วิธีสร้างรายได้ 11,000 ดอลลาร์ต่อเดือนด้วย Computer Vision โดยใช้ AI

คู่มือฉบับสมบูรณ์สำหรับผู้เริ่มต้นที่ไม่มีความรู้ด้านการเขียนโปรแกรม

ตลาดต่างประเทศ รายได้เป็นดอลลาร์

วิธีใช้คู่มือนี้ อ่านตามลำดับ

ส่วนที่ 1–3 ช่วยให้คุณเข้าใจว่าเกิดอะไรขึ้นและควรคิดอย่างไรกับมัน

ส่วนที่ 4–5 เป็นภาคปฏิบัติ: คุณจะรันโค้ดชิ้นแรกของคุณ

ส่วนที่ 6–8 เปลี่ยนทักษะนี้ให้เป็นเงิน

ในตอนท้ายมีคำถามที่พบบ่อยและอภิธานศัพท์ (ถ้าเจอคำที่ไม่รู้ ให้ไปดูที่นั่น)

สารบัญ

1. สิ่งนี้คืออะไรและทำไมคนถึงยอมจ่ายเงิน
2. เครื่องมือของคุณ -> คืออะไรและทำไม (ในภาษาที่เข้าใจง่าย)
3. วิธีทำงานกับ AI -> ทักษะหลักของคุณแทนการเขียนโปรแกรม
4. การรันโค้ดชิ้นแรกใน Google Colab -> ทีละขั้นตอน
5. ชุดสคริปต์พร้อมใช้งาน (พร้อมคำอธิบายว่าแต่ละอันทำอะไร)
6. ผลงาน -> สามโปรเจกต์ที่ขายได้
7. หาลูกค้าที่ไหนและคิดราคาเท่าไหร่ (พร้อมเทมเพลตภาษาอังกฤษ)
8. แผน 90 วันแรกของคุณ
9. เกณฑ์มาตรฐานรายได้
10. คำถามที่พบบ่อย (FAQ)
11. สิ่งที่ไม่ควรทำ
12. อภิธานศัพท์

ส่วนที่ 1 สิ่งนี้คืออะไรและทำไมคนถึงยอมจ่ายเงิน

Computer Vision คือเทคโนโลยีที่ทำให้คอมพิวเตอร์สามารถ "มอง" ภาพถ่ายหรือวิดีโอและเข้าใจสิ่งที่อยู่ในนั้น: มีวัตถุอะไรบ้าง อยู่ที่ไหน กำลังเคลื่อนที่ไปทางไหน มีจำนวนเท่าไหร่ โดยพื้นฐานแล้วมันคือสิ่งเดียวกับที่ตามนุษย์และสมองทำ -> แต่ทำโดยอัตโนมัติและพร้อมกันจากกล้องหลายตัว

วิดีโอสี่รายการที่เป็นจุดเริ่มต้นของทั้งหมดนี้ไม่ใช่บทเรียนของเล่น -> แต่เป็น งานเชิงพาณิชย์จริงสี่งาน:

• การนับวัตถุ -> คลังสินค้า, สินค้าคงคลัง, การควบคุมสต็อก
• การติดตามและนับจำนวนคน/ยานพาหนะ -> ร้านค้า (มีคนเข้ากี่คน), ถนน (มีรถผ่านไปกี่คัน)
• การประมาณความเร็ว -> การบังคับใช้กฎหมายจราจร, ความปลอดภัยบนถนนและในไซต์งาน
• การวิเคราะห์กีฬา -> ติดตามผู้เล่น, วิเคราะห์แมตช์ (อุตสาหกรรมขนาดใหญ่)

ธุรกิจต่างๆ จ่ายเงินเพื่อสิ่งเหล่านี้อยู่เสมอ: ค้าปลีก, รักษาความปลอดภัย, การจราจรทางถนน, การผลิต (การควบคุมข้อบกพร่อง), เกษตรกรรม, กีฬา, โลจิสติกส์

ทำไมคนที่ไม่มีปริญญาและไม่มีความรู้ด้านการเขียนโปรแกรมถึงทำสิ่งนี้ได้ในตอนนี้? เพราะมีสองสิ่งที่เกิดขึ้น:

1. เครื่องมือสำเร็จรูป ที่รู้วิธี "มอง" อยู่แล้ว (ไม่จำเป็นต้องคิดค้นขึ้นมาใหม่ -> แค่รันมัน)
2. ผู้ช่วย AI ที่เขียนและแก้ไขโค้ดให้คุณ

เมื่อก่อนสิ่งนี้ต้องใช้วิศวกรที่มีประสบการณ์หลายปี ตอนนี้งานของคุณคือ การประกอบบล็อกสำเร็จรูปและอธิบายให้ AI รู้ว่าคุณต้องการอะไร

