Come guadagnare 11.000 $ al mese con la Computer Vision tramite l'IA

Ecco la traduzione in italiano del testo fornito, seguendo tutte le linee guida specificate.

Una guida completa per principianti senza alcuna conoscenza di programmazione.

Mercato internazionale. Guadagni in dollari.

Come usare questa guida. Leggila in ordine.

Le parti 1–3 ti aiutano a capire di cosa si tratta e come affrontarlo.

Le parti 4–5 sono pratiche: eseguirai il tuo primo codice.

Le parti 6–8 trasformano la competenza in denaro.

Alla fine trovi una sezione FAQ e un glossario (se incontri una parola che non conosci, cercala lì).

Indice

1. Cos'è e perché la gente paga per averlo
2. I tuoi strumenti -> cosa sono e perché usarli (in parole semplici)
3. Come lavorare con l'AI -> la tua abilità principale al posto della programmazione
4. Eseguire il tuo primo codice in Google Colab -> passo dopo passo
5. Il kit di script pronti all'uso (con la spiegazione di cosa fa ciascuno)
6. Portfolio -> tre progetti che si vendono
7. Dove trovare clienti e quanto far pagare (con template in inglese)
8. Il tuo piano per i primi 90 giorni
9. Benchmark economici
10. Domande frequenti (FAQ)
11. Cosa NON fare
12. Glossario

Parte 1. Cos'è e perché la gente paga per averlo

La visione artificiale è una tecnologia che permette a un computer di "guardare" una foto o un video e capire cosa contiene: quali oggetti sono presenti, dove si trovano, dove si muovono, quanti sono. In pratica, fa la stessa cosa dell'occhio e del cervello umani -> solo che lo fa in automatico e su un numero qualsiasi di telecamere contemporaneamente.

I quattro video che hanno dato il via a tutto questo non sono tutorial giocattolo -> sono quattro reali compiti commerciali:

• Contare oggetti -> magazzini, inventario, controllo scorte.
• Tracciare e contare persone/veicoli -> negozi (quanti sono entrati), strade (quanti sono passati).
• Stima della velocità -> controllo del traffico, sicurezza stradale e nei cantieri.
• Analisi sportiva -> tracciamento giocatori, analisi delle partite (un settore enorme).

Le aziende pagano costantemente per cose come queste: vendita al dettaglio, sicurezza, traffico stradale, produzione (controllo difetti), agricoltura, sport, logistica.

Perché ora può farlo una persona senza laurea e senza saper programmare? Perché sono apparse due cose:

1. Strumenti già pronti che sanno già "vedere" (non c'è bisogno di inventarli -> li esegui e basta).
2. Assistenti AI che scrivono e correggono il codice per te.

Prima serviva un ingegnere con anni di esperienza. Ora il tuo compito è assemblare blocchi già pronti e spiegare all'AI cosa ti serve.

Discorso onesto su cosa funzionerà davvero:

• Questo percorso porta al meglio al freelance e ai progetti chiavi in mano -> costruisci per il cliente un sistema funzionante (ad esempio, il conteggio dei visitatori) e vieni pagato per il risultato. Questa è la strada principale (Percorso B qui sotto).
• È più difficile e più lento per ottenere un lavoro da ingegnere a tempo pieno in un'azienda: nei colloqui ti chiederanno comunque di scrivere codice dal vivo, e la sola AI non basta. La gente ci arriva dopo aver fatto esperienza su progetti (Percorso A).

In altre parole, i soldi arrivano più velocemente dai clienti per un lavoro finito, non come offerta da una grande azienda.

Parte 2. I tuoi strumenti -> cosa sono e perché usarli

Non lasciarti spaventare dai nomi. Ecco cosa sono tutte queste cose in parole semplici:

