Nizomiddin Xalilov

Проекты / Smart Yard — Computer Vision for the Truck Yard

2026 · International logistics company В работе

Smart Yard — Computer Vision for the Truck Yard

Семь камер на площадке и один конвейер: распознать транспорт, прочитать USDOT и номер юнита, проверить перевозчика и открыть ворота.

Исходный код закрыт

Живая демонстрация · Как это работает

    Камеры площадки присылали тысячи снимков, но не давали ответов: что это за грузовик, чей он, открывать ли ворота? Я обучил набор моделей YOLOv11 на кадрах с нашей же площадки — тип транспорта, цвет, номера USDOT и юнита, номер прицепа — и объединил их результаты в один кейс на каждую машину с проверкой по реестру FMCSA.

    Точность моделей
    82–95%

    Детекция, цвет и чтение номеров

    Обучающих изображений
    1,500+

    Размечены с камер нашей площадки

    Потоков с камер
    7

    Сводятся в один кейс на машину

    Задача

    Камеры, которые всё видят и ничего не сообщают

    Семь камер следят за площадкой и сбрасывают снимки в почтовый ящик вперемешку. Один грузовик даёт десяток кадров с четырёх ракурсов вперемешку с остальным транспортом, проехавшим в то же время.

    Готовые «умные» камеры читали госномер, но не USDOT и не номер юнита на кабине — а именно с ними работает логистическая компания. Готовые модели определения цвета тоже ошибались на наших кадрах: низкое солнце, тени и грязные прицепы превращали серый грузовик в белый.

    Решения и компромиссы

    Несколько узких моделей вместо одной «умной»

    • Детекция транспорта — YOLOv11 в реальном времени различает тягач, тягач с прицепом и легковой автомобиль.
    • Цвет — отдельная модель, обученная на снимках площадки: общие модели не справлялись с нашим освещением.
    • Чтение USDOT и номера юнита — детектор находит номер на кабине, затем фрагмент распознаётся. USDOT уходит в FMCSA API, которое возвращает компанию, её статус и контакты.
    • Номер прицепа — новые камеры не читали номера прицепов, поэтому этим занимается отдельная модель.
    • Сводный кейс — всё перечисленное объединяется в один кейс на машину: тип, цвет, USDOT, юнит, госномер и подтверждающие снимки.

    Маленькие модели проще переобучать и отлаживать: если номер прочитан неверно, сразу видно, на каком этапе ошибка.

    Архитектура

    Как это устроено

    7 камер → детекция транспорта (YOLOv11) → модель цвета
                            ↓
          чтение USDOT / юнита / номера прицепа
                            ↓
        FMCSA API (компания, статус, контакты)
                            ↓
      кейс на машину → правила ворот → открыть / закрыть
                            ↓
            журнал событий (Django + PostgreSQL)
    
    Результат

    Текущее состояние

    Каждая модель даёт 82–95% точности; обучение шло на более чем 1 500 размеченных снимках с площадки.

    Логика ворот работает на двух камерах: внешняя замечает подъехавший транспорт и отправляет команду на открытие, внутренняя видит, что машина проехала, и отправляет команду на закрытие. Каждое решение пишется в журнал событий. Сейчас легковые машины проезжают автоматически, а грузовики ждут этапа оплаты. Следующий шаг — пропускать без остановки грузовики с месячной подпиской на стоянку.

    Что бы я сделал иначе

    Что бы я сделал иначе

    Я бы с первого дня собирал сложные кадры — блики, дождь, ночь, грузовик наполовину вне кадра. Модели сильнее всего улучшались, когда такие случаи попадали в обучающую выборку, а в начале я выбрасывал их как шум.