พูดตามตรงเกี่ยวกับสิ่งที่ได้ผลจริง:

• เส้นทางนี้ ดีที่สุด สำหรับ งานฟรีแลนซ์และโปรเจกต์แบบครบวงจร -> คุณสร้างระบบที่ใช้งานได้ให้ลูกค้า (เช่น การนับจำนวนผู้เข้าชม) และได้รับเงินตามผลลัพธ์ นี่คือเส้นทางหลัก (เส้นทาง B ด้านล่าง)
• มัน ยากกว่าและช้ากว่า สำหรับงานวิศวกรรมประจำในบริษัท: ในการสัมภาษณ์พวกเขาจะยังคงขอให้คุณเขียนโค้ดสด และ AI เพียงอย่างเดียวไม่เพียงพอ ผู้คนจะไปที่นั่นเมื่อมีประสบการณ์โปรเจกต์แล้ว (เส้นทาง A)

พูดอีกอย่างคือ เงินมาเร็วที่สุด จากลูกค้าที่จ่ายค่างานที่เสร็จสมบูรณ์ ไม่ใช่จากข้อเสนอของบริษัทใหญ่

ส่วนที่ 2 เครื่องมือของคุณ -> คืออะไรและทำไม

อย่ากลัวชื่อเหล่านี้ นี่คือคำอธิบายทั้งหมดในภาษาที่เข้าใจง่าย:

• YOLO -> "ดวงตา" โมเดลสำเร็จรูปที่ค้นหาวัตถุในภาพและวาดกรอบรอบๆ พร้อมป้ายกำกับ ("คน", "รถ") ดาวน์โหลดด้วยคำสั่งเดียว ใช้งานได้ทันที
• ByteTrack -> "ความทรงจำ" โดยตัวมันเอง YOLO จะมองเห็นทุกเฟรมเหมือนเป็นครั้งแรก ByteTrack จะเชื่อมโยงวัตถุระหว่างเฟรมและกำหนดหมายเลข (ID) ให้พวกมัน ดังนั้นมันจึงเข้าใจว่า: คนคนนี้ในวินาทีที่ 1 และวินาทีที่ 5 คือคนเดียวกัน หากไม่มีสิ่งนี้ คุณจะไม่สามารถนับหรือวัดการเคลื่อนไหวได้
• Supervision -> "ชุดเครื่องมือก่อสร้าง" ไลบรารีของบล็อกสำเร็จรูป: วาดกรอบ, เพิ่มเส้นนับ, กำหนดโซน, นับการข้ามผ่าน มันเปลี่ยนจาก "โมเดลมองเห็นวัตถุ" เป็น "โปรแกรมนับจำนวนเข้าและออก"
• Roboflow -> "แพลตฟอร์มแบบไม่ต้องเขียนโค้ดเกือบทั้งหมด" ในเบราว์เซอร์: คุณติดป้ายกำกับข้อมูลด้วยเมาส์, เทรนโมเดลด้วยการคลิกไม่กี่ครั้ง, และได้รับ API ที่พร้อมใช้งาน และในส่วน Roboflow Universe มีโมเดลที่เทรนไว้แล้วหลายพันโมเดล -> บ่อยครั้งที่คุณไม่ต้องเทรนอะไรเลย แค่หยิบโมเดลที่พร้อมใช้มา
• Google Colab -> "คอมพิวเตอร์ในเบราว์เซอร์ของคุณ" สภาพแวดล้อมฟรีที่โค้ดทำงานบนเซิร์ฟเวอร์ของ Google คุณไม่จำเป็นต้องมีพีซีที่ทรงพลังและไม่ต้องติดตั้งอะไร: เปิดหน้าเพจ, วางโค้ด, กดปุ่ม
• ผู้ช่วย AI (Claude, ChatGPT, Gemini) -> "โปรแกรมเมอร์ของคุณ" เขียนโค้ดสำหรับงานของคุณ, เปลี่ยนแปลงมัน, และแก้ไขข้อผิดพลาด สำหรับผู้ที่ต้องการสร้างแอปจริง มี Cursor -> โปรแกรมแก้ไขที่ AI เขียนโค้ดเกือบทั้งหมดเอง

มันทำงานร่วมกันอย่างไร (ไปป์ไลน์):

วิดีโอ →

YOLO

ค้นหาวัตถุ →

ByteTrack

กำหนดหมายเลขให้วัตถุ →

Supervision

นับตามเส้น/โซน → คุณจะได้ผลลัพธ์ (วิดีโอที่มีคำอธิบายประกอบ + ตัวเลข) ทั้งหมดนี้ทำงานใน

Colab

และโค้ดถูกเขียนและแก้ไขโดย

AI

หากคุณต้องการวัตถุที่ไม่ได้มาตรฐาน คุณเทรนโมเดลใน

Roboflow

.