• YOLO -> l'"occhio". Un modello già pronto che trova oggetti in un'immagine e disegna un riquadro attorno con un'etichetta ("persona", "auto"). Si scarica con una singola riga di codice, utilizzabile immediatamente.
• ByteTrack -> la "memoria". Da solo, YOLO vede ogni fotogramma da capo. ByteTrack collega gli oggetti tra un fotogramma e l'altro e assegna loro dei numeri (ID), così capisce: questa persona al secondo 1 e al secondo 5 è la stessa. Senza questo non puoi contare o misurare il movimento.
• Supervision -> il "kit di costruzione". Una libreria di blocchi già pronti: disegna riquadri, aggiungi una linea di conteggio, definisci una zona, conta gli attraversamenti. Trasforma "il modello vede gli oggetti" in "il programma conta entrate e uscite".
• Roboflow -> la "piattaforma quasi senza codice". Nel browser: etichetti i tuoi dati con il mouse, alleni un modello in un paio di clic e ottieni un'API pronta. E nella sezione Roboflow Universe ci sono migliaia di modelli già addestrati -> spesso non devi addestrare nulla, prendi semplicemente uno già pronto.
• Google Colab -> il "computer nel tuo browser". Un ambiente gratuito dove il codice viene eseguito sui server di Google. Non hai bisogno di un PC potente e non installi nulla: apri la pagina, incolli il codice, premi il pulsante.
• Assistente AI (Claude, ChatGPT, Gemini) -> "il tuo programmatore". Scrive codice per il tuo compito, lo modifica e corregge gli errori. Per chi vuole creare un'applicazione vera, c'è Cursor -> un editor dove l'AI scrive quasi tutto il codice da sola.

Come funziona tutto insieme (il flusso di lavoro):

Video →

YOLO

trova gli oggetti →

ByteTrack

assegna loro dei numeri →

Supervision

conta per linea/zona → ottieni il risultato (video annotato + numeri). Tutto questo viene eseguito in

Colab

, e il codice è scritto e corretto da

AI

. Se hai bisogno di oggetti non standard, alleni un modello in

Roboflow

.

Parte 3. Come lavorare con l'AI -> la tua abilità principale

In questa configurazione, la tua vera abilità non è Python -> è la capacità di spiegare chiaramente il compito all'AI e mettere insieme i pezzi. È come lavorare con un assistente molto capace: più chiaro è il compito, migliore è il risultato.

La regola d'oro: qualsiasi errore che Colab restituisce, lo copi per intero e lo passi all'AI -> lei correggerà il codice per la versione corrente della libreria. Le versioni cambiano, il codice a volte si rompe -> è normale, è a questo che serve l'AI. Non startene lì a lottare con un errore da solo.

Template di prompt che coprono il 90% dei compiti:

Adattare uno script per te:

"Ecco uno script Python funzionante che usa la libreria supervision [incolla il codice]. Non sono un programmatore. Modificalo in modo che conti solo le persone, non tutti gli oggetti. Restituisci il codice completo e funzionante."

Correggere un errore:

"Ho eseguito questo codice in Google Colab [incolla il codice] e ho ricevuto questo errore: [incolla l'intero testo dell'errore]. Correggi il codice per la versione corrente della libreria e restituisci la versione corretta completa."

Capire cosa fa il codice:

"Spiega in parole semplici, senza gergo tecnico, cosa fa questo script e cosa vedrò come output."

Adattarlo a un video specifico:

"Aiutami a impostare le coordinate della linea di conteggio per un video largo 1280 e alto 720. La linea deve essere orizzontale e passare per il centro."

Costruire una nuova funzionalità:

"Basandoti su questo script, aggiungi il conteggio separato per tipo: quante auto e quanti camion sono passati. Restituisci il codice completo."

Scrivere testo (curriculum, README, proposta al cliente):

"Scrivi una breve descrizione in inglese di un progetto di conteggio visitatori per il mio GitHub: il problema, la soluzione, quali tecnologie, come eseguirlo."

Errori comuni dei principianti quando lavorano con l'AI:

• Dare all'AI un frammento invece dell'intero codice -> così lo corregge alla cieca. Dai lo script completo.
• Scrivere "non funziona" invece del testo dell'errore. Incolla sempre l'errore completo.
• Modificare il codice a caso a mano. Chiedi all'AI di fare la modifica e restituire la versione finita.

E, cosa più importante -> controlla sempre il risultato. L'AI può produrre con sicurezza un codice che viene eseguito ma conta la cosa sbagliata. Apri il video di output, controllalo visivamente per confermare che i riquadri siano sugli oggetti giusti e che i numeri siano plausibili. Questa è una tua responsabilità, non dell'AI.

Parte 4. Eseguire il tuo primo codice in Google Colab -> passo dopo passo

Questa è la parte "più spaventosa" per un principiante, ma in realtà sono 5 minuti. Imparalo una volta per tutte.

