Как добавить ИИ-аналитику в существующие камеры видеонаблюдения

Почти каждая организация, задающаяся вопросом о том, как добавить ИИ в свои камеры безопасности, уже имеет нужный ответ в рамках одного из трех вариантов, а ошибка заключается в том, что начинают с программного обеспечения, а не с парка оборудования. Камеры, которыми ты владеешь (их разрешение на имеющих значение расстояниях, их углы обзора, поведение в условиях низкой освещенности и то, где могут обрабатываться их потоки), определяют, какой из трех путей вообще тебе доступен.

Это руководство охватывает честный аудит камер, который проводится в первую очередь, а затем три пути: покупка аналитического слоя, который устанавливается поверх твоей существующей системы видеонаблюдения (VMS), обновление самой VMS или камер, а также самостоятельный хостинг моделей детектирования на уже имеющихся у тебя потоках. Большинству читателей следует выбрать один из первых двух вариантов. Третий является реальным выбором для определенного набора ограничений, и в этом руководстве четко указано, для какого именно.

Начни с парка оборудования, а не с программного обеспечения#

Поставщик аналитики с радостью подключится к камере, которая не поддерживает нужный тебе тип детектирования. Проведи аудит перед тем, как делать оценку.

• Пиксели на объект, а не мегапиксели. Камера 4K, охватывающая широкий двор, может выдавать меньше пикселей на человека на расстоянии сорока метров, чем камера 1080p, направленная на дверной проем. Каждое детектирование имеет минимальную высоту в пикселях, и это самая частая причина, почему результаты модернизации разочаровывают.
• Угол обзора. Камеры, установленные для безопасности, обычно расположены так, чтобы видеть лица на большой площади. Это близко к худшей геометрии для подсчета людей и логики зон, где виды сверху вниз значительно превосходят наклонные ракурсы.
• Поведение при низкой освещенности и контровом свете. Проверь камеры в сумерки, ночью и в те часы, когда солнце светит прямо в объектив. Инфракрасная подсветка существенно меняет характеристики изображения, и модель, протестированная только на дневных кадрах, преподнесет тебе сюрприз.
• Частота кадров и кодек. Сильно сжатые потоки с низким числом кадров в секунду теряют детали, на которые полагаются модели. Проверь, что именно записывает регистратор по сравнению с тем, что способна выдать камера.
• Доступ к потоку. Можешь ли ты получить второй RTSP-поток с каждой камеры без ухудшения качества записи? Многие камеры поддерживают субпоток с более низким разрешением, которого зачастую вполне достаточно и обработка которого обходится гораздо дешевле.
• Емкость и топология сети. Непрерывная аналитика на множестве потоков либо потребляет пропускную способность для передачи на центральный сервер, либо требует вычислительных мощностей рядом с камерами. Это определяет архитектуру гораздо чаще, чем личные предпочтения в ПО.
• Возраст камер и статус обновлений безопасности. Камеры с учетными данными по умолчанию в плоской сети создают проблему с безопасностью еще до того, как станут возможностью для аналитики.

Результат этого аудита обычно представляет собой разделение: часть камер отлично подходит для определения зон и присутствия, меньшее количество подходит для детальной классификации, а горстку камер нужно переставить или заменить независимо от выбранного пути.

Три пути#

Путь 1: аналитический слой поверх твоей существующей VMS#

Это рекомендация по умолчанию. Эти продукты существуют специально для того, чтобы добавлять возможности детектирования к парку камер без их замены, и для стандартных сценариев безопасности они работают быстрее и обходятся дешевле, чем все, что ты мог бы построить сам.

BriefCam. Слой видеоаналитики контента, наиболее сильный в быстром просмотре и поиске по записанному материалу, развертываемый локально. Лучше всего подходит для сред с большим объемом расследований, где поиск событий в архивном видео является основной нагрузкой. Компромисс: устанавливается поверх VMS, добавляя новый компонент вместо замены существующего.

IronYun / Vaidio. Слой ИИ-аналитики, созданный для внедрения детектирования на существующие камеры и платформы VMS, с широким каталогом функций безопасности. Лучше всего подходит для организаций, которым нужно больше аналитики без изменения инфраструктуры записи. Компромисс: еще один вендор в цепочке интеграции, которого нужно тестировать и поддерживать.

Lumana. Ориентирована на добавление ИИ к существующему парку камер с акцентом на сам процесс модернизации, а не на предположение об установке с нуля. Лучше всего подходит для команд, чье явное требование — сохранение текущих камер. Компромисс: более молодой участник рынка по сравнению с устоявшимися вендорами VMS.

Volt.ai. Аналогичным образом ориентирована на наложение ИИ на существующую инфраструктуру видеонаблюдения, причем руководство по интеграции является заметной частью ее предложения. Лучше всего подходит для организаций, проводящих модернизацию на смешанном аппаратном обеспечении камер. Компромисс: как и с любой надстройкой, качество результата по-прежнему зависит от базовых камер.

