Внедрение систем видеомониторинга на строительных объектах невозможно без обучения моделей на реальных данных. По словам специалистов, минимальный стартовый объем для одного класса составляет примерно 3-4 тысячи размеченных изображений. Однако эта цифра не является универсальной и зависит от сложности объекта, его размера и условий съемки. Если объект крупный и хорошо различим, может потребоваться меньше данных, тогда как для мелких объектов на заднем плане может понадобиться значительно больше примеров, вплоть до сотен тысяч кадров. Важно понимать, что речь идет именно о рекомендованном стартовом объеме в рамках конкретного подхода, а не об универсальном минимуме для любой нейросети. Чтобы проверить готовность модели к production, ее необходимо прогнать на тестовой выборке. Если данных много — это хорошо, но критически важно, представлены ли в них те условия, в которых системе предстоит работать.

При увеличении объема данных важно учитывать их разнообразие. Простое добавление тысяч однотипных изображений не улучшит модель, тогда как новые ракурсы, перекрытия, сложное освещение и редкие события могут существенно повысить качество. Итоговый результат зависит от качества выборки, разметки, исходной модели и сложности задачи. Нет универсальной зависимости между количеством примеров и процентом улучшения — все определяется конкретными условиями. Поэтому при масштабировании системы необходимо тщательно подходить к формированию датасета, а не просто наращивать его объем. В компании не наращивают выборку искусственным образом за счет идентичных кадров, что подчеркивает ставку на реальное разнообразие, а не на формальное количество.

Особую сложность представляет сбор данных для редких классов, таких как задымления, пожары, взрывы и несчастные случаи. Эти события встречаются крайне редко по сравнению с обычными рабочими ситуациями, поэтому даже большой объем видеозаписей не гарантирует наличия достаточного числа примеров. Заказчики иногда запрашивают специализированные задачи, например, контроль загрязнения шин, складирования или освещения кранов, что требует целенаправленного отбора и разметки материалов. В таких случаях помогает накопленный архив, но для каждого запроса необходимо формировать отдельную выборку и проверять ее релевантность. Важно также различать объект и событие: для некоторых ситуаций одного кадра недостаточно, необходим временной контекст. Это принципиальное отличие строительной специфики от общих задач компьютерного зрения.

Разметка данных — это отдельный этап, который требует серьезного подхода. В компании используется смешанный метод: часть данных размечается внутри, часть передается внешним командам. Это позволяет распределить нагрузку и сохранить контроль над качеством. Внутренняя валидация разметки выполняется специально обученными специалистами совместно с Data Science командой. Для автоматизации процесса развернут инструмент CVAT, связанный с системой сбора датасета. Новые материалы проходят итерации разметки и дообучения, и только после валидации используются в обучении. Ошибки в разметке, такие как пропущенные объекты или неверные границы, создают неправильные обучающие сигналы, поэтому качеству уделяется первостепенное внимание. Разметка рассматривается не как вспомогательная операция, а как самостоятельная часть разработки модели, а сам процесс представляет собой непрерывный цикл.

Датасет компании насчитывает более миллиона размеченных кадров, полученных с реальных видеозаписей на строительных площадках. Это исключительно исходные, несинтетические данные, собранные за три с половиной года. Они охватывают все сезоны, различные погодные условия, освещенность и качество съемки. По внутренней оценке, этот массив является крупнейшим в России среди размеченных реальных строительных кадров. Строительный датасет принципиально отличается от общих наборов вроде COCO или ImageNet, поскольку отражает конкретную среду эксплуатации: реальные ракурсы камер, расстояния, перекрытия, изменения освещения и погоды. Кроме того, отраслевые задачи требуют не просто обнаружения объектов, но и определения ситуаций, требующих внимания, что невозможно без учета временного контекста. Именно поэтому универсальные предобученные модели не могут заменить собственные отраслевые выборки при тонкой настройке.

На российском рынке видеомониторинга строительства спрос на такие системы растет. Компании, внедряющие ИИ, сталкиваются с необходимостью адаптации моделей к специфическим условиям каждой площадки. Конкуренты также накапливают данные, но масштаб и качество разметки становятся ключевыми факторами. Отраслевые эксперты отмечают, что успешное масштабирование требует не только больших объемов, но и продуманной стратегии сбора и аннотации. В условиях санкций и ограниченного доступа к зарубежным датасетам собственные размеченные данные становятся стратегическим активом. Российские разработчики вынуждены полагаться на внутренние ресурсы, что стимулирует развитие инструментов разметки и автоматизации. В сравнении с альтернативными подходами использование синтетических данных или аугментации может частично решить проблему нехватки примеров, но не заменяет реальные кадры. Синтетика не всегда точно воспроизводит сложные сочетания факторов, такие как перекрытия, блики, движение. Поэтому даже при наличии мощных генеративных моделей реальные данные остаются основой для обучения, а инвестиции в сбор и разметку окупаются за счет повышения точности и надежности системы.

В перспективе ожидается дальнейшее увеличение объемов данных и автоматизация разметки с помощью ИИ. Однако остаются открытые вопросы: как эффективно выявлять редкие события, как снизить стоимость разметки и как обеспечить конфиденциальность. Развитие технологий edge computing и федеративного обучения может позволить компаниям обмениваться моделями без передачи данных. Также важно создание отраслевых стандартов и бенчмарков для оценки качества датасетов. Пока же накопленный опыт показывает, что для успешного внедрения ИИ на стройке необходимо сочетать большие объемы реальных данных, тщательную разметку и постоянное дообучение модели. Именно этот баланс, а не погоня за абсолютными цифрами, определяет, насколько эффективно система будет работать на конкретном объекте.