1. Apri colab.research.google.com (accedi con un account Google) → clicca su New notebook.
2. Vedrai una casella vuota -> questa è una cella. Qui va inserito il codice. A sinistra della cella c'è il pulsante ▶ (esegui).
3. Incolla lo Script 0 (installazione delle librerie) nella prima cella e premi ▶. Aspetta 20–60 secondi -> scorreranno righe di testo, è normale.
4. Ottieni un video di prova. Il modo più semplice è il campione integrato. Crea una nuova cella (pulsante "+ Code") ed esegui:

1from supervision.assets import download_assets, VideoAssets
2path = download_assets(VideoAssets.PEOPLE_WALKING)
3print("Video scaricato:", path)   # questo è il file people-walking.mp4

Oppure carica il tuo video:

1from google.colab import files
2uploaded = files.upload()   # scegli un file; ricordane il nome e inseriscilo nello script al posto di input.mp4

• Incolla lo script che ti serve (ad esempio, Script 3) in una nuova cella. Correggi il nome del file di input se necessario. Premi ▶.
• Scarica il risultato sul tuo computer:

1from google.colab import files
2files.download("output_count.mp4")

Se qualcosa va storto:

• "No such file" / file non trovato -> il nome del video nello script non corrisponde a quello reale. Controlla il nome del file.
• Lento e a scatti -> attiva la GPU gratuita: menu Runtime → Change runtime type → GPU.
• Qualsiasi errore rosso -> copialo per intero e passalo all'AI (la regola d'oro).

Parte 5. Il kit di script pronti all'uso

Non devi capire questi script riga per riga. Eseguilo, se c'è un errore, passalo all'AI. Ognuno è accompagnato da una spiegazione in parole semplici.

Script 0 -> installazione (esegui sempre questo per primo)

1!pip install ultralytics supervision -q

Cosa fa: installa l'"occhio" (YOLO) e il "kit di costruzione" (Supervision). Fatto una volta per sessione.

Script 1 -> trova ed etichetta oggetti in un video

Cosa fa: disegna riquadri con etichette attorno a tutti gli oggetti. Questo è il controllo di base che tutto funzioni.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")          # il modello "occhio", si scarica automaticamente
5box_annotator = sv.BoxAnnotator()
6label_annotator = sv.LabelAnnotator()
7
8def callback(frame, index):
9    results = model(frame)[0]
10    detections = sv.Detections.from_ultralytics(results)
11    labels = [f"{results.names[c]} {conf:.2f}"
12              for c, conf in zip(detections.class_id, detections.confidence)]
13    out = box_annotator.annotate(frame.copy(), detections=detections)
14    out = label_annotator.annotate(out, detections=detections, labels=labels)
15    return out
16
17sv.process_video(source_path="input.mp4", target_path="output_detect.mp4", callback=callback)
18print("Fatto: output_detect.mp4")

Script 2 -> tracciamento con numeri (ID)

Cosa fa: assegna a ogni oggetto un numero persistente e lo mantiene finché l'oggetto è nell'inquadratura. La base per il conteggio e il movimento.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6box_annotator = sv.BoxAnnotator()
7label_annotator = sv.LabelAnnotator()
8
9def callback(frame, index):
10    results = model(frame)[0]
11    detections = sv.Detections.from_ultralytics(results)
12    detections = tracker.update_with_detections(detections)
13    labels = [f"#{tid}" for tid in detections.tracker_id]
14    out = box_annotator.annotate(frame.copy(), detections=detections)
15    out = label_annotator.annotate(out, detections=detections, labels=labels)
16    return out
17
18sv.process_video(source_path="input.mp4", target_path="output_track.mp4", callback=callback)
19print("Fatto: output_track.mp4")

Script 3 -> conteggio degli attraversamenti di linea (il principale, commerciale)

Cosa fa: conta quanti oggetti hanno attraversato una linea immaginaria in ciascuna direzione. Questo è esattamente "quanti visitatori sono entrati" o "quante auto sono passate".

