ピープルカウンティングと占有率アナリティクスの実際の仕組み

大半の人流カウントプロジェクトは、センサーを選ぶ前の段階で失敗しています。なぜなら、「何人いるのか」という問いには4つの異なる測定対象が含まれており、チームが誤った対象を指定してしまうためです。1日の入場者数、現在いる人数、それぞれの滞在時間、そして待ち行列の人数を正確に把握するには、それぞれ異なるセンサリング、異なる設置場所、そして異なる精度が求められます。入場者数を正確にカウントできるシステムでも、滞留人数を正確に報告できない場合があり、逆に滞留用に調整されたシステムでは、短時間の出入りを完全に捉えきれないことがあります。

このガイドでは、それらの測定項目を明確に分離し、センサリング手法（WiFiおよびBLE、赤外線ビーム、ToF、サーマル、ステレオビジョン、カメラベースのビジョン）を客観的に比較します。また、購入に値する製品や、チームが Ultralytics YOLO モデルを使用してカメラベースのカウントシステムを自社構築する方法についても解説します。

1つではなく、4つの測定項目#

チームが最も驚かされるのが、この滞留人数（オキュパンシー）の扱いです。「入場者数から退室者数を引く」という方法では、すべてのカウントエラーが累積します。ドアを通るすべての移動で繰り返されるわずかな方向判定の誤差が、閉店時間には無視できないほど大きなカウントのズレにつながります。信頼性の高い滞留人数把握を必要とするシステムでは、エリア全体を直接検知するか、夜間など確実に無人になる状態でカウントをリセットする仕組みを採用しています。

センサリング手法の比較#

実際のトレードオフは、コンテキスト（文脈情報）とシンプルさのバランスにあります。ドアの上部に設置したToFセンサーは1つのタスクを非常に高い精度でこなしますが、それ以外の情報は提供しません。一方、カメラベースのビジョンなら、同じ映像ストリームから移動方向、ゾーン、滞在時間、行列、オブジェクトクラスを取得できる代わりに、照明、遮蔽、処理能力の課題に対処する必要があります。

入場者のカウントのみが重要な単一の出入り口であれば、通常は上空設置のToFセンサーのほうがエンジニアリングの観点からより良い選択であり、プライバシーに関する議論も容易です。複数ゾーンの分析、行列の測定、または他の検出結果と組み合わせる必要のあるカウントには、要件に応じてスケールするビジョン手法が適しています。

カウント精度を低下させる実際の要因#

ベンダーが提示する精度データは、実際の導入環境とはかけ離れた条件で測定されたものです。実世界の精度を左右する要因は次のとおりです。

• グループや並んでの歩行。 幅の広いドアを肩を並べて2人で通過することは、過小カウントの典型的な原因です。センサーの定格精度よりも、センサーのカバー範囲に対する出入り口の幅の比率が重要になります。
• 遮蔽物（オクルージョン）。 トロリー、傘、荷物、背の高いディスプレイ、および密集した群衆は、視界のクリアさを必要とするあらゆる手法において、人物を隠してしまいます。
• カメラの角度。 斜めからの撮影では人が前後に重なり合うため、カウントにおいては上空からの撮影のほうが圧倒的に精度が高くなります。浅い角度で流用された防犯カメラは、ビジョンによるカウントが期待外れに終わる最も一般的な原因です。
• 照明。 日の出や日の入り時の逆光の出入り口は、反射する床やガラスドアと同様に、ビジョンシステムにとって最も困難なケースです。
• しきい値付近での滞留。 ドア付近で立ち止まって会話をしている人は、永続性（パーシステンス）のルールがないと、繰り返し横断としてカウントされてしまいます。
• 誰を訪問者とみなすか。 スタッフ、清掃員、配達員、通行人は、システムと手動監査の間で最も食い違いを生む単一の要因であり、これはセンサリングの問題というよりも定義の問題です。
• 複数カメラによる二重カウント。 ゾーンが排他的に定義されていない場合やカメラ間でトラックの引き継ぎが行われない場合、重複する視野は同一人物を2回カウントしてしまいます。

