OnsiteIQ 借助 Ultralytics YOLO11 将项目延误减少了 20%

在建筑行业，信息断层代价高昂。当项目进度落后时，业主、开发商和分包商往往需要数周时间来查明原因、明确责任并商定解决方案。在此期间，延误不断加剧，预算受到侵蚀，收益也随之流失。对于延期两个月的酒店项目而言，这一时间差可能占据原始预计投资回报率的很大一部分。

核心问题在于可视化。建筑项目涉及大量不同工种在庞大而复杂的工地上同时作业。如果没有关于“何时、何地、由谁完成了什么”的可靠且连续的记录，纠纷将很难快速解决，进展也很难准确预测。

OnsiteIQ 的诞生正是为了填补这一空白。该公司在活跃的建筑工地上部署了一支采集专员网络，根据项目情况，定期按周、每两周或按天使用 360 度相机采集每个工地的全部影像资料。

这些影像随后被转换为带有地理位置信息的图像，并输入到专有的 AI 管道中，以检测施工进度、标记安全风险并提供运营洞察——这一切均由 Ultralytics YOLO11 提供支持。

将建筑智能带到每一个工地#

OnsiteIQ 为房地产领域的业主和开发商提供建筑智能服务。截至目前，OnsiteIQ 已监测了美国和加拿大 200 多个城市的 3,000 多个项目，涵盖超过 340 亿美元的新开发项目。其平台使项目团队无需亲临现场，就能近乎实时地了解工地动态。管理着一百万平方英尺开发项目的团队可以在一个工作日内审查整个工地，并获得按楼层、按工种和按区域划分的、由 AI 生成的进度洞察。

该平台围绕一个简单的价值主张设计：确保投入的资金按时、按预算达到预期成果。施工延误具有直接的财务影响。如果酒店交付延迟两个月，该期间损失的客房收入将直接侵蚀项目的投资回报率。OnsiteIQ 为项目团队提供可视性，以便及早发现工序衔接问题，例如识别出干墙收尾工作超前，并提醒电气和管道工种跟上进度，从而在这些问题引发更大范围的延误之前将其化解。

除了进度跟踪外，该平台还支持安全和风险监测。检测灭火器、火灾报警器、水浸和其他现场状况，为项目团队提供了一层额外的监督保障，否则这将需要专门进行现场巡查。

在不断变化的工地上跟踪进度的挑战#

建筑工地是动态环境。从挖掘、上部结构到机电粗装、干墙和室内精装修，项目每个阶段的同一空间看起来都完全不同。跟踪哪些已完成、哪些未完成，需要一个能够同时理解所有这些阶段中工地视觉状态的系统。

解决这一问题的传统方法（如实地巡视、进度报告和照片提交）通常劳动强度大、不一致，且难以在大规模或复杂的项目中进行扩展。

对于 OnsiteIQ 来说，挑战在于构建一个检测系统，能够在每个项目数十万张图像中准确识别建筑特定类别，且适应因工地、光照和阶段而异的复杂条件。该系统既需要足够快以在后台处理大量图像，又需要足够准确以支持财务和运营决策，还要足够灵活，以便随着公司可检测类别本体的不断增长而扩展。

OnsiteIQ 如何使用 Ultralytics YOLO11#

OnsiteIQ 的 AI 管道围绕 Ultralytics YOLO11 分割构建，并在工地上捕获的每张图像上运行。该系统采用专有本体（由 OnsiteIQ 构建和维护的建筑类别结构化知识系统）作为模型训练和检测的基础。正如首席产品经理 Rammohan Adabala 所描述的那样，本体正是使检测达到决策级别的关键：类别既按状态定义，也按对象定义，因此系统能够区分已悬挂的干墙与已完成接缝处理或粉刷的干墙。正是这种区分，才使得图像级检测能够汇集成业主可据此采取行动的进度数据。

该管道分两个阶段工作：

• 图像级检测。工地上捕获的每张 360 度图像都会通过 YOLO11 分割模型，该模型检测并分类图像中存在的建筑构件。该本体涵盖建筑各个阶段的广泛类别，从裸露的混凝土上部结构和机电粗装到未刷漆的干墙、完成面以及安装好的家电。例如，检测到冰箱或烤箱即告诉系统住宅或酒店单元已进入精装修阶段。