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6
7# Linea di conteggio: regola le coordinate (x, y in pixel) per il tuo video.
8line_zone = sv.LineZone(start=sv.Point(x=0, y=400), end=sv.Point(x=1280, y=400))
9
10box_annotator = sv.BoxAnnotator()
11label_annotator = sv.LabelAnnotator()
12line_annotator = sv.LineZoneAnnotator()
13
14def callback(frame, index):
15    results = model(frame)[0]
16    detections = sv.Detections.from_ultralytics(results)
17
18    # PER CONTARE SOLO LE PERSONE — rimuovi il # dalla riga qui sotto (0 = persona):
19    # detections = detections[detections.class_id == 0]
20
21    detections = tracker.update_with_detections(detections)
22    line_zone.trigger(detections)
23    labels = [f"#{tid}" for tid in detections.tracker_id]
24    out = box_annotator.annotate(frame.copy(), detections=detections)
25    out = label_annotator.annotate(out, detections=detections, labels=labels)
26    out = line_annotator.annotate(out, line_counter=line_zone)
27    return out
28
29sv.process_video(source_path="input.mp4", target_path="output_count.mp4", callback=callback)
30print(f"In: {line_zone.in_count} | Out: {line_zone.out_count}")

Salva il conteggio in un file (puoi consegnarlo al cliente)

Aggiungi questo alla fine, dopo che il video è stato elaborato:

1with open("counts.txt", "w") as f:
2    f.write(f"In: {line_zone.in_count}\n")
3    f.write(f"Out: {line_zone.out_count}\n")
4print("Numeri salvati in counts.txt")

Qualsiasi cosa più difficile -> passala all'AI (non scriverla da solo)

• Stima della velocità dei veicoli: "Basandoti su YOLO e la libreria supervision, scrivi uno script per Google Colab che stimi la velocità delle auto in un video di una dashcam/telecamera stradale. Spiega in parole semplici, in dettaglio, come impostare la prospettiva per la mia inquadratura. Non sono un programmatore, dammi il codice completo e pronto."
• Conteggio all'interno di un'area (invece che con una linea) -> ad esempio, quante persone ci sono in una zona d'attesa: "Rielabora lo script in modo che conti il numero di persone all'interno di una zona rettangolare nel video (usa PolygonZone di supervision). Dammi il codice completo e spiega come impostare le coordinate della zona."
• Oggetti personalizzati (prodotti, difetti, animali non presenti nel modello standard): etichetta un dataset in Roboflow tramite browser, addestralo lì, ottieni il tuo modello e chiedi all'AI di integrarlo nello Script 3.

Parte 6. Portfolio -> tre progetti che si vendono

Un portfolio conta più di una laurea: nel mercato internazionale guardano il risultato che hai mostrato, non i titoli di studio. Ti servono 3 brevi demo per nicchie reali.

Dove trovare video gratuiti per le demo (senza problemi di copyright):

• Il campione integrato di Supervision (vedi Parte 4) -> l'inizio più veloce.
• Pexels e Pixabay -> video stock gratuiti di persone, strade, auto, con licenza per l'uso.

I tre progetti:

1. Conteggio visitatori per un negozio. Script 3 con filtro solo persone, linea all'ingresso. Mostri: il video con riquadri e contatore + i numeri finali. A chi si vende: vendita al dettaglio, caffè, centri commerciali.
2. Conteggio e tracciamento auto. Script 3 su filmati stradali/di parcheggio. A chi si vende: gestori di parcheggi, servizi stradali, analisi del traffico.
3. Un oggetto personalizzato tramite Roboflow. Etichetti qualcosa di non standard (es. bottiglie su una linea, o difetti) e lo conti. Mostra che sai lavorare con i dati del cliente. A chi si vende: produzione, magazzini, agricoltura.

Come confezionare ogni progetto:

• Registra un video demo del risultato (10–30 secondi). Cattura lo schermo mentre riproduci il video di output -> qualsiasi registratore di schermo va bene, o carica una breve clip su YouTube come "non in elenco".
• Mettilo su GitHub (un sito gratuito per codice e progetti). Lascia che l'AI scriva i file e il testo descrittivo (README): "Scrivi un README in inglese per un progetto di conteggio visitatori su video. Dividilo in: il problema, cosa fa la soluzione, quali tecnologie (YOLO, ByteTrack, Supervision), come eseguirlo in Google Colab. Breve e chiaro."
• Opzionale -> una demo live. Puoi pubblicarla gratuitamente su Hugging Face Spaces (una piattaforma dove la tua demo viene eseguita online e può essere aperta tramite un link) o tramite l'API pronta di Roboflow. Questo aumenta notevolmente la fiducia del cliente. Come fare -> chiedi all'AI.

Parte 7. Dove trovare clienti e quanto far pagare

I clienti dagli Stati Uniti/Europa pagano in dollari. La piattaforma principale per iniziare è Upwork.

