisk sparer tid eller gjør kvaliteten bedre.
Det er en langt mer fornuftig start enn å kjøpe mye maskinvare eller sette i gang et stort data- og treningsprosjekt.
Godt kamera og godt lys er viktigere enn du tror
I mange prosjekter er ikke modellen den største utfordringen. Bildet er det.
Et kamera som står for høyt, peker rett mot lav sol eller fanger mange objekter oppå hverandre, gir et vanskelig utgangspunkt. Et kamera med fast vinkel, jevnt lys og en enkel bakgrunn gir modellen langt bedre forutsetninger. Dersom du kan lage en naturlig tellelinje eller sone — for eksempel der varer passerer på et bånd — blir oppgaven enklere igjen.
En god første pilot handler ofte mer om kameravinkel, lys og en tydelig definisjon av «hva teller vi?» enn om å finne den mest avanserte AI-modellen.
Nye muligheter for oppdrett, produksjon og kvalitet
Det er her dette begynner å bli interessant for bedrifter på Sunnmøre. Du trenger ikke bygge en robotfabrikk. Du kan bruke kameraet til å gi bedre oversikt i en liten, avgrenset del av driften.
| Område | Et enkelt første spørsmål | Hva dataen kan brukes til |
|---|---|---|
| Oppdrett | Hvor mange fisk passerer en kontrollsone, eller er det uvanlig mye aktivitet? | Bedre oversikt, grunnlag for oppfølging og avviksvarsling. |
| Produksjon | Hvor mange varer, deler eller pakker passerer på båndet? | Mer pålitelig telling, identifisering av flaskehalser og bedre kapasitetsdata. |
| Kvalitetssikring | Mangler det en etikett, komponent eller synlig del? | Tidlig varsling før feilen når kunde eller neste produksjonssteg. |
| Lager og logistikk | Er en pall komplett, eller står det varer i feil sone? | Mindre manuelt kontrollarbeid og bedre sporbarhet. |
Resultatene ser lovende ut fordi oppgaven er synlig og målbar. Du kan telle selv i en periode og sammenligne med systemet. Da ser du raskt om løsningen er nyttig, hvor den tar feil og hva som må forbedres.
Trenger du noen gang egne data og trening?
Noen ganger, ja. En ferdigtrent modell kjenner ikke nødvendigvis igjen en helt spesiell fisketype, egen emballasje eller en sjelden feil i en komponent. Da kan det være aktuelt å merke noen bilder og tilpasse modellen.
Men det er steg to — ikke steg én. Start med å bevise at kamera, lys, arbeidsflyt og måling gir mening. Først når du ser at oppgaven har verdi, bør du vurdere mer skreddersøm.
Hva med PyTorch og TensorFlow?
Du trenger ikke kunne PyTorch eller TensorFlow for å gjennomføre en første pilot. De er tekniske rammeverk som utviklere bruker til å bygge og trene maskinlæring. Ultralytics gjør mye av det praktiske enklere for visjonsoppgaver som telling og sporing, mens YOLO26 er selve modellen som ser i bildet. [1] [2]
Tenk på det slik: Du trenger ikke kunne bygge en bilmotor for å finne ut om bilen kan kjøre strekningen du trenger.
Hvis en pilot lykkes, kan teknisk fordypning, egen trening, lokal drift og integrasjon mot andre systemer komme senere.
En trygg første pilot
Velg ett kamera, én oppgave og en kort periode. Start med å måle eller varsle, ikke med å la systemet ta viktige avgjørelser på egen hånd.
Kombiner det med prosesskartlegging, slik at dere vet hvem som skal bruke dataen og hvilken handling som skal følge av et avvik. Dersom telledataen er nyttig, kan den senere sendes inn i dashboard, rapporter eller en større arbeidsflyt via MCP og Connectors.
Vil dere finne ut om kamera og AI-vision kan løse et konkret problem i oppdrett, produksjon eller kvalitetssikring? Vi kan hjelpe med en avgrenset pilot før dere forplikter dere til en større investering.
Kilder
[1] Ultralytics — YOLO26 Documentation
[2] Ultralytics — Object Counting using YOLO26
[3] Ilir Aliu på X — ObjectCounter-demonstrasjon med poteter
