Cách thêm phân tích AI vào camera an ninh hiện có

Gần như mọi tổ chức khi đặt câu hỏi làm thế nào để tích hợp AI vào hệ thống camera an ninh của mình đều đã có sẵn câu trả lời nằm ở một trong ba lựa chọn, và sai lầm thường gặp là bắt đầu từ phần mềm thay vì cơ sở hạ tầng sẵn có. Các camera bạn đang sở hữu (độ phân giải của chúng ở khoảng cách cần thiết, góc quay, hiệu suất trong điều kiện thiếu sáng và vị trí các luồng dữ liệu có thể được xử lý) sẽ quyết định phương án nào khả thi với bạn.

Hướng dẫn này bắt đầu bằng việc kiểm tra thực tế hệ thống camera, tiếp theo là ba phương án: mua một lớp phân tích chạy trên hệ thống quản lý video (VMS) hiện có, nâng cấp VMS hoặc chính camera, và tự lưu trữ các model phát hiện trên các luồng dữ liệu bạn đang sẵn có. Hầu hết độc giả nên chọn một trong hai phương án đầu tiên. Phương án thứ ba là một lựa chọn thực tế cho một tập hợp các ràng buộc cụ thể, và hướng dẫn này sẽ làm rõ trường hợp nào nên áp dụng.

Bắt đầu từ cơ sở hạ tầng, không phải phần mềm#

Một nhà cung cấp giải pháp phân tích sẽ sẵn lòng kết nối với camera không đủ khả năng hỗ trợ tính năng phát hiện bạn muốn. Hãy kiểm toán trước khi đánh giá.

• Số pixel trên mục tiêu, không phải megapixel. Một camera 4K bao quát khoảng sân rộng có thể tạo ra ít pixel trên một người ở khoảng cách bốn mươi mét hơn so với camera 1080p bao quát một ô cửa. Mọi tính năng phát hiện đều yêu cầu chiều cao pixel tối thiểu, và đây là nguyên nhân phổ biến nhất khiến việc nâng cấp hệ thống cũ không đạt kỳ vọng.
• Góc quay. Camera lắp cho mục đích an ninh thường có góc hướng để nhận diện khuôn mặt trên một khu vực rộng. Đây lại là góc nhìn kém tối ưu nhất cho việc đếm số lượng và logic vùng, trong khi các góc nhìn từ trên xuống mang lại hiệu quả vượt trội hơn hẳn.
• Hiệu suất trong điều kiện thiếu sáng và ngược sáng. Hãy kiểm tra vào lúc hoàng hôn, ban đêm và vào bất kỳ thời điểm nào ánh nắng chiếu trực tiếp vào ống kính. Đèn chiếu hồng ngoại làm thay đổi đáng kể đặc điểm hình ảnh, và một model chỉ được đánh giá qua cảnh quay ban ngày sẽ khiến bạn bất ngờ.
• Tốc độ khung hình và codec. Các luồng video bị nén nặng với tốc độ khung hình thấp sẽ làm mất các chi tiết mà các model AI phụ thuộc vào. Hãy kiểm tra những gì thiết bị ghi hình thực sự lưu trữ so với những gì camera có thể xuất ra.
• Khả năng truy cập luồng dữ liệu. Bạn có thể lấy luồng RTSP thứ hai cho mỗi camera mà không làm giảm chất lượng ghi hình không? Nhiều camera hỗ trợ luồng phụ (substream) với độ phân giải thấp hơn, thường là đủ dùng và có chi phí xử lý rẻ hơn rất nhiều.
• Dung lượng và cấu trúc mạng. Việc phân tích liên tục trên nhiều luồng dữ liệu hoặc tiêu tốn băng thông truyền về máy chủ trung tâm, hoặc đòi hỏi thiết bị tính toán ở gần camera. Yếu tố này quyết định kiến trúc hệ thống nhiều hơn là sở thích phần mềm.
• Tuổi thọ camera và tình trạng cập nhật bản vá. Các camera để nguyên thông tin đăng nhập mặc định trên một mạng phẳng là một mối họa về an ninh trước khi chúng trở thành một cơ hội ứng dụng phân tích.

Kết quả của quá trình kiểm tra này thường chia hệ thống thành các nhóm: một số camera phù hợp để phát hiện vùng và sự hiện diện, ít camera hơn đáp ứng được việc phân loại chi tiết, và một số ít cần được định vị lại hoặc thay thế bất kể theo phương án nào.

