Mevcut Güvenlik Kameralarına Yapay Zekâ Analitiği Nasıl Eklenir?

Güvenlik kameralarına yapay zekâyı nasıl ekleyeceğini soran neredeyse her kuruluşun, ihtiyaç duyduğu yanıt üç seçenekten birinde zaten vardır; yapılan hata, işe mevcut kamera altyapısından değil yazılımdan başlamaktır. Sahip olduğun kameralar (önemli mesafelerdeki çözünürlükleri, açıları, düşük ışık performansları ve görüntü akışlarının nerede işlenebileceği), üç yoldan hangisinin senin için mümkün olduğunu belirler.

Bu kılavuz önce gerçekçi bir kamera denetimini, ardından üç yolu ele alıyor: mevcut video yönetim sisteminin üzerine bir analiz katmanı satın almak, VMS'yi veya kameraları değiştirmek ve hâlihazırda kullandığın akışlarda tespit modellerini kendi sunucunda barındırmak. Okuyucuların çoğu ilk iki yoldan birini seçmeli. Üçüncü yol, belirli kısıtları olanlar için gerçek bir seçenek; bu kılavuz da hangi kısıtların söz konusu olduğunu açıkça belirtiyor.

Yazılımla değil, mevcut kamera altyapısıyla başla#

Bir analiz sağlayıcısı, istediğin tespiti destekleyemeyen bir kamerayı da memnuniyetle sisteme bağlar. Değerlendirme yapmadan önce denetim gerçekleştir.

• Megapiksel değil, hedefteki piksel sayısı. Geniş bir avluyu gören 4K kamera, kırk metre uzaktaki bir kişinin üzerinde, bir kapıyı gören 1080p kameradan daha az piksel oluşturabilir. Her tespit için gereken asgari bir piksel yüksekliği vardır ve sistem yenileme projelerinin hayal kırıklığı yaratmasının en yaygın nedeni budur.
• Açı. Güvenlik amacıyla yerleştirilen kameralar genellikle geniş bir alanı görecek şekilde yüzlere doğru açılandırılır. Bu, sayım ve bölge mantığı için neredeyse en kötü geometridir; bu senaryolarda yukarıdan bakış, eğik bakıştan çok daha iyi sonuç verir.
• Düşük ışık ve arkadan aydınlatma performansı. Alacakaranlıkta, gece ve güneşin lense vurduğu saatlerde test et. Kızılötesi aydınlatma görüntü özelliklerini önemli ölçüde değiştirir; yalnızca gün ışığı görüntüleriyle değerlendirilmiş bir model seni şaşırtabilir.
• Kare hızı ve codec. Yoğun biçimde sıkıştırılmış, düşük kare hızlı akışlar modellerin ihtiyaç duyduğu ayrıntıları kaybeder. Kayıt cihazının gerçekte neyi depoladığını, kameranın üretebildiği görüntüyle karşılaştır.
• Akış erişimi. Kaydı kalitesini düşürmeden her kamera için ikinci bir RTSP akışı alabiliyor musun? Pek çok kamera daha düşük çözünürlükte bir alt akışı destekler; bu akış çoğu zaman yeterlidir ve işlenmesi çok daha ucuzdur.
• Ağ kapasitesi ve topolojisi. Çok sayıda akışta sürekli analiz yapmak ya merkezi bir sunucuya bant genişliği harcar ya da kameraların yakınında işlem gücü gerektirir. Mimariyi çoğu zaman yazılım tercihin değil, bu durum belirler.
• Kameraların yaşı ve yama durumu. Varsayılan kimlik bilgilerine sahip ve düz bir ağda bulunan kameralar, analiz fırsatından önce bir güvenlik sorunudur.

Bu denetimin sonucu genellikle bir ayrım olur: Bazı kameralar bölge ve varlık tespiti için uygundur, daha azı ayrıntılı sınıflandırma için yeterlidir, bir kısmınınsa hangi yolu seçersen seç yeniden konumlandırılması veya değiştirilmesi gerekir.

Üç yol#

Yol 1: mevcut VMS'nin üzerine bir analiz katmanı#

Varsayılan öneri budur. Bu ürünler, kamera altyapısını değiştirmeden tespit özellikleri eklemek için tasarlanmıştır ve standart güvenlik kullanım senaryolarında, geliştireceğin her şeyden daha hızlı ve ucuzdurlar.

BriefCam. Kayıtlı görüntülerde hızlı inceleme ve arama konusunda öne çıkan, şirket içinde kurulabilen bir video içerik analizi katmanı. Geçmiş görüntülerde olay bulmanın başlıca iş yükü olduğu, inceleme ağırlıklı ortamlar için en uygunudur. Dezavantajı: VMS'nin üzerine eklenir; mevcut bir bileşeni değiştirmek yerine yeni bir bileşen ekler.

