home.social

#видеоаналитика — Public Fediverse posts

Live and recent posts from across the Fediverse tagged #видеоаналитика, aggregated by home.social.

fetched live
  1. Как снизить травматизм и штрафы на стройке: ИИ-видеоаналитика на практике?

    Начнем с самой проблемы - откуда идет травматизм и штрафы на стройке? Почти всегда начинаются с мелочей: каску сняли «на минутку», зашли под стрелу крана, подрядчик пустил на объект людей без инструктажа. В статье разберу, почему ручной контроль охраны труда не справляется, какие нарушения ведут к травмам и штрафам, как устроена видеоаналитика изнутри и что из неё получается на реальных объектах, а конце дадим чек-лист внедрения и честно перечислим ограничения технологии.

    habr.com/ru/articles/1096620/

    #стартап #строительство #ии #стройка #видеоаналитика

  2. Python глазами C++-разработчика: GIL, asyncio и процессы на примере видеосервера

    Почему в Python-видеосервере одновременно нужны asyncio, потоки и процессы? Разбираю переход с C++ на Python на реальном RTSP-конвейере: ссылки и копии NumPy, GIL, FastAPI, ONNX Runtime, ограниченные очереди, управление ресурсами и правила сохранения низкой задержки.

    habr.com/ru/articles/1091450/

    #Python #C++ #GIL #asyncio #multiprocessing #FastAPI #OpenCV #NumPy #ONNX_Runtime #видеоаналитика

  3. От RTSP-камеры до истории событий: настраиваем видеоаналитику через JavaScript Viewer

    Привет, Хабр! В первой статье я разбирал внутреннее устройство real-time-конвейера на C++20: почему медленный YOLO не должен останавливать RTSP и зачем между этапами нужны ограниченные слоты последнего значения. Теперь посмотрим на ту же систему с другой стороны — глазами пользователя, который подключает камеру и должен получить не просто видео с рамками, а управляемый и проверяемый результат. Я покажу практический порядок настройки своей платформы видеоаналитики через браузерный JavaScript Viewer: от стабильного потока и детектора движения до постоянных ID, двух контуров YOLO и истории событий в PostgreSQL. Главный вопрос статьи — не «где находится кнопка», а «какой участок конвейера меняет этот параметр и как проверить эффект».

    habr.com/ru/articles/1090890/

    #JavaScript #RTSP #HLS #OpenCV #YOLO #ONNX_Runtime #tracking #видеоаналитика #REST_API #PostgreSQL

  4. Как не утопить RTSP в YOLO: real‑time‑конвейер на C++20, Clang и ONNX Runtime

    YOLO обрабатывает кадр дольше, чем камера формирует следующий. Если построить видеосервер как последовательность read → motion → YOLO → encode, тяжёлая модель остановит чтение RTSP, очередь начнёт расти, а пользователь увидит прошлое вместо прямого эфира. В статье разбираю real‑time‑конвейер своего C++20-сервера: постоянные workers, слоты последнего значения, std::jthread, stop_token, защита от устаревших результатов и итоги 16-часового теста на реальной RTSP‑камере.

    habr.com/ru/articles/1090800/

    #C++20 #Clang #OpenCV #ONNX_Runtime #YOLO #RTSP #многопоточность #видеоаналитика #computer_vision #realtime

  5. Видеоаналитика на промышленном объекте: почему большинство внедрений разочаровывают и как сделать правильно (дубль)

    В этой статье — не маркетинг и не обзор рынка. Личный опыт, реальные цифры и честный разговор о том, почему большинство внедрений не работают так, как обещают.

    habr.com/ru/articles/1081772/

    #edge_computing #видеоаналитика #видеоаналитика_в_производстве #промышленная_безопасность #производственная_безопасность #охрана_труда

  6. Галлюцинации VLM в zero-shot детекции: ложные тревоги о дыме и решение на уровне промпта

    Как я попробовала решить задачу детекции огня и дыма без обучения, zero-shot детекцией на VLM. О том, как изначально всё работало на видео с настоящим дымом, а на заведомо чистых улицах модель нашла «дым» на 70 % моих данных: рисовала боксы на машинах, знаках и светофорах, иногда с confidence 0% и текстовым пояснением, что дыма нет. В статье описала, почему одношаговый bbox-формат провоцирует ложные детекции, какие стандартные приёмы промпт-инжиниринга не помогли и какое изменение промпта снизило долю ложных тревог с 70 % кадров до нуля при recall выше 80%.

