Как на самом деле работают подсчет людей и аналитика заполняемости

Большинство проектов по подсчету людей идут не по плану еще до выбора датчика: выражение «сколько людей» может означать четыре разных показателя, и команды часто выбирают не тот. Число вошедших за день, количество людей внутри прямо сейчас, продолжительность пребывания каждого человека и длина очереди требуют разных методов измерения, размещения оборудования и показателей точности. Система, которая точно считает входящих, может плохо оценивать заполняемость, а система, настроенная на оценку заполняемости, может вовсе не заметить кратковременные посещения.

В этом руководстве разбираются эти показатели и без прикрас сравниваются методы измерения (WiFi и BLE, инфракрасные лучи, времяпролетные датчики, тепловизионные датчики, стереозрение и компьютерное зрение на основе камер). Также рассматриваются продукты, которые стоит купить, и способы самостоятельно создавать системы подсчета по камерам с помощью моделей Ultralytics YOLO.

Четыре показателя, а не один#

Заполняемость — показатель, который часто становится для команд неожиданностью. Если вычислять ее как разницу между входами и выходами, любая ошибка подсчета накапливается: небольшая ошибка определения направления, повторенная при каждом проходе через дверь, приводит к заметно неверному значению к закрытию. Для надежной оценки заполняемости системы либо напрямую измеряют всю зону, либо обнуляют счетчик, когда помещение заведомо пусто, обычно ночью.

Сравнение методов измерения#

Реальный компромисс — контекст или простота. ToF-датчик над дверью отлично справляется с одной задачей и не сообщает ничего другого. Компьютерное зрение на основе камер определяет направление движения, зоны, время пребывания, очереди и классы объектов по одному потоку, но взамен приходится решать проблемы освещения, перекрытия обзора и вычислительных ресурсов.

Для одного входа, где важно только считать вошедших, потолочный ToF обычно будет лучшим инженерным решением и упростит обсуждение конфиденциальности. Для анализа нескольких зон, очередей или подсчета, который нужно объединить с другими обнаружениями, компьютерное зрение лучше всего масштабируется под требования.

Что действительно снижает точность подсчета#

Показатели точности поставщики приводят для условий, которые редко встречаются при реальном внедрении. На точность в реальных условиях влияют:

• Группы и движение бок о бок. Двое людей, идущих плечом к плечу через широкую дверь, — классический случай недосчета. Соотношение ширины дверного проема и зоны охвата датчика важнее заявленной точности датчика.
• Окклюзия. Тележки, зонты, багаж, высокие стенды и плотные толпы скрывают людей от любого метода, которому требуется прямая видимость.
• Угол камеры. Для подсчета людей камера над головой намного точнее камеры под углом: при наклонном обзоре люди заслоняют друг друга. Наиболее частая причина разочарования в точности компьютерного зрения — использование камеры видеонаблюдения, установленной под небольшим углом.
• Освещение. Сложнее всего системе компьютерного зрения приходится у входов с контровым светом на рассвете и закате, а также при отражающих полах и стеклянных дверях.
• Задержка у порога. Если человек стоит в дверном проеме и разговаривает, система может многократно регистрировать пересечения, если не предусмотрено правило отслеживания длительности присутствия.
• Кого считать посетителем. Сотрудники, уборщики, доставщики и проходящие мимо люди обычно становятся крупнейшим источником расхождений между системой и ручной проверкой. Это проблема определения, а не метода измерения.
• Повторный подсчет несколькими камерами. Перекрывающиеся поля зрения дважды учитывают одного и того же человека, если зоны не определены как взаимно исключающие или если треки не передаются между камерами.

Какой бы метод ты ни внедрил, проверь его по ручному подсчету в наихудших условиях: в час пик, при самом сложном освещении и у самого широкого входа. Важна именно точность в таких условиях.