ส่วนที่ 3 วิธีทำงานกับ AI -> ทักษะหลักของคุณ

ในการตั้งค่านี้ ทักษะที่แท้จริงของคุณไม่ใช่ Python -> มันคือ ความสามารถในการอธิบายงานให้ AI เข้าใจอย่างชัดเจนและประกอบชิ้นส่วนต่างๆ เข้าด้วยกัน มันเหมือนกับการทำงานกับผู้ช่วยที่มีความสามารถมาก: ยิ่งงานชัดเจนเท่าไหร่ ผลลัพธ์ก็ยิ่งดีเท่านั้น

กฎทอง: ข้อผิดพลาดใดๆ ที่ Colab แสดงออกมา ให้คุณ คัดลอกทั้งหมดและส่งให้ AI -> มันจะแก้ไขโค้ดให้เข้ากับเวอร์ชันปัจจุบันของไลบรารี เวอร์ชันเปลี่ยนแปลงไป บางครั้งโค้ดก็พัง -> นั่นเป็นเรื่องปกติ นั่นคือสิ่งที่ AI มีไว้ อย่านั่งปวดหัวกับข้อผิดพลาดด้วยตัวเอง

เทมเพลตคำสั่งที่ครอบคลุม 90% ของงาน:

ปรับแต่งสคริปต์สำหรับตัวคุณเอง:

"นี่คือสคริปต์ Python ที่ใช้งานได้โดยใช้ไลบรารี supervision [วางโค้ด] ฉันไม่ใช่โปรแกรมเมอร์ กรุณาเปลี่ยนมันเพื่อให้นับเฉพาะคน ไม่ใช่วัตถุทั้งหมด ส่งคืนโค้ดที่สมบูรณ์และครบถ้วน"

แก้ไขข้อผิดพลาด:

"ฉันรันโค้ดนี้ใน Google Colab [วางโค้ด] และได้รับข้อผิดพลาดนี้: [วางข้อความแสดงข้อผิดพลาดทั้งหมด] กรุณาแก้ไขโค้ดให้เข้ากับเวอร์ชันปัจจุบันของไลบรารีและส่งคืนเวอร์ชันที่แก้ไขแล้วทั้งหมด"

ทำความเข้าใจว่าโค้ดทำอะไร:

"อธิบายด้วยภาษาที่เข้าใจง่าย โดยไม่มีศัพท์เทคนิค ว่าสคริปต์นี้ทำอะไรและฉันจะเห็นอะไรเป็นผลลัพธ์"

ปรับแต่งให้เข้ากับวิดีโอเฉพาะ:

"ช่วยฉันตั้งค่าพิกัดของเส้นนับสำหรับวิดีโอที่มีความกว้าง 1280 และสูง 720 เส้นควรอยู่ในแนวนอนผ่านจุดกึ่งกลาง"

สร้างฟีเจอร์ใหม่:

"จากสคริปต์นี้ ให้เพิ่มการนับแยกตามประเภท: มีรถยนต์และรถบรรทุกผ่านไปกี่คัน ส่งคืนโค้ดทั้งหมด"

เขียนข้อความ (เรซูเม่, README, ข้อเสนอถึงลูกค้า):

"เขียนคำอธิบายภาษาอังกฤษสั้นๆ สำหรับโปรเจกต์การนับจำนวนผู้เข้าชมสำหรับ GitHub ของฉัน: ปัญหา, วิธีแก้ไข, เทคโนโลยีที่ใช้, วิธีการรัน"

ข้อผิดพลาดทั่วไปของผู้เริ่มต้นเมื่อทำงานกับ AI:

• ให้ AI แค่ส่วนย่อยของโค้ดแทนที่จะให้ทั้งหมด -> ทำให้มันแก้ไขแบบไม่เห็นภาพรวม ให้ สคริปต์ทั้งหมด แก่มัน
• เขียนว่า "มันไม่ทำงาน" แทนที่จะให้ข้อความแสดงข้อผิดพลาด ให้วาง ข้อผิดพลาดทั้งหมด เสมอ
• แก้ไขโค้ดด้วยตัวเองแบบสุ่มสี่สุ่มห้า ให้ขอให้ AI ทำการเปลี่ยนแปลงและส่งคืนเวอร์ชันที่ เสร็จสมบูรณ์

และที่สำคัญที่สุด -> ให้ตรวจสอบผลลัพธ์เสมอ AI สามารถสร้างโค้ดที่รันได้แต่นับผิดอย่างมั่นใจ เปิดวิดีโอผลลัพธ์ ตรวจสอบด้วยตาว่ากรอบอยู่บนวัตถุที่ถูกต้องและตัวเลขดูสมเหตุสมผล นั่นคือความรับผิดชอบของคุณ ไม่ใช่ของ AI