    habr.com/ru/articles/1081166/

    #VLM #галлюцинации_нейросетей #промптинжиниринг #zeroshot #детекция_дыма #видеоаналитика

  7. Как понять, что делает Rust-компилятор: визуализация AST, MIR и LLVM IR

    Rust-компилятор не просто превращает код в машинные инструкции — он проверяет безопасность программы ещё до запуска. Разбираем, как устроен конвейер компиляции, зачем Rust использует сразу несколько промежуточных представлений (HIR, THIR, MIR) и какую роль во всём этом играет LLVM.

    habr.com/ru/companies/falconte

    #Видеоаналитика #rust #компилятор #AST #MIR #LLMV_IR

  8. Перенёс ByteTrack на GPU и ускорил мульти-камерный трекинг в 6 раз

    GPU-версия ByteTrack, где математика всех камер считается общими батчами: один вызов на все потоки вместо трекера-на-камеру. На 16 потоках это ускоряет трекинг в 6 раз (104 → 17 мс/кадр на RTX 4090). А за первой, «наивной» версией пряталось всего 1.2x — почему, показали три антипаттерна PyTorch, на которых легко застрять и вне трекинга: GPU-вызовы в цикле, заливка кадров на 1.6 ГБ/с вместо 25, и FP16, который тихо съедал по 300 мс на кадре. Все цифры воспроизводимы, есть сравнение с NVIDIA DeepStream и открытый код.

    habr.com/ru/articles/1059236/

    #ByteTrack #трекинг_объектов #multiobject_tracking #GPU #PyTorch #ReID #компьютерное_зрение #оптимизация_производительности #CUDA #видеоаналитика

  9. Тихий клиент на АЗС: как собрать сессию обслуживания из архивных записей штатных камер и микрофонов

    Дано: сеть из нескольких сотен АЗС. Визуальный аудит качества обслуживания и сервиса (проверяется соблюдение скриптов, стимулирование дополнительных продаж и установок приложения) покрывает несколько процентов смен, остальное не просматривается. Наш клиент хотел увидеть, что происходит в те моменты, которые упущены из виду. Важно: система должна работать на действующих камерах и микрофонах без всякой доукомплектации. Задача: брать архивные записи, автоматически выделять сессии обслуживания и проверять их по чек-листу. Кассир у микрофона говорит громко и развернутыми фразами. Клиент отвечает коротко, тихо, иногда просто кивает. Стандартный ASR-пайплайн сталкивается с суровой реальностью: в транскрипции остаётся монолог кассира с пропусками там, где отвечал клиент. Начали с видео.

    habr.com/ru/articles/1058944/

    #ASR #распознавание_речи #ReID #машинное+обучение #видеоаналитика #аудиоаналитика #ритейл

  10. Контроль СИЗ на палубе судна: как из потока детекций собрать подтвержденное нарушение

    Заказчик контролирует технику безопасности на палубе судна: в рабочих зонах экипаж обязан быть в касках, спасательных жилетах и костюмах-поплавках. Визуальный контроль по камерам не масштабируется, оператор не сможет физически охватить все потоки за смену. Задача: автоматически фиксировать нарушения ношения СИЗ (каски, спасательные жилеты, перчатки, костюмы-поплавки) в рабочих зонах на открытой палубе судна.

    habr.com/ru/articles/1054214/

    #computer_vision #object_detection #видеоаналитика #детекция_нарушений #детекция_СИЗ #PPE_detection #машинное_обучение #компьютерное_зрение

  11. Видеоаналитика СИЗ на палубе: как перестать генерировать ложные нарушения из-за качки и бликов

    Как мы достроили вокруг детектора СИЗ слой событий: привязка к человеку, сквозной ID через ReID, статусы present/absent/unknown и устранение дублей — чтобы длящееся нарушение оставалось одним событием, а плохой кадр не превращался в ложный алерт.

    habr.com/ru/articles/1054032/

    #СИЗ #компьютерное_зрение #видеоаналитика #детекция #трекинг #reid #дедупликация_событий #охрана_труда