IronYun / Vaidio. Mevcut kameralara ve VMS platformlarına tespit özelliği kazandırmak üzere tasarlanmış, geniş bir güvenlik tespitleri kataloğuna sahip yapay zekâ analiz katmanı. Kayıt altyapısına dokunmadan daha fazla analiz isteyen kuruluşlar için en uygunudur. Dezavantajı: Entegrasyon zincirinde test edilip bakımı yapılması gereken başka bir sağlayıcı daha olur.

Lumana. Sıfırdan kurulum varsaymak yerine mevcut kamera altyapısına yapay zekâ eklemeye ve özellikle yenileme sürecine odaklanır. Mevcut kameraları korumayı açıkça şart koşan ekipler için en uygunudur. Dezavantajı: Yerleşik VMS sağlayıcılarına kıyasla pazara daha yeni girmiştir.

Volt.ai. Gözetim altyapısının üzerine yapay zekâ katmanı eklemeye benzer biçimde odaklanır ve sunduğu hizmetlerde entegrasyon rehberliğine görünür biçimde yer verir. Farklı kamera donanımlarının bir arada bulunduğu sistemleri yenileyen kuruluşlar için en uygunudur. Dezavantajı: Her katman çözümünde olduğu gibi, sonuçların kalitesi yine temel kameralara bağlıdır.

Dördünün de sundukları: standart tespitler (kişi ve araç varlığı, çizgi ihlali, bölge ihlali, aylaklık, geride bırakılan nesne, kalabalık yoğunluğu, kayıtlı görüntülerde öznitelik tabanlı arama), destek ve doğruluktan sorumlu bir muhatap. Sunmadıkları: kataloglarında bulunmayan bir tespit.

Kapsam belirlemeyle ilgili bir not. Bu ürünlerin birkaçı görüntülerde öznitelik araması sunduğunu belirtiyor; ancak bunun kıyafet rengi gibi betimleyici öznitelikleri eşleştirmek mi yoksa kimlikleri eşleştirmek mi olduğu sağlayıcıya göre büyük ölçüde değişiyor. Bunlar yasal riskleri önemli ölçüde farklı iki yetenektir; ne satın aldığını ve gerçekten ne istediğini netleştirmeye değer. Kapsamı kimlik yerine öznitelik ve olay tespitiyle sınırlandırmak, mevzuata uyum görüşmelerini kolaylaştırır ve güvenlik iş akışlarının çoğu için yeterlidir.

Yol 2: VMS'yi veya kameraları yükseltme#

Bazen gerçekçi yanıt, kısıtın analizde değil kamera altyapısında olduğudur. Kameralar eskiyse, kötü konumlandırılmışsa, yamalanamıyorsa ve düşük kare hızında kayıt yapıyorsa üzerlerine yapay zekâ katmanı eklemek hayal kırıklığı yaratır.

Genetec Security Center. Şirket içinde kurulabilen; güçlü siber güvenlik ve gizlilik araçlarına sahip, video, erişim kontrolü ve ALPR'yi bir araya getiren birleşik çözüm. Birleşik fiziksel güvenlik ihtiyacı olan büyük ölçekli işletmeler ve kamu kuruluşları için en uygunudur. Dezavantajı: Buna karşılık gelen uzmanlık gerektiren kapsamlı bir platformdur.

Milestone XProtect. Geniş bir üçüncü taraf entegrasyon ekosistemine sahip açık platformlu bir VMS'dir; böylece analiz çözümleri kayıt katmanından bağımsız seçilebilir. Seçeneklerini açık tutmak isteyen kuruluşlar için en uygunudur. Dezavantajı: Entegrasyonları bir araya getirip yönetmek birinin sorumluluğunda olmalıdır.

Avigilon Unity. Yerleşik analiz özellikleri ve kamera ile yazılım arasında sıkı entegrasyon sunan, şirket içinde kurulan video güvenlik çözümü. Tek bir sağlayıcıdan tutarlı bir teknoloji yığını isteyen ekipler için en uygunudur. Dezavantajı: Kendi kameralarıyla birlikte kullanıldığında en güçlü sonuçları verir.

Verkada. Yerleşik analiz özelliklerine ve kolay kurulum ile yönetime güçlü biçimde odaklanan bulut yönetimli kameralar. Sahada sınırlı BT personeli bulunan, birden çok konuma yayılmış kuruluşlar için en uygunudur. Dezavantajı: Bazı veri yerleşimi gereksinimleri bulut yönetimli mimariyi kapsam dışı bırakır.

Rhombus. Benzer biçimde, analiz özellikleri dâhil bulut üzerinden yönetilir ve birden fazla konumda kolay dağıtımı hedefler. Hızlı devreye alma isteyen orta ölçekli kuruluşlar için en uygunudur. Dezavantajı: Yukarıdaki gibi, görüntülerin yerel kalması gereken durumlarda bulut modeli kısıt oluşturur.

