Агропромышленность

Датасет для беспилотных комбайнов: разметка данных под управление техникой

Создали и верифицировали датасет из 20 000+ объектов для обучения нейросети, которая управляет беспилотной уборочной техникой. Наш подход к разметке обеспечил точность данных и прозрачность на каждом этапе проекта. 

agri-machine-vision-dataset.png
agri-machine-vision-dataset-2.png
agri-machine-vision-dataset.png
NDA
ЗаказчикКрупный агрохолдинг, внедряющий системы искусственного интеллекта для автоматизации парка сельскохозяйственной техники.
ЗадачаПодготовить высококачественный размеченный датасет для обучения нейросетевых моделей. Система должна была научиться в реальном времени распознавать десятки классов объектов — от типов полей и ландшафта до различных видов техники, людей и инфраструктурных элементов (ЛЭП, здания) — для безопасной и эффективной работы беспилотных комбайнов.

О проекте

Для автономной сельхозтехники качество данных напрямую влияет на безопасность и эффективность работы в поле. В рамках проекта мы создали эталонный датасет, который стал основой для обучения и валидации нейросети управления беспилотными комбайнами.

NDA
ЗаказчикКрупный агрохолдинг, внедряющий системы искусственного интеллекта для автоматизации парка сельскохозяйственной техники.
ЗадачаПодготовить высококачественный размеченный датасет для обучения нейросетевых моделей. Система должна была научиться в реальном времени распознавать десятки классов объектов — от типов полей и ландшафта до различных видов техники, людей и инфраструктурных элементов (ЛЭП, здания) — для безопасной и эффективной работы беспилотных комбайнов.

20 000 полигонов

за 18 рабочих дней - масштаб датасета и объем работы
1
Анализ и декомпозиция
Проанализировали видеопотоки с бортовых камер и совместно с заказчиком сформировали детальное ТЗ. Определили 15+ классов объектов для разметки, включая динамические (валки травы), технику и элементы ландшафта.
2
Итеративная разметка
Команда профессиональных разметчиков выполнила полигональную сегментацию объектов на видео — от техники и инфраструктуры до людей в поле.
3
Прозрачный трекинг работ
Вместо абстрактных «задач» внедрили учет по полигонам. Каждое действие (создание, правка, удаление) фиксировалось в трекинг-таблице, обеспечивая контроль объема и бюджета.
4
Контроль качества
20% данных проходили обязательную верификацию старшим специалистом. Итоговая чистота датасета — 93,7%, подтвержденная проверками.
5
Передача датасета
Готовый размеченный датасет передан заказчику в согласованном формате, полностью готовый для обучения нейросетевых моделей.

Результат

Вместо непрозрачной оценки по "задачам" или "часам", мы предложили измеряемую и понятную метрику — стоимость за полигон. 

 

 

Заказчик в любой момент мог получить отчет и точно знал, за какой объем работы он платит. Такой подход полностью исключил риск перерасхода бюджета и сделал процесс на 100% контролируемым.

Вызовы и решения

Непредсказуемость объема работ

значально клиент предложил оценивать работу по "тикетам" или "issue", но тестовый прогон показал, что одна "проблема" в данных могла требовать исправления десятков и сотен полигонов. Это делало оценку стоимости и сроков непредсказуемой, что является риском для бизнеса.
РЕШЕНИЕ

Полигон как измеряемая метрика

Мы предложили и обосновали подход, при котором единицей тарификации является полигон (создание, правка, удаление). Для этого мы разработали простую, но эффективную систему трекинга, которая фиксировала каждое действие. Клиент получил полный контроль над бюджетом, а мы — четкий KPI для команды. Это решение превратило хаос в управляемый и масштабируемый процесс.

Оптимизация разметки сложных объектов

В ходе работы заказчик (технический директор) высказал гипотезу, что пересоздание полигона для сложных объектов, может быть быстрее, чем редактирование существующего.
РЕШЕНИЕ

Экспертный диалог и гибкость процесса

Мы не стали слепо следовать инструкции, а вступили в диалог. Мы высоко ценим техническую экспертизу на стороне клиента и всегда открыты к предложениям. Мы попросили продемонстрировать предложенный метод и совместно выработали оптимальный пайплайн, включив лучшие практики с обеих сторон в итоговое ТЗ для разметчиков. Это показало нашу гибкость и готовность работать в режиме партнерства, а не простого исполнителя, что особенно ценно для владельцев бизнеса. Мы также обсудили перспективные инструменты, такие как SAM (Segment Anything Model), и договорились о плане их тестирования в будущих итерациях, не останавливая текущий процесс.

93,7%

Точность и чистота итогового датасета после всех этапов валидации

до 500

уникальных объектов содержал час видео с поля

100%

прозрачность: каждый рубль в проекте был привязан к измеримому результату — размеченному полигону.

Команда, которая внедрила проект

Роман Фёдоров
Бизнес-аналитик
Марк Яговкин
Руководитель разметки данных

Бесплатный разбор вашей задачи

На экспертной встрече разберем, какие сценарии внедрения ИИ для вашего бизнеса перспективны и возможны на вашем действующем оборудовании. Подготовим экономическое обоснование внедрения ИИ.

Рассмотрим технические ограничения и возможный первый этап проекта.

О вашей задаче (по желанию)

Готовые проекты

Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.

bracket
Разработка ИИ-системы
ИИ-видеоконтроль упаковки и отгрузки товаров для маркетплейсов
marketplace-claims-video-evidence.jpg
Разработка крупной системы
Нейросеть для определения возраста: аналитика и безопасность в одном решении
age.webp
ИИ для образования
Распознавание рукописного текста на экзаменационных бланках с помощью нейросети
ocr-documents-case.png
Разработка крупной системы
ИИ-система для оценки повреждений автомобилей
damage-detection-case.png
Пилотный запуск
Интеллектуальная видеоаналитика для контроля периметра, выявления угроз на интроскопах и БПЛА
ai-video-security-industrial-sites.jpg
Видеоаналитика для ресторанов
ИИ-контроль времени сборки заказов
ai-tray-order-analysis-fast-food.jpg