  12. GPU vs vGPU: что выбирать для быстрого запуска AI-сценариев и контроля над данными

    Привет, Хабр. Меня зовут Дмитрий Сергеев. Я менеджер продукта «виртуальные серверы» (GPU) в компании VK Tech. Одна из ключевых проблем внедрения нейросетей в бизнес — отсутствие подготовленной ИТ-инфраструктуры. Почти всегда приходится разбираться, какая из тысяч моделей подойдет для задачи и будет учитывать специфику и процессы бизнеса. Часто это становится дорогим занятием без предсказуемого результата. В этой статье я на примере сервисов VK Cloud разберу, в каких сценариях востребованы физические GPU, а также где и как их можно эффективно заменить с помощью vGPU, чтобы оптимизировать бюджет и сэкономить на аренде полного объема ресурсов.

    habr.com/ru/companies/vktech/a

    #vk_cloud #gpu #vgpu #cloud_gpu #машинное_обучение #llm #rag #видеоаналитика #3dграфика #vdi

  13. Система виновата всегда — даже когда она ещё не включена

    Когда говоришь о видеоаналитике, обычно ждут разговора про точность моделей, архитектуру и алгоритмы. Но за три года внедрений я понял — самая сложная часть проекта это не технология. Это люди. И самое неожиданное сопротивление приходит не оттуда откуда ждёшь. История первая. "Эта штука меня заменит" — и карусель начинается Крупное предприятие, тестируем систему перед демонстрацией заказчику. Площадка не из лёгких — здесь видеоаналитику уже видели, причём не первый год, и точно знают как она работает. Система пока не обучена под их специфику — новые типы СИЗ, непривычные фоны, особенности поведения именно на этом объекте. На старте она выдаёт результат процентов на пятьдесят. Это нормально, более чем — именно для этого в договоре заложено дообучение на этапе реализации. Но тут начинается самое интересное. Те самые рядовые сотрудники — те для кого эта система задумана как помощь, потому что объёмы огромные и человек физически не успевает всё проверить — внезапно превращаются в её главных критиков. Почему? Да всё просто. В голове у человека крутится одна мысль: если эта штука начнёт видеть всё — меня заменят, и я останусь на улице. И вот понеслось. Система детектирует неправильно. Она не всегда работает. Она не видит того что вижу я своими глазами. Она вообще не умеет того что умею я. Знаете, отчасти — да, правда. Система пока не делает всего что делает опытный специалист. Она инструмент в руках эксперта, а не робот-терминатор который заменит весь отдел одним нажатием кнопки. Но попробуйте сказать это человеку который уже видит как его должность исчезает с горизонта — он вас просто не услышит.

    habr.com/ru/articles/1052020/

    #видеоаналитика #промышленная_безопасность #управление_изменениями #человеческий_фактор #охрана_труда #внедрение_it #цифровизация_производства

  14. Секрет устойчивых платформ для умного города: SOLID, GRASP и Clean Architecture в деле

    Запускаем большой проект? Значит, берём SOLID. Мы не раз слышали это от CPO и менеджеров продукта. О нём, кажется, знают все — и все хотят применить. Но он не спасёт масштабные проекты. Например, устойчивый умный город с решениями на основе машинного зрения на одном SOLID не построить. По канонам SOLID можно писать аккуратный код, но это не создаст архитектуру всей системы. Что на самом деле работает — подобранный под бизнес-цели набор инструментов, направленный на защиту ядра приложения. В статье — кейс Сергея Францишкова, начальника отдела разработки «Фалькон Тех», о рабочих решениях для крупной архитектуры и внедрении GRASP + Clean Architecture.

    habr.com/ru/companies/falconte

    #искуственный_интеллект #умный_город #видеоаналитика #машинное_зрение

  15. БИМ vs видеоаналитика: что внедряется на стройке в 2026 году?