Что ты получаешь от всех четырех: стандартное детектирование (присутствие людей и автомобилей, пересечение линии, вторжение в зону, бесцельное слоняние, оставленные предметы, плотность толпы, поиск по атрибутам в записанных видео) с поддержкой и ответственным за точность лицом. Чего ты не получаешь: детектирование, которого нет в каталоге.

Одно примечание по поводу охвата. Некоторые из этих продуктов рекламируют поиск по атрибутам в видеозаписях, и вендоры существенно расходятся в том, означает ли это сопоставление описательных атрибутов (таких как цвет одежды) или сопоставление личностей. Это принципиально разные возможности с принципиально разной юридической ответственностью, и стоит четко определить, что именно ты покупаешь и что тебе на самом деле нужно. Ограничение области применения атрибутами и детектированием событий, а не личностями, является одновременно более простым вопросом соблюдения требований и достаточным для большинства рабочих процессов безопасности.

Путь 2: обновление VMS или камер#

Иногда честный ответ заключается в том, что ограничивающим фактором является парк оборудования, а не аналитика. Если камеры старые, плохо расположены, не обновляются и записывают с низкой частотой кадров, наложение на них ИИ вызовет лишь разочарование.

Genetec Security Center. Унифицированное видео, контроль доступа и распознавание автомобильных номеров (ALPR) с надежными инструментами кибербезопасности и конфиденциальности, развертываемое локально. Лучше всего подходит для крупных корпоративных и государственных объектов, нуждающихся в единой физической безопасности. Компромисс: крупная платформа, требующая соответствующей квалификации.

Milestone XProtect. VMS с открытой платформой и крупной экосистемой сторонних интеграций, поэтому аналитика может выбираться независимо от уровня записи. Лучше всего подходит для организаций, которые хотят сохранить этот выбор открытым. Компромисс: кто-то должен отвечать за сборку интеграции.

Avigilon Unity. Локальная видео безопасность со встроенной аналитикой и тесной интеграцией камер с программным обеспечением. Лучше всего подходит для команд, которым нужен единый стек от одного поставщика. Компромисс: наиболее эффективна при использовании собственных камер.

Verkada. Облачно управляемые камеры со встроенной аналитикой и сильным акцентом на простоту развертывания и управления. Лучше всего подходит для распределенных многофилиальных организаций с ограниченным ИТ-персоналом на местах. Компромисс: облачная архитектура, которую исключают некоторые требования к локализации данных.

Rhombus. Аналогично управляемая через облако система со встроенной аналитикой, нацеленная на простое внедрение на множестве объектов. Лучше всего подходит для средних предприятий, которым требуется быстрое развертывание. Компромисс: как и выше, облачная модель является ограничением там, где видеозаписи должны оставаться локальными.

Eagle Eye Networks. Облачное видеонаблюдение с подходом на основе открытого API и опциями аналитики. Лучше всего подходит для организаций, желающих использовать облачное управление при сохранении гибкости интеграции. Компромисс: облачно-центричная архитектура.

Axis Camera Station. Простое локальное видеонаблюдение с камерами Axis и бортовой аналитикой камер, с необычно подробной документацией о происхождении оборудования. Лучше всего подходит для средних развертываний Axis. Компромисс: менее подходит для очень крупных распределенных объектов, чем корпоративные платформы.

Если действуют требования к локализации данных, изоляции от сети (air-gap) или закупочные ограничения, они сужают этот список в первую очередь. Нормативные базы, определяющие эти решения, более подробно рассмотрены в нашем руководстве по локальной видеоаналитике для обеспечения соответствия требованиям безопасности.

Путь 3: самостоятельный хостинг моделей на твоих существующих потоках#

Это наименее популярный путь, и он является правильным при определенных условиях:

• Детектируемого объекта нет ни в одном каталоге. Какое-то специфическое оборудование, специфическое для объекта условие, состояние процесса, продукт на линии. Общую охранную аналитику нельзя настроить на поиск нового класса объектов. - Граница инференса абсолютна. Не только хранилище. Ни одно изображение не должно покидать сеть для анализа, включая отправку в облачный уровень вендора. - Ты выпускаешь продукт. Если аналитика является функцией чего-то, что ты продаешь, лицензирование по каналам не вписывается в модель затрат, и ты являешься разработчиком. - Лицензирование по каналам не масштабируется при твоем количестве потоков, и у тебя есть инженерный потенциал для запуска альтернативы. - Тебе нужен контроль над жизненным циклом модели, с дообучением на собственных видеоматериалах по мере изменения объекта, вместо ожидания релизов от вендора.

Если ни одно из этих условий не применимо, выбирай путь 1.

Архитектура#

Сохрани VMS. Запись, хранение, контроль доступа и ведение журналов аудита уже решены и важны для комплаенса. Бери оттуда потоки; не заменяй ее.

Загружай RTSP-потоки в собственный сервис инференса. По возможности используй субпоток камеры, если позволяет разрешение. Декодировать его стоит гораздо дешевле, а декодирование часто является реальным узким местом, а не сам инференс.

Запусти детектирование и трекинг. Модели Ultralytics YOLO (YOLOv8, YOLO11 и YOLO26) покрывают нужные задачи: детектирование людей, машин и объектов, трекинг для пересечения линий и логики зон, оценку позы для анализа осанки и определения падений, сегментацию там, где границы важнее ограничивающих рамок. Экспортируй в ONNX или TensorRT под то железо, на котором выполняешь развертывание.

