OnsiteIQ 构建了一个由 Ultralytics YOLO11 驱动的施工智能平台，在 360 度施工现场运行分割模型，实时检测施工进度、安全风险和运营问题，将项目延误减少了 20%。
在建筑施工中，信息缺口代价高昂。当项目进度落后时，确定原因、划分责任，以及让业主、开发商和分包商就解决方案达成一致，可能需要数周时间。在此期间，延误不断累积，预算逐渐缩水，收入也随之损失。对于一座延误两个月的酒店，这一缺口可能占原始预计投资回报的很大一部分。
核心问题在于可视性。建筑项目涉及数十个工种在大型、复杂的施工现场同时作业。如果没有可靠、连续的记录来说明哪些工作已完成、何时完成以及由谁完成，争议就难以快速解决，进度也难以准确预测。
OnsiteIQ 旨在弥合这一缺口。公司会向在建施工现场部署由采集专家组成的网络，根据项目情况，按每周、每两周或每天的固定频率，使用 360 度摄像头采集每个施工现场 100% 的影像。
随后，这些影像会被转换为带地理定位信息的图像，并通过专有 AI 流程处理，以检测施工进度、标记安全风险并发掘运营洞察，整个流程由 Ultralytics YOLO11 驱动。
将施工智能带到每个施工现场#
OnsiteIQ 为房地产领域的业主和开发商提供施工智能。截至目前，OnsiteIQ 已监测美国和加拿大 200 多座城市中的 3,000 多个项目，覆盖超过 340 亿美元的新开发项目。其平台让项目团队无需亲临现场，就能近乎实时地了解施工现场正在发生的情况。负责管理一百万平方英尺开发项目的团队，可以在一个工作日内查看整个现场，并获取 AI 生成的按楼层、工种和区域划分的进度洞察。
该平台围绕一个直观的价值主张进行设计：确保投入的资本按时、按预算实现预期成果。施工延误会直接造成财务影响。如果一座酒店晚交付两个月，这段时间损失的客房收入会直接侵蚀项目的投资回报。OnsiteIQ 为项目团队提供可视性，让他们能够及早发现工序安排问题，例如发现石膏板饰面施工进度超前，并提醒电气和管道工种跟上进度，以免这些问题引发更大范围的延误。
除进度跟踪外，该平台还支持安全和风险监测。检测灭火器、火灾报警器、进水情况及其他现场状况，为项目团队提供了额外的监督层，否则这些工作通常需要专门人员进行现场巡检。
在不断变化的施工现场跟踪进度的挑战#
施工现场是动态变化的环境。从开挖和主体结构施工，到机电粗装、石膏板施工和室内装修，项目的每个阶段都会让同一空间呈现完全不同的面貌。要跟踪哪些工作已完成、哪些尚未完成，需要一个能够同时理解现场在所有这些阶段中的视觉状态的系统。
针对这一问题的人工方法，例如现场巡查、进度报告和照片提交，通常劳动强度高、缺乏一致性，而且难以扩展到大型或复杂项目。
对 OnsiteIQ 而言，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，准确识别施工专属类别，同时应对不同现场、光照和施工阶段带来的显著差异。该系统需要足够快速，能够在后台处理大量图像；足够准确，能够支持财务和运营决策；还要足够灵活，能够随着公司可检测类别本体的持续扩展而发展。
OnsiteIQ 如何使用 Ultralytics YOLO11#
OnsiteIQ 的 AI 流程基于 Ultralytics YOLO11 分割模型构建，运行于施工现场采集的每一张图像之上。该系统使用专有本体作为模型训练和检测的基础。本体是由 OnsiteIQ 构建并维护的结构化施工类别知识体系。首席产品经理 Rammohan Adabala 介绍道，本体让检测结果达到可用于决策的标准：类别不仅按对象定义，也按状态定义，因此系统能够区分已安装的石膏板与已完成接缝处理或刷漆的石膏板。正是这种区分，让图像级检测结果能够汇总为业主可以据此采取行动的进度信息。
该流程分为两个阶段：
• 图像级检测。施工现场采集的每张 360 度图像都会通过 YOLO11 分割模型处理，检测并分类图像中存在的施工元素。本体涵盖施工各阶段的大量类别，从裸露的混凝土主体结构和 MEP 粗装，到未刷漆的石膏板、完成的表面和已安装的家电。例如，检测到冰箱或烤箱，就能告诉系统住宅或酒店单元已进入收尾阶段。