    Привет! С вами QMonitoring — инновационная платформа для мониторинга строительных работ. Мы занимаемся внедрением видеомониторинга на стройках и на практике видим, что между красивыми презентациями BIM и реальностью на площадке лежит огромная пропасть. Давайте разберем, почему так происходит и какие инструменты реально работают в 2026 году BIM: обещание и реальность Что такое BIM? Это не просто программа, это методология управления информацией о здании на протяжении всего жизненного цикла. В теории: единая модель, в которой проектировщик, конструктор, сметчик и специалист по эксплуатации работают с одними данными. В практике крупных проектов это действительно работает и даёт измеримый эффект. Рынок это подтверждает. По данным исследования Передовой инженерной школы СПбПУ, российский рынок BIM к 2030 году превысит 25 млрд рублей — рост составит более чем вдвое к уровню 2024 года при темпе 13,7% в год. Государство активно подталкивает отрасль: с 1 июля 2024 года все новые проекты в жилищном строительстве обязаны реализовываться с применением ТИМ, а с 1 января 2025 года это требование распространилось на все девелоперские проекты в области долевого строительства. Проблема начинается, когда от крупных инфраструктурных проектов мы переходим к обычной стройке - жилой комплекс, торговый центр, промышленный объект. Здесь совершенно другая ситуация. Почему BIM «застрял» у среднего бизнеса Исследователи в 2024 изучали барьеры внедрения BIM в малом и среднем строительном бизнесе. Вывод прямолинейный: технологические барьеры, связанные с совместимостью стандартов и культурным сопротивлением традиционным рабочим практикам, не дают BIM реализовать свой потенциал.

    habr.com/ru/articles/1048594/

    #видеоаналитика #Машинное_обучение #Компьютерное_зрение #искусственный_интеллект #big_data #строительство

  16. «Фалькон Тех» на ПМЭФ 2026

    Привет, Хабр! На связи команда «Фалькон Тех». В этой статье: - о нашем участии в ПМЭФ 2026 в экспозиции «Москва» - о том, почему система интеллектуального мониторинга парковок «Стрит Фалькон» уже стала частью городской среды - о том, какую роль в этом сыграло производство комплексов в ОЭЗ «Технополис Москва» Также расскажем о событийной программе в рамках форума: - об участии генерального директора Никиты Чистикова в дискуссии Минобрнауки - о двух соглашениях, подписанных на форуме — с Государственным университетом управления и с АНО «Развитие человеческого капитала» - а ещё о том, как это связано с всероссийским конкурсом «Стартап как диплом» и хакатоном Мэра Москвы «Лидеры цифровой трансформации».

    habr.com/ru/articles/1048118/

    #исскуственный_интеллект #умный_город #видеоаналитика #машинное_зрение #пдд #городская_среда #пмэф_2026 #програмное_обеспечение

  17. Домик для ИИ: как завод пришёл к идее AI ready для бизнеса

    Бизнес нацелился делать свой собственный AI. Все задают вопрос: «Какая модель мне нужна?» Но никто не задумывается, на каких мощностях модель будет работать. Мы тоже сначала не задумывались. Разработали корпоративного AI-агента, прокачали ИТ-команду, чтобы двигаться дальше — и споткнулись о «железный порог». Так родилась идея AI ready модуля. В статье рассказали, что это такое и почему AI начинается не с модели, а с инфраструктуры.

    habr.com/ru/companies/psm_unli

    #искусственный_интеллект #ai #aiагенты #rag #энергетика #вычисления #информационная_безопасность #видеоаналитика #инвестиции #инфраструктура

  18. Видеоаналитика на промышленном объекте: почему большинство внедрений разочаровывают и как сделать правильно

    Там, где нет людей, нет времени и нет права на ошибку Хочу поделится одной историей из жизни. На удалённом нефтепромысле в -30С° за бортом бригада выполняет огневые работы — сварка, рядом с действующим трубопроводом. По регламенту каждый должен быть в полном комплекте СИЗ, с газоанализатором. Мастер провел инструктаж, расписался в наряде‑допуске и уехал на следующий объект. Инспектор по ТБ появится через два часа. Что происходит в эти два часа — не знает никто. Вот именно здесь я и хочу начать наш разговор о видеоаналитике в промышленности. Не о красивых дашбордах и не о технологиях будущего. А о конкретной задаче — увидеть то, что происходит на объекте прямо сейчас, когда физически там нет возможности присутствовать ответственному. Последние три года я плотно погрузился в сферу промышленной видеоаналитики — от пресейла и проектирования до запуска систем на объектах нефтегазового сектора и не только. До этого прошёл через телекоммуникации, управление ИТ‑инфраструктурой крупных нефтяных компаний, промышленную безопасность. Этот путь дал главное — понимание задачи изнутри, с обеих сторон: и как технический заказчик, который принимает систему, и как специалист, который её проектирует и внедряет. В этой статье — не маркетинг и не обзор рынка. Личный опыт, реальные цифры и честный разговор о том почему большинство внедрений не работают так как обещают.