• 聚合为洞察。单个图像检测结果在项目的完整数据集上进行聚合，从而得出楼层级和工种级的进度指标。这些指标会输入到平台的进度跟踪、进度计划分析、风险分析和安全仪表板中，直接呈现给业主、开发商和项目经理。

与单纯的边界框检测相比，使用分割为 OnsiteIQ 提供了更丰富的空间信息。随着公司本体的扩展，OnsiteIQ 也在开发一种将分割模型与分类器相结合的集成架构，从而使系统能够比单个模型更有效地提高在不断增长的类别集上的准确性。

图 1. 正在利用 Ultralytics YOLO11 工作的 OnsiteIQ 平台。

为什么选择 Ultralytics YOLO11？#

OnsiteIQ 选择 Ultralytics YOLO11 是因为它结合了检测准确性、训练灵活性，以及团队构建和迭代自有专有数据集的便捷性。据首席工程师 Evgeny Nuger 称，快速入门、构建数据集、运行训练器以及对结果进行迭代的能力，比从头开始构建自定义基础设施要快得多，这也是团队转向 Ultralytics 的主要原因之一。

由于 OnsiteIQ 的训练数据是专有的（直接从活跃工地上捕获并根据公司自己的本体进行标注），团队使用 AWS 上的自有基础设施，并利用 Ultralytics Python package 来运行训练并保持模型更新。这种方法让 OnsiteIQ 能够完全掌控自身数据，同时受益于 YOLO 模型系列的性能和可靠性。

随着 OnsiteIQ 用例的发展，YOLO 架构的灵活性也变得至关重要。从单个分割模型开始，随着本体的增长，团队现在正朝着集成方法发展——这是一个自然的演进，YOLO 框架对此给予了支持，而无需对底层管道进行根本性更改。

规模化建筑智能的影响#

OnsiteIQ 已与其客户开展了影响研究，以量化部署其平台所带来的运营改进。在这些研究中，出现了一些一致的指标：

• 纠纷解决速度提高 3 倍。81% 的用户报告纠纷解决速度更快，平均解决时间缩短了 3 倍，根据项目阶段和复杂程度，处理速度甚至可提升高达 7 倍。借助对工地每个区域的连续地理位置视觉记录，利益相关者可以快速查明问题发生的时间和地点，从而减少在不同工种之间来回扯皮的时间。

• 节省 25,000 至 400,000 美元的超支成本。客户报告称，通过在工序问题和风险升级之前将其捕获，每个项目避免了 25,000 至 400,000 美元的成本超支。

• 项目延误减少 20%。鉴于大多数建筑项目都落后于计划完工，延误减少 20% 意味着交付可预测性和收益实现能力有了显著提升。

• 交付可预测性提高 24%。78% 的用户报告项目交付可预测性得到改善，平均增幅达 24%，为业主和开发商的财务规划和利益相关者报告提供了更可靠的依据。

总体而言，该平台还充当了长期资产记录。施工完成后，设施管理者可以使用 OnsiteIQ 的图像来了解墙壁后面的情况、定位管道或调查建筑问题，而无需盲目猜测或进行具有破坏性的勘探工作。

贯穿全项目生命周期的持续可视化#

OnsiteIQ 正在解决建筑行业一个根本的信息问题。大型项目涉及巨额资金、多个工种之间复杂的协调，以及对延误的高财务风险。通过将 360 度采集与建立在 Ultralytics YOLO11 之上的 AI 管道相结合，OnsiteIQ 为项目团队提供了保持项目按计划推进所需的可见性，从挖掘的第一天一直到移交及以后。

结果显而易见：纠纷解决速度提高三倍，延误减少五分之一，每个项目避免了数十万美元的成本超支。随着 OnsiteIQ 本体不断扩展以及集成模型架构的发展，Ultralytics YOLO 依然是旨在将可靠、连续的智能带到每个工地的核心平台。

对面向建筑和基础设施的视觉 AI 感兴趣？探索我们的licensing options，将计算机视觉解决方案引入您的项目。访问我们的GitHub repository并加入我们的community。