人流カウントと占有状況分析の実際の仕組み

人数カウントのプロジェクトは、センサーを選ぶ前に失敗することがよくあります。「何人いるか」は4種類の異なる測定を指すのに、チームが誤った測定を指定してしまうためです。1日の入場者数、現在の在館者数、各人の滞在時間、列に並んでいる人数は、それぞれ異なるセンシング方式、設置場所、精度が必要です。入場者数を正確に数えるシステムでも在館者数を正しく報告できるとは限りません。また、在館者数向けに調整されたシステムでは、短時間の入場を完全に見逃すことがあります。

このガイドでは、これらの測定を区別し、センシング方式（WiFiとBLE、赤外線ビーム、時間飛行、サーマル、ステレオ、カメラベースのビジョン）を公平に比較します。購入を検討する価値のある製品と、チームがUltralytics YOLOモデルを使ってカメラベースの人数カウントを独自に構築する方法の両方を取り上げます。

4種類の測定を区別する#

チームが意外に見落としやすいのが在館者数です。入場者数から退場者数を差し引いて算出すると、カウント誤差がすべて累積します。ドアを通るたびに小さな方向判定の誤差が繰り返され、閉店時には無視できないずれになります。在館者数を正確に把握する必要があるシステムでは、エリア全体を直接センシングするか、通常は夜間に、誰もいないことが確認できた時点でカウントをリセットします。

センシング方式の比較#

実際のトレードオフは、コンテキストとシンプルさのどちらを優先するかです。ドア上部に設置するToFセンサーは、1つの作業を非常に得意としますが、それ以外の情報は得られません。カメラベースのビジョンでは、同じ映像ストリームから方向、ゾーン、滞在時間、列、物体クラスを取得できます。その代わりに、照明、遮蔽、計算リソースの問題にも対処する必要があります。

入場者数だけを把握すればよい単一の入口では、通常、上方に設置するToFがエンジニアリング上もプライバシーに関する説明のしやすさでも適しています。複数ゾーンの分析、列の把握、または他の検出結果との組み合わせが必要なカウントには、要件に合わせてスケールできるビジョンが適しています。

カウント精度を実際に低下させる要因#

ベンダーが公表する精度は、実際の導入環境とはほど遠い条件下で測定されています。実環境での精度に影響する要因は次のとおりです。

• グループと横並びの歩行。 幅の広いドアを肩を並べて通る2人は、典型的な過少カウントの原因です。センサーの公称精度よりも、センサーのカバー範囲に対する出入口の幅の方が重要です。
• 遮蔽。 カート、傘、荷物、高いディスプレイ、密集した人混みは、視界を必要とするあらゆる方式で人を隠してしまいます。
• カメラアングル。 カウントでは、斜めからの映像より上方からの映像の方がはるかに正確です。斜めの視点では人が前後に重なるためです。浅い角度に設置された既存の監視カメラは、ビジョンによるカウントの精度が期待外れになる最も一般的な原因です。
• 照明。 ビジョンにとって最も難しい条件は、日の出や日没時に逆光となる入口です。床の反射やガラス戸も同様に難しい条件です。
• 出入口での立ち止まり。 出入口に立って話している人は、滞在を考慮するルールがないと、繰り返し通過したものとしてカウントされる可能性があります。
• 来訪者の定義。 スタッフ、清掃員、配送業者、通り抜ける人は、システムのカウントと目視確認の結果が食い違う最大の原因となることがよくあります。これはセンシングではなく定義の問題です。
• 複数カメラでの二重カウント。 各ゾーンが重複しないように定義するか、カメラ間で追跡対象を引き継がない限り、視野が重なった場所では同じ人を二重に数えてしまいます。

どの方式を導入する場合も、最も厳しい条件、つまり最繁忙時間、最悪の照明、最も幅の広い入口で目視カウントと照合してください。その条件での精度こそが重要な数値です。

購入を検討する価値のある製品#

来訪者数の報告、在館者数のダッシュボード、小売のコンバージョン分析が目的なら、これらは成熟した製品であり、通常は購入が適切です。Ultralyticsはこれらの代替製品ではありません。

Xovis。 入口のカウント、列の管理、ゾーン分析に高い精度を発揮する上方設置型のステレオビジョンセンサーで、空港や大型小売店に広く導入されています。カウント精度が業務上重要となる環境に最適です。トレードオフ：カバー範囲ごとにセンサーハードウェアが必要なため、入口が広い、または数が多い場合はコストが増加します。

V-Count。 小売業に特化した人数カウントと分析を提供し、プラットフォームでは来訪者数、在館者数、コンバージョンをレポートできます。すぐに使えるレポートを複数店舗で利用したい小売企業に最適です。トレードオフ：小売業向けの分析は、工場やキャンパスの用途にはそのまま適用しにくいです。

Density。 独自の匿名化深度センサーを使った、職場向けの在館者数測定です。不動産やスペース利用の意思決定を支援します。オフィススペースの最適化を目指す企業ポートフォリオに最適です。トレードオフ：小売のコンバージョンではなく、職場に関する課題向けに構築されています。

FootfallCam。 幅広い小売業に対応するカウントハードウェアと分析機能を提供し、センサーの選択肢も豊富です。ハードウェアとレポートを1社から購入したい小売企業に最適です。トレードオフ：モデルの種類が多いため、仕様を慎重に選ぶ必要があります。

RetailNext。 カウントデータを、より広範なマーチャンダイジングおよび買い物客行動分析に活用する店舗分析プラットフォームです。来店者数だけでなく、店舗のパフォーマンスを知りたい小売企業に最適です。トレードオフ：プラットフォームの範囲はカウントを大きく超えており、それに応じた価格設定です。