    habr.com/ru/articles/1045368/

    #видеоаналитика #видеоаналитика_в_производстве #промышленная_безопасность #производственная_безопасность #охрана_труда #computer_vision #edge_computing

  19. Как мы учили систему слышать тихого клиента на АЗС: двухмодальная аналитика для контроля сервиса

    Распознать "здравствуйте" в записи — задача, которая уже решена. Труднее понять, кому это "здравствуйте" сказано, кто стоит у кассы в этот момент, и было ли приветствие вообще, если клиент коротко ответил "ага" на фоне работающего холодильника. Дано: сеть АЗС, ручной аудит покрывает несколько процентов смен. Всё остальное — "слепая зона". Заказчик хотел её закрыть с помощью существующих камер и микрофонов: взять архивные записи, автоматически выделить сессии обслуживания, проверить по чек-листу. Никакого нового оборудования, только то, что уже есть на точках. Ограничение, которое определило всю архитектуру: кассир у микрофона говорит громко и развёрнутыми фразами. Клиент отвечает коротко, тихо и иногда вообще кивает. Стандартный ASR-пайплайн из этой пары слышит только одну сторону. Видео первично: без стабильного ID клиента и временных границ сессии аудиоаналитика работает вхолостую. Начали с трекинга.

    habr.com/ru/articles/1044914/

    #ASR #распознавание_речи #компьютерное_зрение #vad #object_tracking #видеоаналитика #speech_recognition #computer_vision

  20. Как мы учили систему слышать тихого клиента на АЗС: двухмодальная аналитика для контроля сервиса Распознат...

    #ASR #распознавание #речи #компьютерное #зрение #vad #object #tracking #видеоаналитика #speech #recognition

    Origin | Interest | Match
  21. Почему современный стадион больше похож на ЦОД, чем на арену

    Привет, Хабр! Меня зовут Сергей Пауков, я директор департамента инженерных и мультимедийных систем КРОК. В ближайшие недели спорт снова станет глобальным технологическим стресс-тестом: 30 мая Будапешт примет финал Лиги чемпионов, а уже 11 июня стартует чемпионат мира по футболу 2026 года в США, Канаде и Мексике. Для болельщиков это большой праздник спорта. Для инженеров: распределенная сеть высоконагруженных объектов, где в день матча должны одновременно работать контроль доступа, связь, видеонаблюдение, трансляции, климатические системы, мобильные приложения, фуд-корты, цифровые экраны и десятки других подсистем. Стадион в такие моменты больше похож не на арену, а на высоконагруженную ИТ-систему с пиковыми нагрузками. Если где-то проседает сеть, зависает турникет, не открывается приложение или сбоит экран, это сразу видят десятки тысяч людей. В статье разберем, какие технологии помогают современным аренам выдерживать такие сценарии.

    habr.com/ru/companies/croc/art

    #итинфраструктура #интернет_вещей #искусственный_интеллект #сетевые_технологии #видеоаналитика #биометрия

  22. Трекинг посетителей на fisheye-камерах: задача “со звездочкой”

    Всем привет, на связи команда NeuroCore. Сегодня расскажем про кейс разработки системы видеоаналитики для магазинов самообслуживания: почему fisheye-камеры - настоящее проклятие, почему SORT и DeepSORT не справились с задачей, как мы выстроили конвейер от детекции до бизнес-событий, и какие инженерные решения позволили добиться стабильной работы в продакшене. Дано: магазины самообслуживания, которые работают без кассиров и продавцов. Покупатель входит по QR, выбирает товары, рассчитывается и выходит. Заказчику нужна автоматизированная система отслеживания: кто находится внутри, сколько времени, в каких зонах, а также распознает несанкционированный доступ и вход группами. В случае нарушений, система должна генерировать алерты по 7 типам событий. Что есть: одна потолочная fisheye-камера, которая покрывает весь зал. Это идеальный выбор для ритейла: угол обзора 180 градусов, не нужно ставить десятки обычных камер, не нужно сшивать панорамы. Но за этот комфорт приходится платить.