ส่วนที่ 4 การรันโค้ดชิ้นแรกใน Google Colab -> ทีละขั้นตอน

นี่คือส่วนที่ "น่ากลัวที่สุด" สำหรับผู้เริ่มต้น แต่ในความเป็นจริงมันใช้เวลาแค่ 5 นาที ทำความเข้าใจครั้งเดียวก็พอ

1. เปิด colab.research.google.com (ลงชื่อเข้าใช้ด้วยบัญชี Google) → คลิก New notebook
2. คุณจะเห็นกล่องว่าง -> นั่นคือ cell นี่คือที่สำหรับใส่โค้ด ทางซ้ายของ cell จะมีปุ่ม ▶ (รัน)
3. วาง สคริปต์ 0 (การติดตั้งไลบรารี) ลงใน cell แรกแล้วกด ▶ รอ 20–60 วินาที -> ข้อความจะเลื่อนผ่านไป นั่นเป็นเรื่องปกติ
4. รับวิดีโอทดสอบ วิธีที่ง่ายที่สุดคือใช้ตัวอย่างในตัว สร้าง cell ใหม่ (ปุ่ม "+ Code") แล้วรัน:

1from supervision.assets import download_assets, VideoAssets
2path = download_assets(VideoAssets.PEOPLE_WALKING)
3print("Video downloaded:", path)   # this is the file people-walking.mp4

หรืออัปโหลดวิดีโอของคุณเอง:

1from google.colab import files
2uploaded = files.upload()   # pick a file; remember its name and put it in the script instead of input.mp4

• วางสคริปต์ที่คุณต้องการ (เช่น สคริปต์ 3) ลงใน cell ใหม่ แก้ไขชื่อไฟล์อินพุตหากจำเป็น กด ▶
• ดาวน์โหลดผลลัพธ์ไปยังคอมพิวเตอร์ของคุณ:

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

ถ้ามีอะไรผิดพลาด:

• "No such file" / ไม่พบไฟล์ -> ชื่อวิดีโอในสคริปต์ไม่ตรงกับชื่อจริง ตรวจสอบชื่อไฟล์
• ช้าและกระตุก -> เปิดใช้งาน GPU ฟรี: เมนู Runtime → Change runtime type → GPU
• ข้อผิดพลาดสีแดงใดๆ -> คัดลอกทั้งหมดและส่งให้ AI (กฎทอง)

ส่วนที่ 5 ชุดสคริปต์พร้อมใช้งาน

คุณไม่จำเป็นต้องเข้าใจสคริปต์เหล่านี้ทีละบรรทัด รันมัน ถ้ามีข้อผิดพลาด ให้ส่งให้ AI แต่ละอันมาพร้อมคำอธิบายภาษาที่เข้าใจง่าย

สคริปต์ 0 -> การติดตั้ง (รันอันนี้ก่อนเสมอ)

1!pip install ultralytics supervision -q

มันทำอะไร: ติดตั้ง "ดวงตา" (YOLO) และ "ชุดเครื่องมือก่อสร้าง" (Supervision) ทำครั้งเดียวต่อเซสชัน

สคริปต์ 1 -> ค้นหาและติดป้ายกำกับวัตถุในวิดีโอ

มันทำอะไร: วาดกรอบพร้อมป้ายกำกับรอบวัตถุทั้งหมด นี่คือการตรวจสอบพื้นฐานว่าทุกอย่างทำงานได้

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")          # the "eye" model, downloads automatically
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("Done: output_detect.mp4")

สคริปต์ 2 -> การติดตามด้วยหมายเลข (ID)

มันทำอะไร: กำหนดหมายเลขถาวรให้กับแต่ละวัตถุและคงไว้ในขณะที่วัตถุอยู่ในเฟรม เป็นพื้นฐานสำหรับการนับและการเคลื่อนที่

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("Done: output_track.mp4")

สคริปต์ 3 -> การนับการข้ามเส้น (สคริปต์หลัก, เชิงพาณิชย์)

มันทำอะไร: นับจำนวนวัตถุที่ข้ามเส้นสมมติในแต่ละทิศทาง นี่คือสิ่งที่ว่า "มีผู้เข้าชมกี่คน" หรือ "มีรถผ่านไปกี่คัน"

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6
7# Counting line: tune the coordinates (x, y in pixels) to your 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    # TO COUNT ONLY PEOPLE — remove the # on the line below (0 = person):
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}")

บันทึกจำนวนนับลงในไฟล์ (คุณสามารถส่งให้ลูกค้าได้)

เพิ่มสิ่งนี้ต่อท้ายสุด หลังจากประมวลผลวิดีโอเสร็จ:

