Стройка под прицелом AI: как TrueLook заставил камеры следить за касками и сэкономил миллионы

Проблема: люди не носят каски, а менеджеры не спят по ночам

Представьте стройплощадку на 500 человек. Каждый день - это 500 потенциальных травм головы. OSHA (Управление по охране труда) штрафует за каждое нарушение так, что проще было бы построить золотой унитаз для инспектора. Менеджеры проекта ходят с тремором в руках, потому что один работник без каски - это не просто риск, это гарантированный штраф в десятки тысяч долларов и остановка работ.

TrueLook, компания, которая ставит камеры на стройках для таймлапсов, столкнулась с этим в лоб. Их клиенты спрашивали: "У вас же камеры уже висят, почему они не могут крикнуть, когда кто-то без каски зашел в опасную зону?"

Вот и вся проблема. Видео есть. Мозга - нет.

Решение: заставить камеры думать, но не разоряться на инфраструктуре

TrueLook не хотел становиться дата-центром. У них уже были камеры, интернет и облако AWS. Задача свелась к тому, чтобы встроить "мозг" в существующий поток.

Их выбор пал на Amazon SageMaker. Не потому что это модно (хотя и это тоже), а потому что SageMaker в 2026 году - это уже не просто площадка для тренировки моделей. Это полноценный MLOps-стек, который умеет работать с потоковым видео из коробки.

Архитектура, которую они построили, напоминает конвейер на заводе, где вместо деталей - кадры видео, а вместо станков - нейросети.

Архитектурный разбор: от пикселя до алерта

Давайте разберем по косточкам, как работает эта система. Это не теория - это production-архитектура, которая обрабатывает тысячи часов видео ежедневно.

1 Сбор и потоковая передача видео

Камеры TrueLook - это обычные IP-камеры, которые уже стоят на стройках. Они не "умные", они просто тупо шлют H.264 поток на медиасервер в AWS.

Здесь первая хитрость: вместо того чтобы слать сырое видео 4K, камеры настроены на оптимальное качество для детекции. 1080p, 15 кадров в секунду. Этого достаточно, чтобы увидеть каску на голове, но в 4 раза меньше данных, чем в 4K.

# Пример конфигурации потока с камеры
stream_config = {
    "resolution": "1920x1080",
    "fps": 15,
    "codec": "h264",
    "bitrate": "2048k",  # Достаточно для детекции, мало для оплаты трафика
    "motion_threshold": 0.05,  # Запускать анализ только при 5% изменения в кадре
    "regions_of_interest": [  # Анализировать только опасные зоны
        {"x": 100, "y": 100, "width": 800, "height": 600},
        {"x": 900, "y": 200, "width": 500, "height": 400}
    ]
}

2 Предобработка и детекция движения

Видеопоток попадает в AWS Kinesis Video Streams. Это сервис, который создан именно для работы с потоковым видео. Он умеет разбивать поток на фрагменты (чанки), хранить их временно и отдавать для обработки.

Лямбда-функция, подписанная на Kinesis, получает каждый чанк и делает первую фильтрацию: детекция движения. Если в кадре ничего не движется - чанк отбрасывается. Если движение есть - чанк отправляется дальше.

3 Детекция объектов: где YOLO v11 в 2026 году

Вот здесь начинается магия. Кадры с движением попадают в SageMaker Endpoint с реальным временем инференса (real-time inference).

TrueLook использует YOLO v11 (на 2026 год это последняя стабильная версия), дообученную на своих данных. Почему YOLO, а не какой-нибудь fancy трансформер? Потому что скорость. YOLO v11 на T4 GPU обрабатывает 1080p кадр за 15-20 мс. Трансформеру нужно 100-150 мс. На масштабе тысяч камер эта разница - это или Ferrari, или Запорожец в парке машин.

Модель обучена детектировать:

• Каски (разных цветов - важно для区分 subcontractors)
• Жилеты повышенной видимости
• Защитные очки
• Перчатки
• Лица (чтобы отличать людей от, скажем, мешков с цементом)

Архитектура SageMaker Endpoint настроена на автоскейлинг. Нет движения - 1 инстанс. Пиковая нагрузка (утренний приход рабочих) - 10 инстансов. В 22:00 система сама скалируется обратно до 1.

