既存のセキュリティカメラにAI分析を追加する方法

セキュリティカメラにAIを導入する方法を尋ねる組織のほぼすべてが、必要な答えをすでに3つの選択肢のどこかに持っています。よくある間違いは、保有設備ではなくソフトウェアから検討を始めることです。所有するカメラ（重要な距離での解像度、角度、低照度での性能、映像ストリームを処理できる場所）によって、3つの方法のうち実行可能なものが決まります。

このガイドでは、最初に行うべき率直なカメラ監査を説明し、続いて3つの方法を紹介します。既存のビデオ管理システムに重ねて使う分析レイヤーの導入、VMSまたはカメラ自体のアップグレード、既存のストリーム上での検出モデルのセルフホスティングです。ほとんどの読者には、最初の2つのいずれかが適しています。3つ目も特定の制約条件では現実的な選択肢であり、このガイドではどのような場合に適するかを明確にします。

ソフトウェアではなく、保有設備から始める#

分析ベンダーは、必要な検出に対応できないカメラにも喜んで接続します。評価の前に監査してください。

• メガピクセル数ではなく、対象上のピクセル数。広い敷地をカバーする4Kカメラでは、40メートル先にいる人物に割り当てられるピクセル数が、出入口をカバーする1080pカメラより少ない場合があります。検出対象ごとに最低限必要なピクセル高があり、これが既存設備への後付けで期待外れになる最も一般的な原因です。
• 角度。セキュリティ目的のカメラは通常、広い範囲で顔を捉える角度に設置されています。これは、上方からの映像が斜めの映像より大幅に優れる人数カウントやゾーン判定には、最悪に近い撮影配置です。
• 低照度および逆光時の挙動。夕暮れ、夜間、そして太陽がレンズに向かう時間帯にテストしてください。赤外線照明によって画像の特性は大きく変わるため、日中の映像だけで評価したモデルでは、予想外の結果になることがあります。
• フレームレートとコーデック。強く圧縮された低フレームレートのストリームでは、モデルが頼りにするディテールが失われます。レコーダーが実際に保存する映像と、カメラが出力できる映像を確認してください。
• ストリームへのアクセス。録画品質を低下させずに、カメラごとに2つ目のRTSPストリームを取得できますか？多くのカメラは低解像度のサブストリームに対応しており、多くの場合、処理に十分で、コストも大幅に抑えられます。
• ネットワーク容量とトポロジー。多数のストリームで継続的に分析を行うには、中央サーバーへの帯域幅を消費するか、カメラの近くに計算リソースを配置する必要があります。ソフトウェアの好みよりも、この点がアーキテクチャを決定することがよくあります。
• カメラの経過年数とパッチ適用状況。デフォルトの認証情報が設定されたままフラットネットワークに接続されているカメラは、分析の機会を検討する以前にセキュリティ上の問題です。

この監査の結果、通常はカメラの用途が分かれます。一部のカメラはゾーン検出や存在検出に適し、詳細な分類に十分なカメラはさらに少なく、数台はどの方法を選ぶにしても再配置または交換が必要です。

3つの方法#

方法1：既存のVMSに重ねる分析レイヤー#

これが標準的な推奨方法です。これらの製品は、カメラ設備を置き換えずに検出機能を追加するために開発されています。標準的なセキュリティ用途では、自社で構築するよりも迅速かつ低コストです。

BriefCam。録画映像の迅速な確認や検索に強みを持つビデオコンテンツ分析レイヤーで、オンプレミスに導入できます。過去の映像から事象を見つける作業が主となる、調査を多く行う環境に最適です。トレードオフ：VMSの上に追加コンポーネントとして導入され、VMSを置き換えるものではありません。

IronYun / Vaidio。幅広いセキュリティ検出カタログを備え、既存のカメラやVMSプラットフォームに検出機能を追加するために設計されたAI分析レイヤーです。録画インフラに手を加えずに分析機能を増やしたい組織に最適です。トレードオフ：統合チェーンに新たなベンダーが加わるため、テストと保守が必要です。

Lumana。既存のカメラ設備へのAI追加に重点を置き、新規導入を前提とせず、既存設備への後付けそのものに配慮しています。現在のカメラを維持することが明確な要件となっているチームに最適です。トレードオフ：実績あるVMSベンダーと比べると、新しいサービスです。

Volt.ai。同様に、既存の監視インフラにAIを重ねることを重視し、提供内容の一部として統合ガイダンスを明示しています。さまざまなカメラハードウェアが混在する環境に後付けで導入したい組織に最適です。トレードオフ：他のオーバーレイと同様、結果の品質は基盤となるカメラに左右されます。

4製品すべてで得られるもの：標準的な検出（人物や車両の存在、ライン横断、ゾーン侵入、徘徊、置き去り物体、群衆密度、録画映像に対する属性ベースの検索）、サポート、および精度に責任を持つ担当者です。得られないもの：カタログにない検出機能です。

