RF-DETR действительно сейчас очень сильная архитектура, спорить с этим не будем. Но общий benchmark — это скорее ориентир, чем ответ на вопрос, какая модель лучше в конкретном продукте.
В production данные могут сильно отличаться от benchmark-датасета — у нас это реальные стройки со своей спецификой камер, ракурсов, маленьких объектов и освещения. Поэтому, как и написано в статье, новый объект мы отдельно прогоняем на своих данных: хорошая общая метрика ещё не гарантирует хороший результат на конкретной площадке.
RF-DETR однозначно стоит рассматривать и тестировать на своей задаче. Но слепо доверять benchmark'ам и выбирать архитектуру только по месту в таблице мы бы не рекомендовали.
Ещё хотим добавить, что и само семейство YOLO тоже не остановилось на v8: в актуальном YOLO26 уже есть end-to-end NMS-free inference и отдельные оптимизации под real-time/edge deployment.
Вы смотрите на задачу с правильной стороны: моделька здесь действительно не самое сложное. Гораздо сложнее собрать всю систему и весь процес: камеры + связь + инцендент-менеджмент.
Кстати, edge-вычислитель и/или центральный сервер - это вопрос выбора архитектуры под конктретную видеоаналитику . Если речь о человеке под грузом, счёт может идти на доли секунды, тут важно такую аналитику делать прямо на объекте. А вот каски, спецодежду или соблюдение регламентов вполне можно контролировать через облако и даже не беря все кадры из видеопотока. У нас есть в практике и вариант с edge-вычислителями (и одноплатники китайские и новые коробочик от Nvidia Jetson).
С ценой всё тоже сложно. Сейчас экономическая ситуация такова, что для заказчиков покупать специализированную умную камеру для каждого участка просто дорого. При этом очень часто на объекте уже есть обычные IP-камеры. Почти всегда если получается решать задачи на уже готовой архитектуре - это упрощет внедрение и проект. Да и для заказчика - это дешевый формат проверки гипотезы о внедрении ИИ.
Универсальной коробки, которую можно поставить на любом заводе за пару недель, пока нет, условия слишком разные. Но вот SaaS Qmonitoring мы сейчас ставим за 3 дня рабочих на объекте, если на объекте уже стоят камер и есть связь. На большинстве строек и городских промплощадок связь вполне себе норм. То есть у нас есть готовые обученные на очень большом примере изображений ИИ-модели, которые легко ставить "из коробки".
П.с. ваш кейс с нейронкой, которая ловит опасные случаи под краном нам очень интересна. Будем рады обсудить подробнее, давайте обменяемся контактами на почте. Наша почта: office@qmonitoring.ru
Прочитал и хочу подметить, что действительно все чаще и чаще вижу, как компании покупают каталог данных в надежде, что он «сам разберётся» с хаосом и потом конечно же разочаровываются) Ну и боль про КП не могу не отметить - данные реально нужны всем, но парадокс в том, что владеть ими не хочет никто.. Пока это не решено на уровне KPI и реальной ответственности, к сожалению любой инструмент превращается в пустое место. За чек-лист отдельно спасибо, пробежался, интересно
RF-DETR действительно сейчас очень сильная архитектура, спорить с этим не будем. Но общий benchmark — это скорее ориентир, чем ответ на вопрос, какая модель лучше в конкретном продукте.
В production данные могут сильно отличаться от benchmark-датасета — у нас это реальные стройки со своей спецификой камер, ракурсов, маленьких объектов и освещения. Поэтому, как и написано в статье, новый объект мы отдельно прогоняем на своих данных: хорошая общая метрика ещё не гарантирует хороший результат на конкретной площадке.
RF-DETR однозначно стоит рассматривать и тестировать на своей задаче. Но слепо доверять benchmark'ам и выбирать архитектуру только по месту в таблице мы бы не рекомендовали.
Ещё хотим добавить, что и само семейство YOLO тоже не остановилось на v8: в актуальном YOLO26 уже есть end-to-end NMS-free inference и отдельные оптимизации под real-time/edge deployment.
Вы смотрите на задачу с правильной стороны: моделька здесь действительно не самое сложное. Гораздо сложнее собрать всю систему и весь процес: камеры + связь + инцендент-менеджмент.
Кстати, edge-вычислитель и/или центральный сервер - это вопрос выбора архитектуры под конктретную видеоаналитику . Если речь о человеке под грузом, счёт может идти на доли секунды, тут важно такую аналитику делать прямо на объекте. А вот каски, спецодежду или соблюдение регламентов вполне можно контролировать через облако и даже не беря все кадры из видеопотока. У нас есть в практике и вариант с edge-вычислителями (и одноплатники китайские и новые коробочик от Nvidia Jetson).
С ценой всё тоже сложно. Сейчас экономическая ситуация такова, что для заказчиков покупать специализированную умную камеру для каждого участка просто дорого. При этом очень часто на объекте уже есть обычные IP-камеры. Почти всегда если получается решать задачи на уже готовой архитектуре - это упрощет внедрение и проект. Да и для заказчика - это дешевый формат проверки гипотезы о внедрении ИИ.
Универсальной коробки, которую можно поставить на любом заводе за пару недель, пока нет, условия слишком разные. Но вот SaaS Qmonitoring мы сейчас ставим за 3 дня рабочих на объекте, если на объекте уже стоят камер и есть связь. На большинстве строек и городских промплощадок связь вполне себе норм. То есть у нас есть готовые обученные на очень большом примере изображений ИИ-модели, которые легко ставить "из коробки".
П.с. ваш кейс с нейронкой, которая ловит опасные случаи под краном нам очень интересна. Будем рады обсудить подробнее, давайте обменяемся контактами на почте. Наша почта: office@qmonitoring.ru
Прочитал и хочу подметить, что действительно все чаще и чаще вижу, как компании покупают каталог данных в надежде, что он «сам разберётся» с хаосом и потом конечно же разочаровываются) Ну и боль про КП не могу не отметить - данные реально нужны всем, но парадокс в том, что владеть ими не хочет никто.. Пока это не решено на уровне KPI и реальной ответственности, к сожалению любой инструмент превращается в пустое место. За чек-лист отдельно спасибо, пробежался, интересно
Передо мной постоянно была похожая рутина. Во многих моментах узнал себя)) Спасибо за статью, применю многое в работе