# Конфигурация SageMaker Endpoint для YOLO v11
endpoint_config = {
    "InstanceType": "ml.g5.2xlarge",  # GPU инстанс с 24GB памяти
    "InitialInstanceCount": 1,
    "AutoScaling": {
        "MinInstanceCount": 1,
        "MaxInstanceCount": 10,
        "TargetValue": 70.0,  # Scale out при 70% утилизации GPU
        "ScaleInCooldown": 300,  # Не scale in чаще чем раз в 5 минут
        "ScaleOutCooldown": 60
    },
    "ModelDataUrl": "s3://truelook-models/yolo-v11-2026-01/model.tar.gz",
    "Environment": {
        "MODEL_SERVER_WORKERS": "2",
        "MAX_CONCURRENT_TRANSFORMS": "10"
    }
}

4 Постобработка и бизнес-логика

Детекция - это только половина дела. Нейросеть говорит: "В кадре 3 человека, у 2 есть каски". Бизнес-логика должна решить: "Это нарушение? Кому и как сообщить?"

TrueLook использует Step Functions для оркестрации потока:

1. Получить результат детекции от SageMaker
2. Применить правила (например, в зоне крана каска обязательна, в офисе на стройплощадке - нет)
3. Если нарушение - проверить, не было ли уже предупреждения этому человеку в последние 5 минут (чтобы не спамить)
4. Отправить алерт: в мобильное приложение прораба, в Slack-канал безопасности, записать в базу данных
5. Если нарушение критическое (человек в опасной зоне без СИЗ) - запустить сирену на стройплощадке

Вся эта логика живет в Step Functions, которые легко дебажить и мониторить. Если что-то пошло не так - видно на диаграмме, где именно застрял процесс.

5 MLOps: как модель не сходит с ума со временем

Самая интересная часть. Модель, обученная в январе 2026, к июню уже может "глючить". Появляются новые типы касок, рабочие носят худи под касками (да, это реальная проблема), освещение меняется с сезоном.

TrueLook построил continuous retraining pipeline:

• Каждый день система собирает "сложные" кадры, где уверенность модели была низкой (confidence < 0.7)
• Эти кадры попадают в S3 bucket для разметки
• Разметчики (и автоматическая разметка через модель-учитель) обрабатывают 100-200 кадров в день
• Каждую неделю запускается тренировка на SageMaker на обновленном датасете
• Новая модель проходит A/B тестирование на 5% трафика
• Если метрики лучше - полный rollout

Это тот самый MLOps, о котором все говорят, но мало кто делает правильно. Если интересно, как строить такие пайплайны, у меня есть подробный разбор в статье про on-prem AI стек.

Технические нюансы, о которых молчат в маркетинговых брошюрах

Вот что действительно важно, но редко обсуждается:

Ошибки, которые совершил бы я (и, наверное, вы)

Глядя на архитектуру TrueLook, я вижу несколько мест, где большинство инженеров (включая меня в прошлом) наступали на грабли:

1. Пытаться детектировать все и сразу. Первая версия детектила 20 классов объектов. Точность была 60%. Вторая версия - только 5 критических классов. Точность - 94%. Иногда меньше - это больше.
2. Игнорировать бизнес-контекст. Модель видит человека без каски. Бизнес-логика должна знать, что в столовой это нормально, а в котловане - нет. Без этого любая AI система превращается в игрушку.
3. Экономить на мониторинге модели. Модель - это не "натренировал и забыл". Ее accuracy падает на 1-2% каждый месяц просто потому что мир меняется. Нужен мониторинг дрифта, как в статье про почему падают модели CV.
4. Не готовить масштабирование с дня 1. Пилот на 5 камерах работает отлично. Попробуйте запустить на 500. Все ломается. TrueLook с самого начала строил архитектуру для тысяч камер, даже если начинал с десятка.

Что дальше? AI-прораб, который сам выписывает штрафы

TrueLook уже работает над следующими фичами:

• Predictive analytics: AI предсказывает, где и когда вероятны нарушения, основываясь на погоде, времени дня, усталости рабочих
• Интеграция с wearables: данные с умных касок (удар, падение) + видео с камер = полная картина инцидента
• Автоматические отчеты для OSHA: система сама генерирует ежемесячные отчеты о нарушениях и мерах по их устранению

Самое интересное - это потенциальная интеграция с городскими системами, где данные со стройплощадок помогают планировать инфраструктуру.

И последнее: эта архитектура - не уникальна. Ее можно адаптировать для любой отрасли, где нужно следить за соблюдением правил: склады, заводы, больницы, аэропорты. Главное - начать с простого (детекция касок), отточить пайплайн, а потом добавлять сложность.

Как сказал мне техлид TrueLook: "Мы начали с того, что отличали человека от столба. Через год наша система отличала субподрядчика по цвету каски и знала, что у него истек срок обучения по технике безопасности".

Вот что значит настоящий MLOps - когда модель не просто видит пиксели, а понимает контекст.