Eagle Eye Networks. Açık API yaklaşımı ve analiz seçenekleri sunan bulut tabanlı video yönetimi. Entegrasyon esnekliğini korurken bulut yönetimi isteyen kuruluşlar için en uygunudur. Dezavantajı: Bulut merkezli mimari.

Axis Camera Station. Axis kameraları ve kamera üzerindeki analiz özellikleriyle çalışan, donanımın kaynağıyla ilgili alışılmadık ölçüde ayrıntılı belgelere sahip, basit ve şirket içinde kurulan video yönetimi. Orta ölçekli Axis kurulumları için en uygunudur. Dezavantajı: Çok büyük ve çok konumlu sistemlerde kurumsal platformlar kadar uygun değildir.

Veri yerleşimi, hava boşluğu veya tedarik kısıtlaması gereksinimi varsa bunlar, diğer unsurlardan önce seçenekleri daraltır. Bu kararların arkasındaki uyum çerçevelerini, güvenlik uyumu için şirket içinde kurulan video analizi kılavuzumuzda daha ayrıntılı ele alıyoruz.

Yol 3: mevcut akışlarında modelleri kendi sunucunda barındırma#

Bu, azınlığın tercih ettiği yoldur ve şu özel koşullarda doğru seçimdir:

• Tespit hiçbir katalogda yok. Belirli bir ekipman, tesise özgü bir durum, süreç durumu veya üretim hattındaki bir ürün. Genel güvenlik analizleri yeni bir sınıfı yapılandırarak oluşturamaz. - Çıkarımın veri sınırı mutlaktır. Yalnızca depolama değil; analiz için hiçbir görüntü, sağlayıcının bulut hizmet katmanı dâhil olmak üzere ağ dışına çıkamaz. - Bir ürün dağıtıyorsun. Analiz, sattığın bir ürünün özelliğiyse kanal başına lisanslama maliyet modeline uymaz ve çözümü sen geliştirirsin. - Kanal başına lisanslama, sahip olduğun akış sayısında ölçeklenmez ve başka bir çözümü işletecek mühendislik kapasiten var. - Modelin yaşam döngüsünü kontrol etmen gerekiyor; tesis değiştikçe sağlayıcı sürümlerini beklemek yerine kendi görüntülerinle yeniden eğitim yapmalısın.

Bunların hiçbiri geçerli değilse 1. yolu seç.

Mimari#

VMS'yi koru. Kayıt, saklama, erişim kontrolü ve denetim günlükleri çözülmüş ve mevzuat açısından önem taşıyan konulardır. Akışları VMS'den al; VMS'yi değiştirme.

RTSP akışlarını kendi çıkarım hizmetine aktar. Çözünürlüğün elverdiği durumlarda kamera alt akışını tercih et. Bu akışın kodunu çözmek çok daha ucuzdur ve darboğaz çoğu zaman çıkarım değil, kod çözmedir.

Tespit ve takip çalıştır. Ultralytics YOLO modelleri (YOLOv8, YOLO11 ve YOLO26) ilgili görevleri kapsar: kişi, araç ve nesneler için tespit; çizgi ihlali ve bölge mantığı için takip; duruş ve düşme tespiti için poz tahmini; sınırların kutulardan daha önemli olduğu durumlarda segmentasyon. Dağıtım yapacağın donanım için ONNX'e veya TensorRT biçimine aktar.

Kendi görüntülerinle eğit. Genel bir model, kişi ve araçlarda iyi sonuç verir. Üretim doğruluğunu senin özel kameraların, açıların, hava koşulların ve ışıklandırman belirler; herkese açık veri kümeleri bunları temsil etmez. Ultralytics Platform, SAM tabanlı Smart Annotation ile tesis görüntülerini etiketleyip aynı iş akışında model eğitebilir; etiketleme ve eğitim araçlarını bir araya getirmek zorunda kaldığında bu özellik önem kazanır.

Olayları güvenlik iş akışına geri aktar. Tespitler, operatörlerin zaten takip ettiği VMS'de veya alarm yönetim sisteminde yer almalıdır. Ayrı bir kontrol paneli, kimsenin açmadığı ayrı bir araca dönüşür.

Pilot uygulama üretime geçmeden lisanslamayı netleştir. Ultralytics YOLO modelleri AGPL-3.0 kapsamında sunulur; ticari veya tescilli dağıtımlar genellikle özel dağıtım ve gelişmiş desteği de kapsayan bir Ultralytics Enterprise lisansı gerektirir. Bu konuyu tasarım aşamasında çözmek, dağıtımdan sonraya bırakmaktan çok daha ucuzdur.

İşlem gücünü boyutlandırma#

Çok sayıda akışta sürekli çıkarım yapmak bir kapasite planlama işidir ve iki etken belirleyicidir.