    habr.com/ru/articles/1039354/

    #ритейл #трекинг #computer_vision #машинное_зрение #компьютерное_зрение #yolo #видеоаналитика_в_retail #видеоаналитика

  23. На каком стеке и железе работает умное наблюдение в вашем городе: обзор технологий от разработчиков видеоаналитики

    Обсудим почему в городах классический видеоанализ не работает, как ИИ меняет аналитику видеопотоков, какой стек нужен для умных камер на дорогах, как модульная архитектура помогает нам адаптироваться.

    habr.com/ru/articles/1039094/

    #искусственный_интеллект #умный_город #видеоаналитика #машинное_зрение #пдд #городская_среда #нарушения #программное_обеспечение

  24. В чем реальная проблема внедрения видеоаналитики на предприятиях?

    Многие заказчики полагают, что современная видеоаналитика мыслит почти как человек: видит кадр, узнает объект и принимает решение. На самом деле это не так. Нейросети, лежащие в основе этих систем, пока далеки от человеческого мышления. Нейросеть не ищет в своей памяти «похожую картинку», как это делал бы человек. Вместо этого она выделяет в кадре набор математических признаков (например: «объект круглой формы находится в верхней части другого объекта»). На основе миллионов заранее обученных весов (параметров) сеть вычисляет вероятность: «это каска — 96%», «это человек — 98%». Откуда берутся весы? База знаний нейросети наполняется вручную на этапе обучения. Специалисты-разметчики показывают модели тысячи кадров, выделяя на них людей, каски, инструменты и другие нужные объекты.

    habr.com/ru/articles/1030188/

    #видеоаналитика #ITинтегратор #внедерение #промышеленные_предприятия #нейросеть

  25. [Перевод] OCR всё прочитал, но ничего не понял: как мы научили систему разбирать транспортные накладные

    Современные библиотеки компьютерного зрения позволяют получить результат буквально за несколько строк кода, но за этой простотой скрывается ряд практических ограничений и компромиссов. В статье разберём, как на самом деле работают модели «из коробки», где проходит граница их применимости и как из сырых выходов детекторов собрать осмысленную логику — от базового inference до сценариев видеоаналитики. Речь пойдёт о прикладном использовании инструментов вроде YOLO, OpenCV и Hugging Face в задачах, где важен не только сам факт распознавания, но и то, что с этим делать дальше.

    habr.com/ru/companies/otus/art

    #компьютерное_зрение #CV #YOLO #OpenCV #Hugging_Face #детекция_объектов #сегментация_изображений #видеоаналитика #анализ_изображений

  26. Умный город начинается с точного взгляда: как Фалькон Тех меняет пространство к лучшему

    "Умный город" звучит как абстрактная концепция – с ИИ, камерами и "единым цифровым контуром". Но что это на практике и как работает? В этой статье рассказываем, как создали систему видеомониторинга для городской среды: от первых задач по контролю парковок до масштабируемого обеспечения, который используется в Москве и обрабатывает данные с тысяч программно-аппаратных комплексов. Разберем реальные кейсы: как машинное зрение помогает фиксировать нарушения, анализировать загрузку городской инфраструктуры и снижать зависимость от ручного контроля. Покажем, с какими инженерными ограничениями приходится работать — от погодных условий и ночной съёмки до распознавания объектов в сложных сценариях.

    habr.com/ru/articles/1023790/

    #искусственный_интеллект #умный_город #видеоаналитика #машинное_зрение #пдд #городская_среда #нарушения #программное_обеспечение

  27. Почему одинаковая надпись H.264 или H.265 на IP-камерах не делает их одинаковыми

    На рынке видеонаблюдения есть удивительно живучий миф: если на двух IP-камерах написано H.264 или H.265, значит, и вести себя они должны примерно одинаково. Нагрузка на сеть будет похожей, архив займет сопоставимый объем, сервер разницы не заметит, а совместимость окажется чем-то само собой разумеющимся. Разберем, почему одинаковая надпись H.264 или H.265 не делает IP-камеры одинаковыми, какие параметры действительно влияют на поведение потока и на что стоит смотреть при выборе, тестировании и модернизации системы.