どのようなシステムを導入する場合でも、最も過酷な条件（最も混雑する時間帯、最悪の照明、最も広い出入り口）で手動カウントと照らし合わせて検証を行ってください。その条件下での精度こそが最も重要な数値となります。

購入を検討する価値のある製品の候補#

目的がフットフォールレポート、占有率ダッシュボード、あるいは小売コンバージョン分析である場合、これらは成熟した製品であり、購入することが通常は正しい選択です。Ultralytics はそれらの代替品ではありません。

Xovis。 空中ステレオビジョンセンサーで、入場者カウント、キュー管理、ゾーン分析において高い精度を誇り、空港や大型小売店で広く導入されています。カウントの精度が運用上極めて重要な環境に最適です。トレードオフ: カバーエリアあたりのセンサーハードウェアが必要なため、出入り口が広いまたは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流カウントおよび分析。フットフォール、占有率、コンバージョンレポートを網羅するプラットフォーム層を備えています。すぐに使えるレポート機能を求める複数拠点の小売店に最適です。トレードオフ: 小売向けに最適化された分析のため、工場やキャンパス環境への適用にはやや不向きな側面があります。

Density。 独自の匿名深度センサーを使用し、不動産やスペース活用の決定に特化した、職場向けの占有率測定。オフィススペースを最適化する企業ポートフォリオに最適です。トレードオフ: 小売コンバージョンではなく職場の課題解決向けに構築されています。

FootfallCam。 広範な小売店舗への導入実績と多彩なセンサーオプションを備えた、カウントハードウェアおよび分析プラットフォーム。ハードウェアとレポートを1社のサプライヤーで揃えたい小売業者に最適です。トレードオフ: モデルの多様性ゆえに仕様選定に注意が必要です。

RetailNext。 カウントデータをより幅広いマーチャンダイジングおよび買い物客の行動分析製品にフィードする、店舗内分析プラットフォーム。単なるトラフィックだけでなく店舗のパフォーマンス自体を問題意識としている小売業者に最適です。トレードオフ: プラットフォームのスコープがカウントを大きく超えているため、それに応じた価格設定になっています。

Sensormatic ShopperTrak。 豊富な市場データを背景に持つ、長年実績のある小売トラフィックのカウントおよびベンチマーク。比較ベンチマークを重視する小売業者に最適です。トレードオフ: エンタープライズ小売業向けに特化しています。

Axis。 Axisカメラ上で動作するカウントアプリケーションで、すでにAxisのインフラが存在し、追加のハードウェアを導入したくない場合に有用です。Axis製品で標準化している組織に最適です。トレードオフ: そのカメラエコシステムに縛られます。

Cisco Spaces。 既存のネットワークインフラから導出される占有率とロケーションのインサイト。新しいセンサーを追加せずに占有率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: デバイスベースのセンサリングであるため、それに伴う精度の限界があります。

カメラベースのカウントシステムの構築#

カウントはビジョン関連のビルドの中でも比較的取り組みやすい部類であり、そのため最初のプロジェクトとしてよく選ばれます。カウント機能がより大きなシステム（機械、ロボット、サイトプラットフォーム、出荷する製品）の一部である場合、他のどの製品も提供していない検出結果と組み合わせる必要がある場合、あるいは映像を外部に持ち出せない場合には、自社で構築する価値があります。

パイプラインはすでに確立されています。

フレームごとの人物検出。 Ultralytics YOLO モデル（YOLOv8、YOLO11、YOLO26）が人物検出を担当し、同じパスで車両、トロリー、フォークリフトなど、関心のある他のクラスも同時に検出できます。

フレーム間での追跡。 カウントを行うには、フレーム200に映っている人物がフレーム199の人物と同一であると認識する必要があります。Ultralytics モデルはトラッキングをサポートしており、シーケンス全体にわたって個人を特定しない永続的なIDを割り当てます。遮蔽がある状況下での追跡品質は、検出精度よりもはるかにカウントの品質を左右します。