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("Numbers saved to counts.txt")

อะไรที่ยากกว่านี้ -> ส่งให้ AI (อย่าเขียนเอง)

• การประมาณความเร็วของยานพาหนะ: "จาก YOLO และไลบรารี supervision ให้เขียนสคริปต์สำหรับ Google Colab ที่ประมาณความเร็วของรถยนต์ในวิดีโอจากกล้องหน้ารถ/กล้องจราจร อธิบายด้วยภาษาที่เข้าใจง่าย อย่างละเอียด วิธีตั้งค่ามุมมองสำหรับเฟรมของฉัน ฉันไม่ใช่โปรแกรมเมอร์ ให้โค้ดที่พร้อมใช้งานและสมบูรณ์แก่ฉัน"
• การนับภายในพื้นที่ (แทนที่จะเป็นเส้น) -> เช่น มีคนอยู่ในโซนรอกี่คน: "ปรับปรุงสคริปต์เพื่อให้นับจำนวนคนภายในโซนสี่เหลี่ยมในวิดีโอ (ใช้ PolygonZone จาก supervision) ให้โค้ดทั้งหมดและอธิบายวิธีตั้งค่าพิกัดโซน"
• วัตถุที่กำหนดเอง (สินค้า, ข้อบกพร่อง, สัตว์ที่ไม่ได้อยู่ในโมเดลมาตรฐาน): ติดป้ายกำกับชุดข้อมูลใน Roboflow ผ่านเบราว์เซอร์, เทรนมันที่นั่น, รับโมเดลของคุณ และขอให้ AI นำไปใส่ในสคริปต์ 3

ส่วนที่ 6 ผลงาน -> สามโปรเจกต์ที่ขายได้

ผลงานสำคัญกว่าปริญญา: ในตลาดต่างประเทศพวกเขาดูที่ ผลลัพธ์ที่คุณแสดงให้เห็น ไม่ใช่ที่วุฒิการศึกษา คุณต้องมีเดโมสั้นๆ 3 รายการสำหรับกลุ่มตลาดจริง

หาวิดีโอฟรีสำหรับเดโมได้ที่ไหน (ไม่มีปัญหาลิขสิทธิ์):

• ตัวอย่าง Supervision ในตัว (ดูส่วนที่ 4) -> เริ่มต้นได้เร็วที่สุด
• Pexels และ Pixabay -> วิดีโอสต็อกฟรีของผู้คน ถนน รถยนต์ มีใบอนุญาตให้ใช้งาน

สามโปรเจกต์:

1. การนับจำนวนผู้เข้าชมร้านค้า สคริปต์ 3 พร้อมตัวกรองเฉพาะคน เส้นที่ทางเข้า คุณแสดง: วิดีโอที่มีกรอบและตัวนับ + ตัวเลขสุดท้าย ขายให้ใคร: ร้านค้าปลีก, ร้านกาแฟ, ห้างสรรพสินค้า
2. การนับและติดตามรถยนต์ สคริปต์ 3 บนฟุตเทจถนน/ที่จอดรถ ขายให้ใคร: ผู้ให้บริการที่จอดรถ, หน่วยงานถนน, การวิเคราะห์การจราจร
3. วัตถุที่กำหนดเองผ่าน Roboflow คุณติดป้ายกำกับสิ่งที่ไม่เป็นมาตรฐาน (เช่น ขวดบนสายพาน หรือข้อบกพร่อง) และนับมัน แสดงให้เห็นว่าคุณสามารถทำงานกับข้อมูลของลูกค้าได้ ขายให้ใคร: การผลิต, คลังสินค้า, เกษตรกรรม

วิธีจัดแพคเกจแต่ละโปรเจกต์:

• บันทึกวิดีโอเดโมของผลลัพธ์ (10–30 วินาที) บันทึกหน้าจอวิดีโอผลลัพธ์ที่กำลังเล่น -> โปรแกรมบันทึกหน้าจอใดๆ ก็ใช้ได้ หรือเพียงแค่อัปโหลดคลิปสั้นไปยัง YouTube เป็น "ไม่ระบุรายชื่อ"
• นำไปไว้บน GitHub (เว็บไซต์ฟรีสำหรับโค้ดและโปรเจกต์) ให้ AI เขียนไฟล์และข้อความอธิบาย (README): "เขียน README เป็นภาษาอังกฤษสำหรับโปรเจกต์การนับจำนวนผู้เข้าชมในวิดีโอ แบ่งเป็น: ปัญหา, วิธีแก้ไขที่โซลูชันทำ, เทคโนโลยีที่ใช้ (YOLO, ByteTrack, Supervision), วิธีรันใน Google Colab สั้นและชัดเจน"
• ไม่บังคับ -> เดโมสด คุณสามารถปรับใช้ฟรีบน Hugging Face Spaces (แพลตฟอร์มที่เดโมของคุณทำงานออนไลน์และสามารถเปิดผ่านลิงก์) หรือผ่าน API พร้อมใช้ของ Roboflow สิ่งนี้ช่วยเพิ่มความน่าเชื่อถือกับลูกค้าได้อย่างมาก วิธีทำ -> ถาม AI