Обучай на собственных видеозаписях. Общая модель хорошо справляется с людьми и автомобилями. Твои конкретные камеры, углы обзора, погода и освещение определяют точность в продакшене, и публичные датасеты их не заменят. Платформа Ultralytics может аннотировать видеоматериалы с помощью умной аннотации на базе SAM и обучать модели в рамках того же рабочего процесса, что важно, когда альтернативой является сшивание вместе инструментов разметки и обучения.

Записывай события обратно в рабочий процесс безопасности. Детектирования должны попадать в VMS или систему управления тревогами, которую операторы уже смотрят. Отдельный дашборд превратится в отдельную вещь, которую никто не открывает.

Урегулируй вопросы лицензирования до того, как пилот станет продакшеном. Модели Ultralytics YOLO предлагаются по лицензии AGPL-3.0, а коммерческие или проприетарные развертывания обычно требуют корпоративной лицензии Ultralytics Enterprise, которая также покрывает частное развертывание и расширенную поддержку. Решение этого вопроса на этапе проектирования обходится значительно дешевле, чем после внедрения.

Расчет вычислительных мощностей#

Непрерывный инференс на множестве потоков — это задача планирования емкости, в которой доминируют два рычага.

Первый — это частота кадров. Большинство событий безопасности не требуют каждого кадра. Установи частоту на основе самого короткого события, которое ты должен поймать (человеку, пересекающему линию, нужно гораздо меньше, чем 30 кадров/с), и требования к вычислительной мощности обычно существенно снижаются.

Второй — где выполняется инференс. Граничные устройства (Edge) рядом с камерами позволяют избежать передачи видеопотока по сети и сохраняют кадры локально, в чем часто и заключается смысл. Центральный GPU-сервер проще в эксплуатации и управлении, но концентрирует нагрузку на пропускную способность сети. В смешанных системах часто делают и то, и другое: краевой инференс на удаленных объектах, централизованная обработка там, где хорошая сеть.

Проводи бенчмаркинг на собственных потоках и оборудовании. Покзатели пропускной способности модели, измеренные на отобранных датасетах, не предсказывают, чего добьется пайплайн декодирования и инференса на твоих камерах.

Ложные срабатывания устраняются на уровне выше модели, а не внутри нее#

Самый частый сбой самодельной системы — это не плохая точность детектирования. Это такой объем оповещений, на который операторы перестают реагировать через две недели.

Детектирования — это еще не события. Уровень, который преобразует рамки в оповещения — это то место, где на самом деле контролируется частота ложных срабатываний:

• Постоянство. Требуй, чтобы трек удерживался на протяжении нескольких кадров, прежде чем он начнет учитываться. Детектирования на одном кадре — это шум.
• Геометрия зон в терминах реального мира. Многоугольник, нарисованный на 2D-изображении, — это не область на земле. Без калибровки перспективы человек, находящийся далеко за пределами опасной зоны, может казаться находящимся внутри нее.
• Устранение дребезга (дебаунсинг). Один человек, слоняющийся у порога, не должен генерировать повторяющиеся события пересечения.
• Расписания и исключения. Погрузчик в проходе в 14:00 — это нормально, а в 02:00 — нет. Кодирование этого правила убирает большую часть оповещений.
• Уровни эскалации. Не каждое детектирование заслуживает тревоги. Живое оповещение, сводка за смену и еженедельный тренд — это три разных вывода с тремя разными требованиями к точности.

Ожидай, что этот слой потребует больше кода, чем интеграция самой модели, и оценивай систему по ложным срабатываниям за смену, а не по точности детектирования на тестовом наборе. Ложные срабатывания за смену определяют, будет ли система все еще включена через три месяца.

Конфиденциальность и область применения#

Внедрение аналитики на существующие камеры меняет то, что эти камеры делают, и это обычно влечет за собой обязательства, которых не было при первоначальной установке.

• Ограничение цели. Камеры, установленные для безопасности, не должны молча превращаться в средство мониторинга производительности или поведения. В условиях рабочего места это одновременно и юридический вопрос, и вопрос доверия.
• Переоценивай, а не наследуй. Добавление автоматизированного анализа к существующим видеоматериалам обычно требует свежей оценки защиты данных, а на большей части территории ЕС — консультаций с производственным советом.
• Исключи сопоставление личностей. Детектирование людей и автомобилей, пересечение линий, вторжение в зоны, слоняние, плотность толпы и оставленные предметы — все это работает на анонимных детекциях. Ultralytics не предлагает свои модели для распознавания лиц, а сопоставление личностей несет значительно более высокие юридические риски, не улучшая ни одно из этих детектирований.
• Минимизируй объем хранимых данных. Там, где на вопрос отвечают события и подсчеты, храни события и подсчеты.
• Логируй просмотр и экспорт, а не только изменения конфигурации.
• Сегментируй сеть камер. Модернизация — подходящий момент для того, чтобы исправить плоские сети и учетные данные по умолчанию.