Как на самом деле работают подсчет людей и аналитика заполняемости

Большинство проектов по подсчету людей идут не так еще до выбора какого-либо датчика, потому что «сколько людей» — это четыре разных измерения, и команды выбирают не то. Входы за день, люди на месте прямо сейчас, продолжительность пребывания каждого и количество ожидающих в очереди требуют разного сканирования, разного размещения и разной точности. Система, которая точно считает входы, может плохо передавать данные о заполняемости, а система, настроенная на заполняемость, может полностью пропустить короткие визиты.

Это руководство разделяет эти измерения, честно сравнивает методы сканирования (WiFi и BLE, инфракрасные лучи, время пролета, тепловые, стерео и камеры компьютерного зрения) и рассказывает как о заслуживающих покупки продуктах, так и о том, как команды сами создают подсчет на базе камер с помощью моделей Ultralytics YOLO.

Четыре измерения, а не одно#

Заполняемость — это то, что удивляет команды. Получение этого показателя из входов минус выходы означает, что любая ошибка подсчета усугубляется: небольшая ошибка направления, повторяющаяся при каждом движении через дверь, к закрытию делает подсчет существенно неверным. Системы, которым требуется надежная заполняемость, либо сканируют всю зону напрямую, либо сбрасывают счетчик при условии пустых помещений, обычно ночью.

Сравнение методов сканирования#

Реальный компромисс заключается между контекстом и простотой. Датчик ToF над дверью выполняет одну задачу чрезвычайно хорошо и не сообщает ничего больше. Компьютерное зрение на базе камер дает вам направление, зоны, время пребывания, очереди и классы объектов с одного потока, беря взамен проблемы с освещением, перекрытиями и вычислениями.

Для одного входа, где важны только посещения, накладной ToF обычно является более правильным инженерным решением и проще с точки зрения конфиденциальности. Для анализа нескольких зон, очередей или подсчета, который должен совмещаться с другими детекциями, зрение — это метод, масштабируемый под требования.

Что на самом деле ухудшает точность подсчета#

Показатели точности от производителей указываются в условиях, которые редко напоминают реальное развертывание. Факторы, влияющие на реальную точность:

• Группы и движение плечом к плечу. Два человека плечом к плечу в широкую дверь — классический недосчет. Ширина проема относительно зоны покрытия датчика важнее заявленной точности датчика.
• Перекрытия. Тележки, зонты, багаж, высокие стенды и плотные толпы скрывают людей от любого метода, требующего четкого обзора.
• Угол обзора камеры. Вид сверху гораздо точнее наклонного для подсчета, поскольку наклонные виды накладывают людей друг на друга. Перепрофилированная камера видеонаблюдения под небольшим углом — наиболее частая причина разочарования в подсчете с помощью зрения.
• Освещение. Входы с контровым светом на рассвете и закате — самый сложный случай для зрения, как и отражающие полы и стеклянные двери.
• Бесцельное нахождение у порога. Человек, стоящий в дверном проеме и разговаривающий, может создавать повторяющиеся пересечения без правила постоянства.
• Кто считается посетителем. Сотрудники, уборщики, службы доставки и проходящие мимо люди обычно являются крупнейшим источником расхождений между системой и ручной проверкой, и это проблема определений, а не сканирования.
• Двойной подсчет с нескольких камер. Пересекающиеся поля зрения считают одного и того же человека дважды, если зоны не заданы как взаимоисключающие или треки не передаются между камерами.

Что бы вы ни развертывали, выполняйте сверку с ручным подсчетом в худших условиях: самый загруженный час, худшее освещение, самый широкий вход. Точность в таких условиях — это именно то число, которое имеет значение.

Продукты, которые стоит рассмотреть при покупке#

Если цель состоит в отчете о посещаемости, панелях управления заполняемостью или аналитике конверсии в ритейле, это зрелые продукты, и покупка обычно является правильным решением. Ultralytics не является их альтернативой.

Xovis. Накладные стереодатчики с высокой точностью подсчета входов, управления очередями и аналитики зон, широко применяемые в аэропортах и крупной розничной торговле. Лучший выбор для сред, где точность подсчета критически важна для операций. Компромисс: аппаратное обеспечение датчиков на зону покрытия, поэтому широкие или многочисленные входы увеличивают стоимость.

V-Count. Подсчет людей и аналитика, ориентированные на ритейл, со слоем платформы, охватывающим отчеты о посещаемости, заполняемости и конверсии. Лучший выбор для многоточащих торговых сетей, которым нужны готовые отчеты. Компромисс: ориентированная на ритейл аналитика менее естественна для промышленных объектов или кампусов.

Density. Измерение заполняемости для рабочих мест с использованием собственных анонимных датчиков глубины, ориентированное на принятие решений по недвижимости и использованию пространства. Лучший выбор для корпоративных портфелей, оптимизирующих офисное пространство. Компромисс: создано под задачи офисов, а не под конверсию в ритейле.

FootfallCam. Оборудование для подсчета плюс аналитика с широким охватом ритейла и большим выбором датчиков. Лучший выбор для ритейлеров, желающих получить оборудование и отчетность от одного поставщика. Компромисс: ассортимент моделей требует внимательности при спецификации.

RetailNext. Платформа аналитики в магазине, где подсчет подпитывает более широкий продукт по мерчандайзингу и поведению покупателей. Лучший выбор для ритейлеров, которых интересует эффективность магазина, а не только трафик. Компромисс: масштаб платформы выходит далеко за рамки подсчета, соответственно выше цена.