Продукты, которые стоит включить в список кандидатов для покупки#

Если тебе нужны отчеты о посещаемости, панели мониторинга заполняемости или аналитика конверсии в рознице, это зрелые продукты, и обычно разумнее их купить. Ultralytics не является их альтернативой.

Xovis. Потолочные стереовизионные датчики с высокой точностью подсчета у входов, управления очередями и аналитики зон; широко используются в аэропортах и крупных розничных сетях. Лучше всего подходят для мест, где точность подсчета критически важна для работы. Компромисс: датчики нужны для каждой зоны охвата, поэтому широкие или многочисленные входы увеличивают стоимость.

V-Count. Подсчет людей и аналитика, разработанные специально для розничной торговли; платформа охватывает посещаемость, заполняемость и отчетность по конверсии. Лучше всего подходит для розничных сетей с несколькими площадками, которым нужна готовая отчетность. Компромисс: аналитика для розницы хуже подходит для промышленных объектов и кампусов.

Density. Ориентированное на рабочие пространства измерение заполняемости с помощью собственных анонимных датчиков глубины; продукт предназначен для принятия решений в сфере недвижимости и использования помещений. Лучше всего подходит для компаний, оптимизирующих офисные площади в рамках портфеля объектов. Компромисс: продукт создан для задач рабочего пространства, а не для анализа конверсии в рознице.

FootfallCam. Оборудование для подсчета людей и аналитика с широким охватом розничной торговли и большим выбором датчиков. Лучше всего подходит розничным сетям, которые хотят получать оборудование и отчетность от одного поставщика. Компромисс: большой выбор моделей требует внимательного составления спецификации.

RetailNext. Платформа аналитики для магазинов, где подсчет людей дополняет более широкий продукт для анализа мерчандайзинга и поведения покупателей. Лучше всего подходит розничным сетям, которым важна эффективность магазина в целом, а не только посещаемость. Компромисс: платформа охватывает гораздо больше, чем подсчет, и стоит соответственно.

Sensormatic ShopperTrak. Давно работающая система подсчета посетителей и сравнительного анализа трафика в рознице, опирающаяся на обширные рыночные данные. Лучше всего подходит розничным сетям, которым важны сравнительные показатели. Компромисс: продукт ориентирован на корпоративный розничный бизнес.

Axis. Приложения для подсчёта, работающие на камерах Axis; полезны, если инфраструктура Axis уже используется и установка дополнительного оборудования нежелательна. Оптимальный вариант для организаций, которые стандартизировали оборудование на Axis. Компромисс: решение привязано к этой экосистеме камер.

Cisco Spaces. Данные о заполняемости и местоположении на основе существующей сетевой инфраструктуры. Оптимальный вариант для крупных кампусов, которым нужны данные о заполняемости без новых датчиков. Компромисс: система определяет устройства, а это ограничивает точность.

Подсчёт людей с помощью камер#

Подсчёт — одна из наиболее доступных задач компьютерного зрения, поэтому он часто становится первым проектом. Разрабатывать такое решение стоит, если подсчёт — часть более крупной системы (станка, робота, платформы объекта или поставляемого тобой продукта), если результаты подсчёта нужно объединять с обнаружениями, которых нет ни в одном готовом продукте, или если видеозаписи не могут покидать площадку.

Последовательность обработки хорошо отработана.

Обнаруживай людей в каждом кадре. Модели Ultralytics YOLO (YOLOv8, YOLO11 и YOLO26) обнаруживают людей; за один проход та же модель может обнаруживать и другие нужные тебе классы: транспортные средства, тележки, вилочные погрузчики.

Отслеживай объекты между кадрами. Для подсчёта нужно знать, что человек в кадре 200 — это тот же человек, что был в кадре 199. Модели Ultralytics поддерживают отслеживание, которое присваивает постоянные идентификаторы без установления личности на протяжении последовательности кадров; качество отслеживания при перекрытиях гораздо сильнее влияет на точность подсчёта, чем точность обнаружения.