Birincisi kare hızıdır. Çoğu güvenlik olayı her kareyi gerektirmez. Hızı yakalaman gereken en kısa olaya göre ayarla (bir kişinin çizgiyi geçmesini saptamak için 30fps'den çok daha azı gerekir); böylece gereken kapasite genellikle önemli ölçüde azalır.

İkincisi çıkarımın nerede çalıştığıdır. Kameraların yakınındaki uç cihazlar, videoyu ağ üzerinden aktarma ihtiyacını ortadan kaldırır ve görüntüleri yerel tutar; çoğu zaman amaç da budur. Merkezi GPU sunucusunu işletmek ve yönetmek daha kolaydır, ancak bant genişliği talebini tek noktada toplar. Karma altyapılar genellikle her ikisini de kullanır: uzak konumlarda uç çıkarımı, ağın iyi olduğu yerlerde merkezi işlemeyi.

Kendi akışların ve donanımında performans ölçümü yap. Özenle hazırlanmış veri kümelerinde ölçülen model verim değerleri, kameralarındaki kod çözme ve çıkarım hattının nasıl performans göstereceğini öngörmez.

Yanlış alarmları modelin içinde değil, üst katmanda çöz#

Kendi sistemini geliştirmeyle ilgili en yaygın sorun, tespit doğruluğunun düşük olması değildir. Operatörlerin iki hafta içinde yanıt vermeyi bıraktığı bir alarm hacmidir.

Tespitler olay değildir. Kutuları alarma dönüştüren katman, yanlış alarm oranını gerçekten kontrol ettiğin yerdir:

• Süreklilik. Bir iz, geçerli sayılmadan önce birkaç kare boyunca takip edilmelidir. Tek karelik tespitler gürültüdür.
• Gerçek dünyaya göre bölge geometrisi. 2B bir görüntü üzerine çizilen çokgen, yerdeki bir alanla aynı şey değildir. Perspektif kalibrasyonu olmadan, tehlike bölgesinin çok dışındaki bir kişi bölgenin içindeymiş gibi görünebilir.
• Tekrarlı tetiklemeyi önleme. Eşik noktasında aylaklık eden bir kişi, tekrar tekrar çizgi ihlali olayı oluşturmamalıdır.
• Zaman çizelgeleri ve istisnalar. Saat 14.00'te bir koridordaki forklift normaldir, saat 02.00'de ise değildir. Bu farkı tanımlamak alarm sayısını önemli ölçüde azaltır.
• Önem düzeyleri. Her tespit alarm gerektirmez. Anlık alarm, vardiya özeti ve haftalık eğilim; her biri farklı doğruluk gereksinimlerine sahip üç ayrı çıktıdır.

Bu katmanın model entegrasyonundan daha fazla kod gerektirmesini bekle; sistemi test kümesindeki tespit doğruluğuna göre değil, vardiya başına yanlış alarm sayısına göre ölç. Sistemin üç ay sonra hâlâ açık olup olmayacağını vardiya başına yanlış alarm sayısı belirler.

Gizlilik ve kapsam#

Mevcut kameralara analiz eklemek, bu kameraların yaptığı işi değiştirir; bu da genellikle ilk kurulumda gündeme gelmeyen yükümlülükleri beraberinde getirir.

• Amaç sınırlaması. Güvenlik için kurulan kameralar sessizce üretkenlik veya davranış izleme araçlarına dönüşmemelidir. İş yeri ortamlarında bu hem hukuki hem de güvenle ilgili bir konudur.
• Önceki değerlendirmeyi devralma, yeniden değerlendir. Mevcut görüntülere otomatik analiz eklemek genellikle veri koruma değerlendirmesinin yeniden yapılmasını ve AB'nin büyük bölümünde iş yeri temsilcileriyle görüşülmesini gerektirir.
• Kimlik eşleştirmeyi kapsam dışında bırak. Kişi ve araç tespiti, çizgi ihlali, bölge ihlali, aylaklık, kalabalık yoğunluğu ve geride bırakılan nesne tespitlerinin tümü anonim tespitlerle çalışır. Ultralytics modellerini yüz tanıma amacıyla sunmaz; ayrıca kimlik eşleştirme, bu tespitlerden hiçbirini iyileştirmeden çok daha ağır hukuki riskler getirir.
• Sakladığın veriyi en aza indir. Olaylar ve sayımlar soruyu yanıtlıyorsa yalnızca olayları ve sayımları sakla.
• Yalnızca yapılandırma değişikliklerini değil, görüntüleme ve dışa aktarma işlemlerini de kaydet.
• Kamera ağını bölümlere ayır. Yenileme çalışması, düz ağları ve varsayılan kimlik bilgilerini düzeltmek için iyi bir fırsattır.