Passo 1. Il tuo profilo Upwork

Il titolo dovrebbe essere una specializzazione ristretta, non "sviluppatore AI in generale". Esempio (puoi usarlo così com'è):

Ingegnere di Visione Artificiale

->

Rilevamento Oggetti, Tracciamento e Conteggio Persone/Veicoli

Il testo "Overview" -> un esempio in inglese:

I build computer vision systems that detect, track, and count objects in video -> people counting for retail, vehicle counting for traffic and parking, and custom object detection for manufacturing and inventory.Stack: YOLO, ByteTrack, Supervision, Roboflow, Python. I deliver working solutions with annotated output video and exportable counts (CSV/report).See my demos below. Tell me your use case and I'll show you exactly what's possible.

Nel portfolio del profilo -> i tuoi tre demo con video e link a GitHub.

Passo 2. Le tue prime recensioni

Questo decide tutto all'inizio. Accetta i tuoi primi 3–5 lavori a una tariffa leggermente inferiore a quella di mercato (ad esempio, $30–45/ora invece di $60+) per ottenere rapidamente recensioni e una valutazione. Poi aumenta subito la tua tariffa -> rimanere su una tariffa bassa dopo buone recensioni significa lasciare soldi sul tavolo.

Passo 3. Rispondere a un lavoro (proposta)

Non scrivere un muro di testo. Struttura: "Capisco il compito → ho già costruito esattamente questo → come e per quanto lo farò." Esempio in inglese:

Hi! You need to count [people/vehicles] in your video footage -> I've built exactly this. Here's a 20-second demo of my counting system: [link].For your project I'll: detect and track the objects, set up a counting line/zone, and give you the annotated video plus the final counts in a report.I can deliver a first working version in [3–5] days. Happy to do a quick test on a short clip of your footage first, free of charge.

Un test gratuito su una breve clip del filmato del cliente elimina metà dei dubbi e spesso chiude l'affare.

Passo 4. Cosa chiedere al cliente in anticipo (per non sbagliare)

• Cosa stiamo contando/rilevando esattamente (persone, auto, un prodotto specifico)?
• Da dove arriva il video: un file già pronto, una telecamera, uno streaming online (RTSP)?
• Cosa serve come output: video annotato, numeri in una tabella, una dashboard live, avvisi?
• Quale livello di precisione è sufficiente e qual è la scadenza?
• Qual è il budget?

Passo 5. Prezzi e commissioni

• Orario: inizia a $30–45 (per le recensioni) → poi muoviti con sicurezza verso il mercato: junior $50–80, medio $80–120, senior $120–200+. La tariffa media per freelance ML è di circa $100/ora.
• Per progetto (prezzo fisso): un semplice sistema di conteggio chiavi in mano, un benchmark di partenza di $300–1500; sistemi seri partono da $5k e molto più in alto (sul mercato, i progetti raggiungono $250k+).
• Commissione Upwork -> variabile 0–15%, di solito circa il 10% (su una tariffa di $50, ne incassi circa $45). Includi questo nel tuo prezzo.

Passo 6. Dove crescere

• Toptal -> una piattaforma con una selezione del top 3%, tariffe più alte e clienti più solidi. Vai lì una volta che hai già un portfolio e recensioni.
• Fiverr -> puoi impostare un "servizio prodotto" (es., "Imposterò il conteggio persone sul tuo video per $X") e ottenere lavori in modo più passivo.

Parte 8. Il tuo piano per i primi 90 giorni

Periodo

Cosa fai

Risultato

Settimana 1

Hai capito Colab, eseguito Script 1–3 su un video di prova

Il codice funziona nelle tue mani

Settimane 2–3

Costruiti 3 demo di nicchia sui tuoi video, registrate le clip

Demo pronti

Settimana 4

GitHub + confezionamento in inglese (testo dall'AI)

Portfolio online

Settimana 5

Profilo Upwork, prime proposte

Prime proposte inviate

Settimane 6–10

Proposte attive (10–20/settimana), test gratuiti per i clienti

Primo lavoro e recensione

Settimane 11–13

Consegna il lavoro, raccogli recensioni, aumenta la tariffa

Primi soldi, aumento tariffa

Non scoraggiarti se il primo lavoro non arriva subito -> all'inizio è normale; il percorso richiede spesso 1–3 mesi di impegno attivo.