Sensormatic ShopperTrak. Давно существующий подсчет розничного трафика и бенчмаркинг с существенными рыночными данными. Лучший выбор для ритейлеров, ценящих сравнительные бенчмарки. Компромисс: корпоративная розничная направленность.

Axis. Приложения для подсчета, работающие на камерах Axis, полезные там, где уже существует парк Axis и нежелательно дополнительное железо. Лучший выбор для организаций, стандартизированных на Axis. Компромисс: привязка к экосистеме этих камер.

Cisco Spaces. Информация о заполняемости и местоположении, получаемая из существующей сетевой инфраструктуры. Лучший выбор для крупных кампусов, которым требуется заполняемость без новых датчиков. Компромисс: сканирование на основе устройств с присущими этому ограничениями точности.

Создание подсчета на базе камер#

Подсчет — одна из наиболее доступных задач компьютерного зрения, поэтому это частый первый проект. Его стоит создавать, когда подсчет является компонентом более крупной системы (машины, робота, платформы для сайта, поставляемого вами продукта), когда подсчет должен объединяться с детекциями, которых не предлагает ни один продукт, или когда видеоматериалы не могут покидать помещение.

Конвейер хорошо отработан.

Обнаружение людей по кадрам. Модели Ultralytics YOLO (YOLOv8, YOLO11 и YOLO26) справляются с обнаружением людей, и та же модель может обнаруживать другие интересные вам классы за тот же проход: транспортные средства, тележки, погрузчики.

Отслеживание по кадрам. Подсчет требует понимания того, что человек на кадре 200 — это человек из кадра 199. Модели Ultralytics поддерживают трекинг, который назначает постоянные ID без привязки к личности по всей последовательности, и качество трекинга сквозь перекрытия определяет качество подсчета гораздо сильнее, чем точность детекции.

Определите геометрию подсчета. Линия для подсчета направленных входов и выходов или полигон для заполняемости в регионе. Направление определяется тем, с какой стороны линии пересекает трек. Если несколько камер покрывают соседние области, определите зоны как взаимоисключающие, чтобы человека никогда не посчитали дважды.

Добавьте постоянство и устранение дребезга. Требуйте, чтобы трек присутствовал в течение N кадров перед тем, как он будет учтен, и предотвращайте генерацию повторяющихся пересечений одним человеком, застрявшим у порога. Именно этот слой, а не модель, обеспечивает большую часть улучшений точности.

Выбирайте цель развертывания заранее. Непрерывный инференс по нескольким потокам — реальный вопрос производительности. Большинству видов подсчета не нужен каждый кадр: задайте частоту кадров исходя из того, как быстро человек пересекает линию, а не из того, что может выдать камера. Модели Ultralytics экспортируются в форматы, включая ONNX и TensorRT, для периферийного оборудования рядом с камерой, что также сохраняет видео локально.

Обучайте на собственных видеоматериалах. Общая модель хорошо справляется с людьми; ваш конкретный вход на рассвете со стеклянными дверями и отражающим полом — это то, что определяет точность в продакшене. Платформа Ultralytics может размечать эти материалы с помощью умной аннотации на базе SAM и обучаться на них в том же рабочем процессе.

Выполняйте сверку с ручным подсчетом в самый загруженный час и при худшем освещении, а также перепроверяйте после любого перемещения камеры.

Если подсчет внедряется в коммерческий продукт или проприетарную систему, обратите внимание, что модели Ultralytics YOLO предлагаются на условиях AGPL-3.0, и такое развертывание обычно требует корпоративной лицензии Ultralytics Enterprise, которая также покрывает частное развертывание. Урегулируйте это до того, как пилотный проект превратится в поставляемую функцию.

Конфиденциальность: подсчет не должен никого идентифицировать#

Подсчет — это одно из немногих применений камер, которое можно сделать подлинно сохраняющим конфиденциальность по дизайну, и это снимает большинство возражений еще до их появления.

Ни один из описанных методов не должен идентифицировать личность. Входы, заполняемость, время пребывания и длина очереди работают на анонимных детекциях и треках без привязки к личности, существующих только пока человек находится в кадре. Ultralytics не предлагает свои модели для распознавания лиц, а встраивание идентификации в систему подсчета создает значительные юридические риски, не улучшая ни одно из этих измерений.

Проектные решения, поддерживающие это состояние:

• Обрабатывайте локально и сохраняйте только числа. Если выводом является число за интервал, сохраняйте число и удаляйте кадры. - Не сохраняйте ID треков за пределами поля зрения. Трек, заканчивающийся на краю кадра, должен заканчиваться. Повторная идентификация одного и того же человека между камерами или визитами — это принципиально другая система с принципиально другими обязательствами. - Агрегируйте по интервалам, а не логируйте отдельные события, если позволяет вариант использования. - Размещайте уведомления, а в условиях рабочего места консультируйтесь с представителями работников: это требование в большей части ЕС и хорошая практика везде. - Предпочитайте изначально анонимное сканирование, где нужен только подсчет. Если ToF или тепловизор отвечают на вопрос, это более простой диалог. - Документируйте назначение для каждой камеры, что делает оценку защиты данных понятной.

Обратите внимание, что «нет камер» автоматически не означает «больше конфиденциальности». Подсчет по WiFi и BLE работает по идентификаторам устройств, которые во многих случаях являются персональными данными по GDPR, в то время как тепловизионный датчик, выдающий только счетчик, вообще не обрабатывает персональные данные. Оценивайте метод по тому, что он сохраняет, а не по наличию объектива.