対象範囲に関する注意点が1つあります。これらの製品のいくつかは映像に対する属性検索を宣伝していますが、衣服の色などの説明的属性の照合を指すのか、人物の識別を指すのかはベンダーによって大きく異なります。この2つは機能としても法的リスクとしても大きく異なるため、何を購入し、実際に何を求めているのかを明確にすることが重要です。人物識別ではなく属性検出とイベント検出に範囲を限定すれば、コンプライアンス上の検討が簡素になり、ほとんどのセキュリティ業務には十分です。

方法2：VMSまたはカメラのアップグレード#

分析機能ではなく、保有設備自体が制約になっている場合、率直な答えは既存設備の見直しです。カメラが古く、設置位置が悪く、パッチを適用できず、低フレームレートで録画しているなら、その上にAIを重ねても期待外れになります。

Genetec Security Center。サイバーセキュリティとプライバシーのツールが充実した、ビデオ、アクセス制御、ALPRの統合プラットフォームで、オンプレミスに導入できます。物理セキュリティを統合する必要がある大規模企業や公共部門の設備に最適です。トレードオフ：対応する専門知識を必要とする大規模なプラットフォームです。

Milestone XProtect。サードパーティ統合エコシステムが充実したオープンプラットフォームのVMSであり、録画レイヤーとは独立して分析機能を選べます。その選択肢を維持したい組織に最適です。トレードオフ：統合環境の構築を担う担当者が必要です。

Avigilon Unity。分析機能を内蔵し、カメラとソフトウェアの緊密な統合を実現するオンプレミスのビデオセキュリティ製品です。単一ベンダーによる一貫したスタックを求めるチームに最適です。トレードオフ：自社製カメラを導入した場合に最も効果を発揮します。

Verkada。分析機能を内蔵したクラウド管理型カメラで、導入と管理の容易さを重視しています。現地のIT人員が限られている、複数拠点に分散した組織に最適です。トレードオフ：クラウド管理型アーキテクチャのため、一部のデータ保管場所要件を満たせません。

Rhombus。同様に、分析機能を含むクラウド管理型製品で、複数拠点への簡単な導入を想定しています。迅速な導入を求める中堅企業に最適です。トレードオフ：前述と同様、映像をローカルに保管する必要がある場合、クラウドモデルが制約になります。

Eagle Eye Networks。オープンなAPI方式と分析オプションを備えたクラウドビデオ管理製品です。統合の柔軟性を保ちながらクラウド管理を利用したい組織に最適です。トレードオフ：クラウド中心のアーキテクチャです。

Axis Camera Station。Axisカメラとカメラ内分析機能を備えた、シンプルなオンプレミスのビデオ管理製品で、ハードウェアの来歴に関する詳細な文書が特に充実しています。中規模のAxis導入環境に最適です。トレードオフ：大規模な複数拠点環境では、エンタープライズ向けプラットフォームほど適していません。

データ保管場所、エアギャップ、または調達制限に関する要件がある場合は、他の条件を検討する前に、このリストを絞り込めます。これらの判断に関わるコンプライアンスフレームワークについては、セキュリティコンプライアンス向けオンプレミスビデオ分析のガイドで詳しく説明しています。

方法3：既存ストリーム上でモデルをセルフホスティングする#

これは少数派の選択肢ですが、次のような特定の条件では適切です。

• 検出対象がどのカタログにもない。特定の設備、施設固有の状態、プロセスの状態、または生産ライン上の製品などです。汎用的なセキュリティ分析を設定して、新しいクラスに対応させることはできません。 - 推論処理の境界を厳格に保つ必要がある。単に保存場所の問題ではありません。ベンダーのクラウドを含め、分析のために画像をネットワーク外へ送信できません。 - 製品を提供している。分析機能が販売する製品の一部である場合、チャネル単位のライセンスはコストモデルに合わないため、自社で構築する必要があります。 - ストリーム数に対してチャネル単位のライセンスが拡張できず、代替手段を運用するエンジニアリング能力がある。 - モデルのライフサイクルを管理する必要がある。ベンダーのリリースを待つのではなく、サイトの変化に応じて自社の映像で再学習します。

どれにも当てはまらない場合は、方法1を選んでください。

アーキテクチャ#

VMSは維持する。録画、保存期間管理、アクセス制御、監査ログはすでに解決済みで、コンプライアンスにも関わる機能です。VMSからストリームを取得し、VMSを置き換えないでください。

RTSPストリームを独自の推論サービスに取り込む。解像度が要件を満たす場合は、カメラのサブストリームを優先します。デコードのコストを大幅に削減でき、推論よりもデコードが実際のボトルネックであることも少なくありません。

検出とトラッキングを実行する。Ultralytics YOLOモデル（YOLOv8、YOLO11、YOLO26）は、関連するタスクに対応します。人物、車両、物体の検出、ライン横断やゾーン判定のためのトラッキング、姿勢や転倒検出のための姿勢推定、境界がボックスより重要な場合のセグメンテーションに対応します。導入するハードウェアに合わせてONNXまたはTensorRTにエクスポートしてください。