ส่วนที่ 7 หาลูกค้าที่ไหนและคิดราคาเท่าไหร่

ลูกค้าจากสหรัฐอเมริกา/ยุโรปจ่ายเป็นดอลลาร์ แพลตฟอร์มหลักในการเริ่มต้นคือ Upwork

ขั้นตอนที่ 1. โปรไฟล์ Upwork ของคุณ

หัวข้อควรเป็น ความเชี่ยวชาญเฉพาะด้าน ไม่ใช่ "นักพัฒนา AI ทั่วไป" ตัวอย่าง (คุณสามารถใช้ได้ตามที่เป็น):

วิศวกร Computer Vision

->

การตรวจจับวัตถุ, การติดตาม และการนับคน/ยานพาหนะ

ข้อความ "ภาพรวม" -> ตัวอย่างภาษาอังกฤษ:

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.

ในส่วนผลงานของโปรไฟล์ -> เดโมสามรายการของคุณพร้อมวิดีโอและลิงก์ไปยัง GitHub

ขั้นตอนที่ 2. รีวิวแรกของคุณ

สิ่งนี้ตัดสินทุกอย่างในช่วงเริ่มต้น รับงาน 3–5 งานแรกในราคาที่ต่ำกว่าตลาดเล็กน้อย (เช่น $30–45/ชม. แทนที่จะเป็น $60+) เพื่อรับรีวิวและคะแนนอย่างรวดเร็ว จากนั้นขึ้นราคาทันที -> การนั่งอยู่ที่ราคาต่ำหลังจากมีรีวิวที่ดีหมายถึงการปล่อยเงินทิ้ง

ขั้นตอนที่ 3. การตอบรับงาน (ข้อเสนอ)

อย่าเขียนข้อความยาวเหยียด โครงสร้าง: "ฉันเข้าใจงาน → ฉันเคยสร้างสิ่งนี้มาก่อน → ฉันจะทำอย่างไรและราคาเท่าไหร่" ตัวอย่างภาษาอังกฤษ:

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.

การทดสอบฟรีบนคลิปสั้นของลูกค้าช่วยขจัดข้อสงสัยไปได้ครึ่งหนึ่งและมักจะปิดการขายได้

ขั้นตอนที่ 4. สิ่งที่ควรถามลูกค้าตั้งแต่แรก (เพื่อไม่ให้พลาด)

• เรากำลังนับ/ตรวจจับอะไรกันแน่ (คน, รถยนต์, สินค้าเฉพาะ)?
• วิดีโอมาจากไหน: ไฟล์สำเร็จรูป, กล้อง, สตรีมออนไลน์ (RTSP)?
• ต้องการผลลัพธ์อะไร: วิดีโอที่มีคำอธิบายประกอบ, ตัวเลขในตาราง, แดชบอร์ดสด, การแจ้งเตือน?
• ความแม่นยำระดับไหนที่เพียงพอ และกำหนดส่งเมื่อไหร่?
• งบประมาณเท่าไหร่?

ขั้นตอนที่ 5. ราคาและค่าธรรมเนียม

• รายชั่วโมง: เริ่มที่ $30–45 (เพื่อรีวิว) → จากนั้นค่อยๆ ขยับไปสู่ตลาด: จูเนียร์ $50–80, กลาง $80–120, อาวุโส $120–200+ อัตราค่าบริการฟรีแลนซ์ ML โดยเฉลี่ยอยู่ที่ ~$100/ชม.
• ต่อโปรเจกต์ (ราคาคงที่): ระบบนับแบบครบวงจรอย่างง่าย ราคาเริ่มต้นที่ $300–1500; ระบบที่จริงจังเริ่มต้นที่ $5k และสูงกว่านั้นมาก (ในตลาด โปรเจกต์มีมูลค่าถึง $250k+
• ค่าธรรมเนียม Upwork -> แปรผัน 0–15% โดยปกติ ~10% (ในอัตรา $50 คุณจะได้สุทธิ ~$45) รวมสิ่งนี้ไว้ในราคาของคุณ

