Заможешь проложить карту дорожного хаоса? Сначала посмотри открытые данные, которые город ежедневно публикует – там обычно есть API с информацией о трафике в реальном времени, с GPS-координатами автобусов, грузовиков, даже городских велосипедов. Потом глянь местные записи с камер видеонаблюдения или с камер трафика; небольшой скрипт может вытащить URL-адреса видеопотоков и подать их в модель компьютерного зрения для подсчета машин. Если чувствуешь себя на высоте, подключись к городскому API общественного транспорта для данных о маршрутах автобусов и GPS, и сопоставь это с парой логов публичных Wi-Fi точек для анализа пешеходного трафика. А если нужен самый настоящий вайб, поставь пару дешёвых датчиков на тихой улочке – просто Raspberry Pi с камерой и пара библиотек с открытым кодом для подсчёта трафика. Пиши код модульный, и помни: лучшая информация получается, когда ты смотришь на улицы, а не задаёшь им вопросы.

Начни с OpenCV для основ – быстро, бесплатно, и там уже есть дифференцирование кадров или вычитание фона, чтобы засекать машины. Если нужен что-то более продвинутое, YOLOv5 или YOLOv8 на небольшой GPU обеспечат распознавание в реальном времени практически без задержек. Если у тебя Pi, попробуй Tiny‑YOLO или MobileNet SSD – они легкие, но вполне рабочие. А если хочешь выжать максимум, TensorFlow Lite на Jetson Nano даст хороший баланс между скоростью и точностью. Выбери что-нибудь одно, закрепляйся и начинай считать.