Parte 9. Benchmark economici (USD, 2026)

Canale

Junior

Medio

Senior

Freelance ($/ora)

$50–80

$80–120

$120–200+

Progetto chiavi in mano

da ~$10k

—

fino a $250k+

Lavoro a tempo pieno negli USA ($/anno)

~$102k

~$130–165k

$200k–266k+

Il mercato della visione artificiale è in crescita: circa $22 miliardi nel 2024 → una previsione di ~$111 miliardi entro il 2033. La domanda è dalla tua parte.

Parte 10. Domande frequenti (FAQ)

Ho bisogno di un computer potente? No. Google Colab ti dà accesso gratuito a server potenti con GPU nel cloud. Puoi lavorare anche da un laptop debole o da un tablet.

Devo pagare qualcosa? Fondamentalmente tutto è gratuito: Colab (livello gratuito), YOLO/Supervision (open source), Roboflow (piano gratuito), GitHub. Inizi a pagare solo quando i progetti crescono (Colab/cloud a pagamento).

È legale? Gli strumenti in sé -> sì, sono aperti e legali. Ma quando lavori con telecamere e persone reali, ci sono leggi sulla privacy e sui dati. Non pubblicare filmati altrui senza permesso e discuti con il cliente che ha il diritto di utilizzare quei dati.

E se il compito del cliente non è come gli script? È a questo che serve l'AI: suddividi il compito in parti e chiedi aiuto. Se il compito è veramente al di là di ciò che puoi fare, è meglio rifiutare onestamente piuttosto che saltare la scadenza.

Quanto velocemente arriveranno i primi soldi? Realisticamente -> da poche settimane a un paio di mesi con impegno attivo. Non è un "pulsante per soldi", è un'abilità che devi vendere.

Servono matematica e teoria? Per questo percorso assistito dall'AI -> no. Capire le basi aiuterà più tardi, quando vorrai affrontare progetti complessi o passare a un lavoro a tempo pieno.

Funzionerà in tempo reale / con una telecamera live? Colab gratuito è sufficiente per demo ed elaborazione di file. Per uno streaming online (RTSP) e il tempo reale servono più risorse -> l'AI ti dirà come impostarlo.

Parte 11. Cosa NON fare

• Non andare sul mercato senza essere in grado di "fornire un risultato". "Funzionava sulla mia macchina" non basta -> il cliente ha bisogno di un risultato chiaro (video + numeri + un breve rapporto).
• Non clonare tutorial puri uno a uno. Hai bisogno di demo sui tuoi video e per una nicchia specifica.
• Non rimanere bloccato su una tariffa bassa. Aumentala dopo le tue prime recensioni.
• Non fidarti ciecamente del codice dell'AI. Apri sempre il risultato e controlla visivamente che conti correttamente.
• Non disperderti su "AI in generale". Una specializzazione ristretta (conteggio/tracciamento/analisi video) si vende di più ed è più facile da capire.

Parte 12. Glossario

• Modello → un programma addestrato che riconosce qualcosa (es. YOLO riconosce oggetti).
• Dataset → un insieme di immagini/video da cui il modello apprende.
• Etichettatura / annotazione → quando delinei con il mouse gli oggetti necessari nelle immagini in modo che il modello capisca cosa cercare (fatto in Roboflow).
• Bounding box → il riquadro rettangolare attorno a un oggetto rilevato.
• Classe → il tipo di oggetto: "persona", "auto", "bottiglia".
• Confidenza → quanto il modello è sicuro di un rilevamento (da 0 a 1).
• Inferenza → il momento in cui il modello viene eseguito e riconosce qualcosa (al contrario dell'addestramento).
• Addestramento → il processo in cui il modello apprende da un dataset per il tuo compito.
• Tracciamento / ID → seguire un singolo oggetto attraverso i fotogrammi con un numero persistente.
• API → un modo per raggiungere il modello "tramite internet": invia un'immagine, ottieni un risultato, senza il tuo codice del modello.
• FPS → fotogrammi al secondo; più alto è, più "in tempo reale" è l'elaborazione video.
• RTSP → il formato di un flusso live da una telecamera di sorveglianza.
• GPU → un potente processore per schede grafiche; accelera i modelli (in Colab è gratuito nel cloud).

Tutti i dati sono benchmark di mercato per il 2026 e dipendono dal tuo livello, dalla tua nicchia e dal cliente/datore di lavoro specifico.

A tutti coloro che lo hanno letto e vogliono provarlo, auguro successo 🩷

Salvalo nei preferiti per non perderlo