Задай геометрию подсчёта. Линия подходит для подсчёта входящих и выходящих людей с учётом направления, а многоугольник — для определения заполняемости зоны. Направление определяется тем, с какой стороны линии трек пересекает её. Если несколько камер охватывают смежные зоны, сделай зоны взаимно исключающими, чтобы один человек никогда не учитывался дважды.

Добавь сохранение состояния и подавление дребезга. Учитывай трек, только если он просуществовал N кадров, и не допускай повторных пересечений из-за одного человека, задержавшегося у порога. Именно этот уровень, а не модель, обеспечивает большую часть прироста точности.

Заранее выбери целевую платформу развёртывания. Непрерывный инференс по нескольким видеопотокам требует реальной оценки производительности. Для большинства задач подсчёта не нужен каждый кадр: выбирай частоту кадров исходя из того, как быстро человек может пересечь линию, а не из возможностей камеры. Модели Ultralytics можно экспортировать в такие форматы, как ONNX и TensorRT, для периферийного оборудования рядом с камерой — так видео также остаётся на месте.

Обучай на собственных видеозаписях. Универсальная модель хорошо справляется с обнаружением людей, но точность в производственной среде зависит от конкретного входа — например, на рассвете, со стеклянными дверями и отражающим полом. Ultralytics Platform позволяет размечать такие записи с помощью интеллектуальной разметки на базе SAM и обучать на них модель в рамках того же процесса.

Проверь результаты по ручному подсчёту в самый загруженный час и при самом плохом освещении; повторяй проверку после любого перемещения камеры.

Если подсчёт становится частью коммерческого продукта или проприетарной системы, учти: модели Ultralytics YOLO доступны по лицензии AGPL-3.0, а для такого развёртывания обычно требуется лицензия Ultralytics Enterprise, которая также распространяется на частное развёртывание. Реши этот вопрос до того, как пилотный проект превратится в готовую функцию продукта.

Конфиденциальность: система подсчёта не должна устанавливать личность людей#

Подсчёт — одна из немногих задач с камерами, которую можно изначально спроектировать с реальной защитой конфиденциальности. Это снимает большинство возражений ещё до их появления.

Ни один из описанных здесь методов не требует идентифицировать людей. Входящий и выходящий потоки, заполняемость, время пребывания и длина очереди определяются по анонимным обнаружениям и трекам без установления личности, которые существуют только пока человек находится в кадре. Ultralytics не предлагает свои модели для распознавания лиц, а добавление идентификации в систему подсчёта существенно повышает юридические риски, не улучшая ни один из этих показателей.

Чтобы так и оставалось, придерживайся следующих принципов проектирования:

• Обрабатывай данные локально и сохраняй только результаты подсчёта. Если на выходе нужно число за интервал, сохраняй число, а кадры удаляй. - Не сохраняй идентификаторы треков за пределами поля зрения. Трек должен завершаться у края кадра. Повторная идентификация того же человека в разных камерах или при разных посещениях — принципиально иная система с принципиально иными обязательствами. - По возможности агрегируй данные за интервалы, а не регистрируй отдельные события. - Размещай уведомления; если речь идёт о рабочем месте, консультируйся с представителями работников. Во многих странах ЕС это обязательное требование, а повсюду — хорошая практика. - По возможности выбирай изначально анонимные датчики. Если на вопрос отвечает ToF или тепловизор, объяснить такой выбор проще. - Документируй цель каждой камеры — это упростит оценку защиты данных.

Учти, что «нет камер» не означает автоматически «больше конфиденциальности». Подсчёт по WiFi и BLE использует идентификаторы устройств, которые во многих случаях считаются персональными данными согласно GDPR, тогда как тепловой датчик, выдающий только результат подсчёта, вообще не обрабатывает персональные данные. Оценивай метод по тому, какие данные он сохраняет, а не по наличию объектива.