    habr.com/ru/articles/1020930/

    #видеонаблюдение #видео #видеоаналитика #vms #видеоархив #сетевые_технологии #h264 #h265 #кодеки #система_видеонаблюдения

  28. YOLOE: детектим что угодно без дотренировок

    Всем привет! Представьте, сколько всего нужно сделать, чтобы дотренировать модель компьютерного зрения: Поиск и сборка датасетов. Хорошо, если есть открытые и с допустимой лицензией. Но часто приходится собирать «с миру по нитке», дополнять и балансировать данные самостоятельно. Разметка и аугментация. Качественный датасет — залог хороших метрик. Придётся корпеть над точными detection-боксами, перепроверять, думать над нестандартными ситуациями во входных данных. Обучение и валидация. Потратим мощности, время, деньги, протестируем. Хорошо, если с первых попыток удастся найти достойный баланс между точностью и временем тренировки. В реальности нужно хотя бы несколько итераций. Но есть и другой путь. Сегодня расскажу о YOLOE — это модель, которая помогает решить эти проблемы.

    habr.com/ru/articles/1018144/

    #видеоаналитика #производство #пищевая_промышленность #промышленная_автоматизация #yolo #глубокое_обучение #computervision #машинное_обучение

  29. Как я использую рои робопсов

    То, что мы называем робособакой, — это, по сути, мобильная аппаратная платформа. У неё есть четыре ноги с приводами, аккумулятор, бортовой компьютер и полезная нагрузка. Ещё есть роверы — колёсные платформы. Роверы проще, дешевле и надёжнее на ровном асфальте, но собака — это вездеход. Для нас это просто ещё один вид железа, который мы используем в общем контуре охраны. Такой же, как поворотная камера или датчик движения на заборе. Только этот датчик умеет бегать. Зачем вообще собаки, если есть дроны? БПЛА — штука отличная, но у них есть конкретные недостатки для охраны периметра 24/7. Дрон висит в воздухе 30–40 минут, а потом летит на базу. Ну и, конечно, он жужжит и виден всем. Он не взлетает в метель, почти не умеет двигаться по помещениям и, самое главное, не умеет открывать двери. А собака с рукой на спине отлично умеет. Робопёс работает в полях часами, может спрятаться в траве, пройти под трубопроводом и не боится ветра. В отличие от дронов робособаки уже работают координированными флотами с обменом информацией друг с другом через p2p-сети и mesh. Они строят p2p-сети, собака с радиодоступом к центру может работать мостом к совсем далёкой собаке за горизонтом и так далее. Рассказываю, как мы используем целые рои робопсов для охраны на самых ответственных объектах и в мониторинге аварий в той же нефтянке, где бывают метели или надо открывать двери. Но чаще охраняем критически важные объекты.

    habr.com/ru/companies/centicor

    #робособака #автономные_системы #роверы #мобильные_платформы #системы_охраны #мониторинг_объектов #lidar #манипуляторы #видеоаналитика #БПЛА

  30. Производство теряло деньги каждую смену. До внедрения видеоаналитики с ИИ никто не знал где

    Привет! На связи Олег Чебулаев, CEO Mad Brains. Хочу поделиться историей из практики — как обучить модель YOLO, запустить видеомониторинг на пищевом производстве и через неделю обнаружить кое-что, о чём на заводе предпочитали не говорить вслух.

    habr.com/ru/articles/1010108/

    #видеоаналитика #производство #пищевая_промышленность #промышленная_автоматизация #yolo #машинное_обучение #глубокое_обучение #computervision

  31. Производство теряло деньги каждую смену. До внедрения видеоаналитики с ИИ никто не знал где

    Привет! На связи Арсений, тимлид AI-направления Mad Brains. Сегодня расскажу, как мы обучили модель YOLO, запустили видеомониторинг на пищевом производстве, и через неделю обнаружили кое-что, о чём на заводе предпочитали не говорить вслух.

    habr.com/ru/articles/1007326/

    #видеоаналитика #производство #пищевая_промышленность #конвеер #искусственный_интеллект #станки #промышленная_автоматизация #yolo

Share on Mastodon

Enter the server where you have an account.