自社の映像で学習する。汎用モデルは人物や車両を適切に処理できます。実運用での精度は、使用するカメラ、角度、天候、照明によって決まり、公開データセットではこれらを再現できません。Ultralytics Platformでは、SAMベースのSmart Annotationで現場の映像にアノテーションを付け、同じワークフロー内で学習できます。アノテーションツールと学習ツールを個別に組み合わせる場合と比べて重要な利点です。

イベントをセキュリティ業務のワークフローに戻す。検出結果は、オペレーターがすでに確認しているVMSまたはアラーム管理システムに登録します。別のダッシュボードを作ると、誰も開かない別のツールになってしまいます。

パイロットが本番運用になる前にライセンスを確定する。Ultralytics YOLOモデルはAGPL-3.0の下で提供されており、商用またはプロプライエタリな導入には通常、プライベート導入と高度なサポートも対象となるUltralytics Enterpriseライセンスが必要です。設計時に解決するほうが、導入後に対応するよりも大幅に低コストです。

計算リソースの規模を決める#

多数のストリームに対する継続的な推論はキャパシティプランニングの課題であり、主に2つの調整項目が影響します。

1つ目はフレームレートです。ほとんどのセキュリティ上の事象では、すべてのフレームを処理する必要はありません。検出が必要な最短の事象（ラインを横切る人物の検出に30fpsは不要です）を基準にフレームレートを設定すると、通常、必要な処理能力を大幅に削減できます。

2つ目は推論の実行場所です。カメラの近くにエッジデバイスを配置すると、ネットワーク経由の映像ストリーミングを避け、映像をローカルに保てます。これが導入の主な目的となることもよくあります。中央のGPUサーバーは運用と管理が簡単ですが、帯域幅の需要が集中します。カメラ設備が混在する環境では、遠隔拠点にエッジ推論を配置し、ネットワーク環境が良好な場所では中央処理を行うなど、両方を併用するのが一般的です。

自社のストリームとハードウェアでベンチマークを実施してください。厳選されたデータセットで測定されたモデルのスループット値から、自社のカメラでデコードと推論を組み合わせたパイプラインの性能を予測することはできません。

誤報はモデルの中ではなく、その上位レイヤーで解決する#

自社構築システムで最もよくある失敗は、検出精度の低さではありません。オペレーターが2週間以内に対応をやめてしまうほどのアラート件数です。

検出結果はイベントそのものではありません。バウンディングボックスをアラートに変換するレイヤーで、実際の誤報率を制御します。

• 継続性。トラックが複数のフレームにわたって確立されてから検出対象として扱います。単一フレームの検出はノイズです。
• 実環境に即したゾーンの形状。2D画像上に描いたポリゴンは、地面上の領域と同じではありません。パースペクティブ補正を行わないと、危険区域から大きく離れた人物が区域内にいるように見えることがあります。
• デバウンス。人物が境界付近で徘徊しても、横断イベントを繰り返し発生させてはいけません。
• スケジュールと例外設定。通路にフォークリフトが午後2時にあるのは通常の状態ですが、午前2時なら異常です。こうした条件を設定すると、アラートの大部分を削減できます。
• エスカレーションの段階設定。すべての検出がアラームに値するわけではありません。リアルタイムアラート、シフトごとのサマリー、週次の傾向は、それぞれ出力も必要な精度も異なります。

このレイヤーのコード量は、モデル統合より多くなると考えてください。システムの評価にはテストセットに対する検出精度ではなく、シフトあたりの誤報件数を使用します。シフトあたりの誤報件数によって、3か月後にもシステムが稼働しているかどうかが決まります。

プライバシーと対象範囲#

既存カメラに分析機能を後付けすると、カメラの用途が変わり、通常は当初の設置時には発生しなかった義務が生じます。

• 目的の制限。セキュリティ目的で設置したカメラを、知らないうちに生産性や行動の監視に転用してはいけません。職場では、法的な問題であると同時に信頼に関わる問題でもあります。
• 既存の評価を引き継がず、再評価する。既存の映像に自動分析を追加する場合、通常、新たなデータ保護評価が必要です。EUの多くの地域では、労使協議会との協議も必要です。
• 人物識別は対象外とする。人物や車両の検出、ライン横断、ゾーン侵入、徘徊、群衆密度、置き去り物体の検出は、いずれも匿名の検出結果を使って実行できます。Ultralyticsは顔認識向けにモデルを提供していません。また、人物識別は法的リスクが大幅に高まる一方で、これらの検出の精度向上にはつながりません。
• 保持するデータを最小限にする。イベントとカウントで目的を達成できる場合は、イベントとカウントだけを保持します。
• 設定変更だけでなく、映像の閲覧とエクスポートも記録する。
• カメラネットワークをセグメント化する。既存設備への後付けは、フラットネットワークやデフォルトの認証情報を改善するよい機会です。