カウント用ジオメトリの定義。** 方向別の入退室カウントにはライン（直線）を、特定領域内の占有率測定にはポリゴンを使用します。方向は、トラックがラインのどちらの側から横切ったかによって判定されます。複数のカメラが隣接するエリアをカバーしている場合、同一人物が二重にカウントされないよう、ゾーンを排他的に定義してください。

パーシステンス（永続性）とデバウンスの追加。 カウント前にトラックがNフレームにわたって確立されていることを条件とし、しきい値付近にいる1人の人物による繰り返しの横断カウントを防ぎます。モデルではなく、このレイヤーこそが精度の大部分を向上させる要素です。

早期のデプロイメントターゲットの選定。 複数のストリームにわたる連続的な推論は、実際の処理能力にかかわる問題です。ほとんどのカウントタスクにおいてすべてのフレームは必要ありません。カメラが処理できる性能ではなく、人がどれくらいの速度でラインを横切るかに応じてフレームレートを設定してください。Ultralytics モデルは、カメラの近くにあるエッジハードウェア向けに ONNX や TensorRT などのフォーマットへエクスポートできるため、動画データをローカルに保持できます。

自社の映像を用いたトレーニング。 汎用モデルは人物をうまく検出できますが、ガラスドアや反射する床があり、日の出の逆光がある自社独自の出入り口こそが本番の精度を決定づけます。Ultralytics プラットフォームを使用すれば、SAMベースのスマートアノテーションでその映像にアノテーションを付与し、同じワークフロー内でトレーニングを実行できます。

最も混雑する時間帯と最悪の照明条件で手動カウントとの検証を行い、カメラの移動後は常に再検証を実施してください。

カウント機能を商用製品や独自システムに組み込む場合、Ultralytics YOLO モデルは AGPL-3.0 のもとで提供されており、このような導入には通常、プライベート環境での展開も網羅する Ultralytics Enterprise ライセンスが必要となることに留意してください。パイロット運用が本番機能になる前に、この点をクリアにしておいてください。

プライバシー：カウントは個人の特定を行わないこと#

カウントは、設計の段階で本質的にプライバシーを保護する仕組みにできる数少ないカメラアプリケーションの1つであり、それを実行することで多くの懸念事項を事前に解消できます。

ここで説明したいかなる手法においても、個人を特定する必要はありません。 入場者数、滞留人数、滞在時間、待ち行列の長さはすべて、匿名化された検出結果と、人物がフレーム内に存在する間のみ存在する個人を特定しないトラックに基づいて機能します。Ultralytics は顔認証用のモデルを提供しておらず、カウントシステムに個人識別機能を組み込むことは、測定精度の向上につながらない一方で、多大な法的リスクを増大させます。

その状態を維持するための設計上の選択：

• ローカルで処理し、カウント結果のみを保持する。出力が一定時間ごとの数値である場合、その数値を保持してフレームは破棄します。 - フレームの視野外にトラックIDを持ち越さない。 フレームの端で終了するトラックはそこで終了させます。カメラ間や訪問をまたいで同一人物の再識別を行うことは、まったく異なる義務を伴う本質的に異なるシステムです。 - 個々のイベントをログに記録するのではなく、時間間隔ごとに集約する（ユースケースが許す場合）。 - 通知を掲示し、職場である場合は労働者代表に相談する（EUの大部分で義務づけられており、あらゆる場所でベストプラクティスとなります）。 - カウントのみが必要な場合は、本質的に匿名であるセンサリングを優先する。 ToFやサーマルで目的が達成できるのであれば、プライバシーに関する議論はより容易になります。 - カメラごとに目的を文書化することで、データ保護評価を簡素化できます。

「カメラを使用しない」ことが自動的に「プライバシー保護がより高い」ことを意味するわけではない点に注意してください。WiFiやBLEによるカウントは多くの状況下でGDPRにおける個人データにあたるデバイス識別子をベースに機能しますが、カウントのみを生成するサーマルセンサーは個人データを一切処理していません。レンズの有無ではなく、何が保持されるかによって手法を評価してください。