ขั้นตอนที่ 6. จะเติบโตไปที่ไหน

• Toptal -> แพลตฟอร์มที่มีการคัดกรอง 3% แรก อัตราที่สูงกว่าและลูกค้าที่จริงจังมากขึ้น ไปที่นั่นเมื่อคุณมีผลงานและรีวิวแล้ว
• Fiverr -> คุณสามารถตั้งค่า "บริการแบบผลิตภัณฑ์" (เช่น "ฉันจะตั้งค่าการนับคนในวิดีโอของคุณในราคา $X") และรับงานแบบพาสซีฟมากขึ้น

ส่วนที่ 8. แผน 90 วันแรกของคุณ

ช่วงเวลา

สิ่งที่คุณทำ

ผลลัพธ์

สัปดาห์ที่ 1

ทำความเข้าใจ Colab, รันสคริปต์ 1–3 บนวิดีโอทดสอบ

โค้ดทำงานได้ในมือคุณ

สัปดาห์ที่ 2–3

สร้างเดโมเฉพาะกลุ่ม 3 รายการบนวิดีโอของคุณเอง, บันทึกคลิป

เดโมพร้อมใช้งาน

สัปดาห์ที่ 4

GitHub + การจัดแพคเกจภาษาอังกฤษ (ข้อความจาก AI)

ผลงานออนไลน์

สัปดาห์ที่ 5

โปรไฟล์ Upwork, ข้อเสนอแรก

ส่งข้อเสนอแรกแล้ว

สัปดาห์ที่ 6–10

ส่งข้อเสนออย่างจริงจัง (10–20/สัปดาห์), ทดสอบฟรีให้ลูกค้า

งานแรกและรีวิว

สัปดาห์ที่ 11–13

ส่งมอบงาน, เก็บรีวิว, ขึ้นราคา

เงินก้อนแรก, ขึ้นราคา

อย่าท้อแท้ถ้างานแรกมาไม่ทันที -> ในช่วงเริ่มต้นนี่เป็นเรื่องปกติ; เส้นทางนี้มักใช้เวลา 1–3 เดือนของความพยายามอย่างจริงจัง

ส่วนที่ 9 เกณฑ์มาตรฐานรายได้ (USD, 2026)

ช่องทาง

จูเนียร์

กลาง

อาวุโส

ฟรีแลนซ์ ($/ชม.)

$50–80

$80–120

$120–200+

โปรเจกต์แบบครบวงจร

จาก ~$10k

—

สูงถึง $250k+

งานประจำในสหรัฐฯ ($/ปี)

~$102k

~$130–165k

$200k–266k+

ตลาด Computer Vision กำลังเติบโต: ประมาณ $22 พันล้านในปี 2024 → คาดการณ์ ~$111 พันล้านภายในปี 2033 ความต้องการอยู่เคียงข้างคุณ

ส่วนที่ 10 คำถามที่พบบ่อย (FAQ)

ฉันต้องใช้คอมพิวเตอร์ที่ทรงพลังหรือไม่? ไม่ Google Colab ให้คุณเข้าถึงเซิร์ฟเวอร์ที่ทรงพลังพร้อม GPU ในคลาวด์ฟรี คุณสามารถทำงานจากแล็ปท็อปหรือแท็บเล็ตที่อ่อนก็ได้

ฉันต้องจ่ายเงินอะไรหรือไม่? โดยพื้นฐานแล้วทุกอย่างฟรี: Colab (ระดับฟรี), YOLO/Supervision (โอเพนซอร์ส), Roboflow (แผนฟรี), GitHub คุณจะเริ่มจ่ายเงินก็ต่อเมื่อโปรเจกต์เติบโตขึ้น (Colab/คลาวด์แบบเสียเงิน)

สิ่งนี้ถูกกฎหมายหรือไม่? ตัวเครื่องมือเอง -> ใช่ มันเปิดเผยและถูกกฎหมาย แต่เมื่อคุณทำงานกับกล้องและผู้คนจริง มีกฎหมายเกี่ยวกับความเป็นส่วนตัวและข้อมูล อย่าเผยแพร่ฟุตเทจของผู้อื่นโดยไม่ได้รับอนุญาต และหารือกับลูกค้าว่าพวกเขามีสิทธิ์ในข้อมูลนั้นหรือไม่

ถ้างานของลูกค้าไม่เหมือนกับสคริปต์ล่ะ? นั่นคือสิ่งที่ AI มีไว้: แบ่งงานออกเป็นส่วนๆ และขอความช่วยเหลือ ถ้างานนั้นเกินความสามารถของคุณจริงๆ ก็ควรปฏิเสธอย่างสุภาพดีกว่าพลาดกำหนดส่ง

เงินก้อนแรกจะมาเร็วแค่ไหน? ตามความเป็นจริง -> ตั้งแต่สองสามสัปดาห์ถึงสองสามเดือนด้วยความพยายามอย่างจริงจัง นี่ไม่ใช่ "ปุ่มทำเงิน" มันคือทักษะที่คุณต้องขาย