Sensormatic ShopperTrak。 長年の実績を持つ小売の来店者数カウントおよびベンチマーキングサービスで、豊富な市場データを備えています。比較ベンチマークを重視する小売企業に最適です。トレードオフ：大企業向けの小売業に重点を置いています。

Axis. Axisカメラ上で動作するアプリケーションをカウントします。すでにAxis製品群があり、追加ハードウェアを避けたい場合に有用です。Axisで標準化している組織に最適です。トレードオフとして、該当カメラのエコシステムに依存します。

Cisco Spaces. 既存のネットワークインフラから占有状況や位置情報を把握します。新しいセンサーを設置せずに占有状況を把握したい大規模キャンパスに最適です。トレードオフとして、デバイスベースのセンシングであり、それに伴う精度上の制約があります。

カメラベースの人数カウントを構築する#

人数カウントは比較的取り組みやすいコンピュータービジョン開発の1つであり、最初のプロジェクトとしてよく選ばれます。人数カウントがより大きなシステム（機械、ロボット、施設プラットフォーム、出荷する製品）の一部となる場合、カウント結果を既製品では提供されない検出結果と組み合わせる必要がある場合、または映像を施設外に持ち出せない場合は、構築する価値があります。

パイプラインは十分に確立されています。

フレームごとに人物を検出します。 Ultralytics YOLOモデル（YOLOv8、YOLO11、YOLO26）は人物検出に対応しており、同じモデルで同じ処理中に、車両、台車、フォークリフトなど、必要な他のクラスも検出できます。

フレーム間で追跡します。 人数をカウントするには、フレーム200の人物がフレーム199の人物と同じであることを把握する必要があります。Ultralyticsモデルはトラッキングに対応しており、連続するフレーム間で個人を特定しない一貫したIDを割り当てます。オクルージョン中のトラッキング品質は、検出精度よりもはるかに大きくカウント精度を左右します。

カウント領域を定義します。 入退場を方向別にカウントするにはラインを、領域内の占有状況を把握するにはポリゴンを使用します。トラックがラインのどちら側から横切ったかによって方向を判定します。複数のカメラで隣接領域をカバーする場合は、人物が二重にカウントされないよう、各ゾーンが重複しないように定義します。

追跡の継続性とデバウンスを追加します。 トラックがNフレーム以上確立されてからカウントされるようにし、しきい値付近に長くとどまる人物が繰り返し通過したようにカウントされないようにします。精度向上の大部分はモデルではなく、このレイヤーによって実現します。

早い段階でデプロイ先を選定します。 複数ストリームに対する継続的な推論では、実際の処理能力を検討する必要があります。多くのカウント処理では全フレームは不要です。カメラが出力できるフレームレートではなく、人がラインを横切る速さに基づいてフレームレートを設定します。UltralyticsモデルはONNXやTensorRTなどの形式にエクスポートしてカメラの近くにあるエッジハードウェアで実行できるため、映像をローカルに保つこともできます。

独自の映像でトレーニングします。 汎用モデルは人物を適切に検出できますが、日の出時の特定の入口、ガラスドア、反射する床といった条件が、本番環境での精度を左右します。Ultralytics Platformでは、SAMベースのSmart Annotationで映像にアノテーションを付け、同じワークフロー内でトレーニングできます。

最も混雑する時間帯と最も照明条件の悪い状況で手動カウントと照合して検証し、カメラの移動後には必ず再検証します。

人数カウントを商用製品やプロプライエタリーシステムに組み込む場合、Ultralytics YOLOモデルはAGPL-3.0で提供されており、そのようなデプロイには通常、プライベートデプロイも対象とするUltralytics Enterpriseライセンスが必要です。パイロット導入が出荷機能になる前に、ライセンス条件を確定してください。

プライバシー：人数カウントで個人を特定しない#

人数カウントは、設計段階から真にプライバシーを保護できる数少ないカメラ用途の1つであり、そうすることで、ほとんどの懸念が提起される前に解消できます。

ここで説明する方法で個人を特定する必要はありません。 入場者数、占有状況、滞在時間、行列の長さはすべて、匿名の検出結果と、人物がフレーム内にいる間だけ存在する個人を特定しないトラックで処理できます。Ultralyticsは顔認識用モデルを提供していません。また、人数カウントシステムに個人識別機能を組み込むと、これらの測定値を改善することなく、法的リスクが大幅に高まります。

その状態を維持するための設計上の選択肢：

• ローカルで処理し、カウント結果だけを保持します。 出力が一定間隔ごとの数値であれば、その数値を保持してフレームは破棄します。 - 視野外までトラックIDを保持しないでください。 フレームの端で終わるトラックはそこで終了させます。カメラ間や訪問間で同じ人物を再識別することは、実質的に異なる義務を伴う別種のシステムです。 - 用途上可能な場合は、個々のイベントを記録するのではなく、一定間隔で集計します。 - 掲示で通知し、職場で使用する場合は従業員代表に相談します。これはEUの多くの地域で義務付けられており、どこでも望ましい慣行です。 - カウントだけが必要な場合は、本質的に匿名性の高いセンシングを優先します。 ToFやサーマルセンサーで要件を満たせるなら、説明もしやすくなります。 - カメラごとに目的を文書化します。これにより、データ保護評価が容易になります。

「カメラなし」が自動的に「プライバシー保護の強化」を意味するわけではありません。WiFiやBLEによるカウントはデバイス識別子に基づいており、多くの場合、GDPR上の個人データに該当します。一方、カウント結果だけを出力するサーマルセンサーは、個人データをまったく処理しません。レンズの有無ではなく、手法が何を保持するかに基づいて判断してください。