• 汇总为洞察。系统会将单张图像中的检测结果汇总到项目的完整数据集中，生成楼层级和工种级进度指标。这些指标会输入平台的进度跟踪、进度计划分析、风险分析和安全仪表板，并直接呈现给业主、开发商和项目经理。
使用分割技术后，OnsiteIQ 能够获得比单独使用边界框检测更丰富的空间信息。随着公司本体不断扩展，OnsiteIQ 也在开发一种集成架构，将分割模型与分类器结合起来，使系统能够比单一模型更高效地提升不断扩大的类别集合的准确率。
图 1. 利用 Ultralytics YOLO11 运行中的 OnsiteIQ 平台。
为什么选择 Ultralytics YOLO11？#
OnsiteIQ 选择 Ultralytics YOLO11，是因为它兼具检测准确率、训练灵活性，以及团队能够轻松构建和迭代自有专有数据集的便利性。据首席工程师 Evgeny Nuger 介绍，从快速入手、构建数据集、运行训练器到迭代结果，整个过程明显快于从零开始构建定制基础设施，这也是团队转向 Ultralytics 的主要原因之一。
由于 OnsiteIQ 的训练数据属于专有数据，直接采集自活跃施工现场，并依据公司自有本体进行标注，因此团队在 AWS 上管理自己的基础设施，使用 Ultralytics Python 软件包 运行训练并保持模型更新。这种方式让 OnsiteIQ 能够完全掌控数据，同时受益于 YOLO 模型系列的性能和可靠性。
随着 OnsiteIQ 使用场景的发展，YOLO 架构的灵活性也变得十分重要。团队最初使用单一分割模型，如今随着本体不断扩展，正逐步构建集成方案。这一自然演进受到 YOLO 框架支持，无需对底层流程进行根本性改变。
大规模施工智能的影响#
OnsiteIQ 与客户开展了影响研究，用于量化部署其平台后带来的运营改善。在这些研究中，出现了几项一致的指标：
• 争议解决速度提升 3 倍。81% 的用户表示争议解决速度更快，平均解决时间缩短至原来的三分之一；具体情况取决于项目阶段和复杂程度，部分案例的解决速度最高提升 7 倍。借助覆盖现场每个区域的连续地理定位视觉记录，利益相关方可以快速确定问题何时何地出现，从而减少工种之间反复沟通所耗费的时间
• 节省 25,000 至 400,000 美元的成本超支。客户表示，通过在工序安排问题和风险升级之前及时发现，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会延期完工，延误减少 20% 意味着交付可预测性和收入实现能力得到显著改善。
• 交付可预测性提升 24%。78% 的用户表示项目交付可预测性有所改善，平均提升 24%，为业主和开发商提供了更可靠的财务规划和利益相关方报告依据。
总体而言，该平台还可作为长期资产记录。施工完成后，设施管理人员可以利用 OnsiteIQ 的影像了解墙体内部的情况、定位管道，或调查建筑问题，而无需凭猜测或开展具有破坏性的探查工作。
覆盖完整项目生命周期的持续可视性#
OnsiteIQ 正在解决建筑施工中的一个根本性信息问题。大型项目涉及大量资本、多个工种之间的复杂协作，以及因延误而面临的高额财务风险。通过将 360 度影像采集与基于 Ultralytics YOLO11 构建的 AI 流程相结合，OnsiteIQ 为项目团队提供了保持项目按计划推进所需的可视性，从第一天开挖一直到交付使用及后续阶段。
成果是可量化的：争议解决速度提升 3 倍，延误减少五分之一，每个项目避免数十万美元的成本超支。随着 OnsiteIQ 的本体不断扩展、集成模型架构持续发展，Ultralytics YOLO 仍是这一平台的核心，助力其为每个施工现场带来可靠、持续的智能能力。
想了解面向建筑和基础设施的视觉 AI？探索我们的 许可选项，将计算机视觉解决方案引入你的项目。访问我们的 GitHub 代码仓库，并加入我们的 社区。