ฉันจำเป็นต้องมีคณิตศาสตร์และทฤษฎีหรือไม่? สำหรับเส้นทางที่ใช้ AI ช่วยนี้ -> ไม่จำเป็น การทำความเข้าใจพื้นฐานจะช่วยได้ในภายหลัง เมื่อคุณต้องการรับโปรเจกต์ที่ซับซ้อนหรือไปทำงานประจำ

มันจะทำงานแบบเรียลไทม์ / กับกล้องสดได้หรือไม่? Colab ฟรีเพียงพอสำหรับเดโมและการประมวลผลไฟล์ สำหรับสตรีมออนไลน์ (RTSP) และเรียลไทม์ คุณต้องใช้ทรัพยากรมากขึ้น -> AI จะบอกวิธีตั้งค่าให้คุณ

ส่วนที่ 11 สิ่งที่ไม่ควรทำ

• อย่าเข้าสู่ตลาดโดยไม่สามารถ "ส่งมอบผลลัพธ์" ได้ "มันรันบนเครื่องของฉัน" ไม่เพียงพอ -> ลูกค้าต้องการผลลัพธ์ที่ชัดเจน (วิดีโอ + ตัวเลข + รายงานสั้นๆ)
• อย่าลอกเลียนแบบบทเรียนการสอนแบบคำต่อคำ คุณต้องมีเดโมบนวิดีโอของคุณเองและสำหรับกลุ่มตลาดเฉพาะ
• อย่าติดอยู่กับอัตราค่าบริการต่ำ ขึ้นราคาหลังจากรีวิวแรกของคุณ
• อย่าเชื่อถือโค้ดของ AI อย่างสุ่มสี่สุ่มห้า เปิดผลลัพธ์และตรวจสอบด้วยตาว่ามันนับถูกต้องเสมอ
• อย่ากระจายตัว มากเกินไปกับ "AI ทั่วไป" ความเชี่ยวชาญเฉพาะด้าน (การนับ/การติดตาม/การวิเคราะห์วิดีโอ) ขายได้ดีกว่าและเข้าใจง่ายกว่า

ส่วนที่ 12 อภิธานศัพท์

• Model -> โปรแกรมที่ผ่านการฝึกฝนซึ่งสามารถจดจำบางสิ่งได้ (เช่น YOLO จดจำวัตถุ)
• Dataset -> ชุดของรูปภาพ/วิดีโอที่โมเดลใช้เรียนรู้
• Labeling / annotation -> การที่คุณใช้เมาส์วาดกรอบรอบวัตถุที่ต้องการในรูปภาพ เพื่อให้โมเดลเข้าใจว่าต้องมองหาอะไร (ทำใน Roboflow)
• Bounding box -> กรอบสี่เหลี่ยมที่อยู่รอบวัตถุที่ตรวจพบ
• Class -> ประเภทของวัตถุ: "คน" "รถยนต์" "ขวด"
• Confidence -> ความมั่นใจของโมเดลเกี่ยวกับการตรวจพบ (ตั้งแต่ 0 ถึง 1)
• Inference -> ช่วงเวลาที่โมเดลทำงานและจดจำบางสิ่งได้ (ตรงข้ามกับการฝึกฝน)
• Training -> กระบวนการที่โมเดลเรียนรู้จากชุดข้อมูลสำหรับงานของคุณ
• Tracking / ID -> การติดตามวัตถุชิ้นเดียวข้ามเฟรมด้วยหมายเลขประจำตัวที่ไม่ซ้ำกัน
• API -> วิธีการเข้าถึงโมเดล "ผ่านอินเทอร์เน็ต": ส่งรูปภาพไป แล้วรับผลลัพธ์กลับมา โดยไม่ต้องมีโค้ดโมเดลของคุณเอง
• FPS -> เฟรมต่อวินาที ยิ่งสูงเท่าไหร่ การประมวลผลวิดีโอก็จะยิ่ง "เรียลไทม์" มากขึ้น
• RTSP -> รูปแบบของสตรีมสดจากกล้องวงจรปิด
• GPU -> โปรเซสเซอร์ประสิทธิภาพสูงสำหรับการ์ดจอ; มันช่วยเร่งความเร็วให้กับโมเดล (ใน Colab ใช้งานฟรีบนคลาวด์)

ตัวเลขทั้งหมดเป็นเกณฑ์มาตรฐานของตลาดสำหรับปี 2026 และขึ้นอยู่กับระดับ ความเชี่ยวชาญเฉพาะด้าน และลูกค้า/นายจ้างเฉพาะของคุณ

ทุกคนที่อ่านแล้วและอยากลอง ขอให้ประสบความสำเร็จ 🩷

บันทึกไว้ในบุ๊กมาร์กเพื่อไม่ให้พลาด