Ba phương án#

Phương án 1: Lớp phân tích chạy trên VMS hiện có của bạn#

Đây là khuyến nghị mặc định. Các sản phẩm này tồn tại nhằm mục đích bổ sung khả năng phát hiện cho hệ thống camera mà không cần thay thế chúng, và đối với các trường hợp sử dụng an ninh tiêu chuẩn, chúng nhanh hơn và rẻ hơn bất kỳ giải pháp tự xây dựng nào.

BriefCam. Một lớp phân tích nội dung video mạnh nhất về khả năng xem lại nhanh chóng và tìm kiếm trên các đoạn phim ghi lại, có thể triển khai tại chỗ (on-premise). Phù hợp nhất cho các môi trường đòi hỏi điều tra nhiều, nơi việc tìm kiếm các sự kiện trong video lịch sử là khối lượng công việc chính. Nhược điểm: sản phẩm này nằm chồng lên VMS, đóng vai trò bổ sung một thành phần thay vì thay thế nó.

IronYun / Vaidio. Một lớp phân tích AI được thiết kế để mang tính năng phát hiện đến các camera và nền tảng VMS hiện có, với danh mục phát hiện an ninh rộng lớn. Phù hợp nhất cho các tổ chức muốn có thêm tính năng phân tích mà không can thiệp vào cơ sở hạ tầng ghi hình. Nhược điểm: có thêm một nhà cung cấp trong chuỗi tích hợp cần thử nghiệm và duy trì.

Lumana. Tập trung vào việc bổ sung AI cho hệ thống camera hiện có, chú trọng vào chính con đường nâng cấp thay vì giả định một hệ thống lắp đặt mới hoàn toàn (greenfield). Phù hợp nhất cho các nhóm có yêu cầu bắt buộc là giữ nguyên hệ thống camera hiện tại. Nhược điểm: là một cái tên mới hơn so với các nhà cung cấp VMS lâu đời.

Volt.ai. Có định hướng tương tự trong việc phủ lớp AI lên cơ sở hạ tầng giám sát hiện có, với hướng dẫn tích hợp là một phần rõ ràng trong dịch vụ của họ. Phù hợp nhất cho các tổ chức nâng cấp trên hệ thống phần cứng camera hỗn hợp. Nhược điểm: giống như bất kỳ lớp phủ nào, chất lượng kết quả vẫn phụ thuộc vào hệ thống camera bên dưới.

Những gì bạn nhận được từ cả bốn giải pháp: các tính năng phát hiện tiêu chuẩn (phát hiện sự hiện diện của người và phương tiện, vượt vạch, xâm nhập vùng, la cà, bỏ quên đồ vật, mật độ đám đông, tìm kiếm dựa trên thuộc tính trên đoạn phim ghi lại) kèm theo hỗ trợ và người chịu trách nhiệm về độ chính xác. Những gì bạn không nhận được: một tính năng phát hiện không nằm trong danh mục.

Một lưu ý về phạm vi. Một số sản phẩm này quảng bá tính năng tìm kiếm thuộc tính trên đoạn phim, và các nhà cung cấp khác biệt đáng kể về việc điều đó có nghĩa là khớp các thuộc tính mô tả như màu sắc trang phục hay khớp danh tính. Đó là những năng lực hoàn toàn khác nhau với mức độ rủi ro pháp lý hoàn toàn khác nhau, và bạn cần xác định rõ mình đang mua loại nào và thực sự muốn gì. Việc giới hạn phạm vi ở mức phát hiện thuộc tính và sự kiện, thay vì nhận dạng danh tính, vừa đơn giản hóa việc tuân thủ vừa đủ đáp ứng cho hầu hết các quy trình an ninh.

Phương án 2: Nâng cấp VMS hoặc camera#

Đôi khi câu trả lời thực tế là hệ thống cơ sở hạ tầng, chứ không phải tính năng phân tích, mới là nút thắt. Nếu camera đã cũ, đặt sai góc, không thể vá lỗi và ghi hình ở tốc độ khung hình thấp, việc phủ AI lên đó chỉ mang lại sự thất vọng.

Genetec Security Center. Giải pháp tích hợp video, kiểm soát ra vào và nhận dạng biển số xe (ALPR) với các công cụ bảo mật mạng và quyền riêng tư mạnh mẽ, có thể triển khai tại chỗ (on-premise). Phù hợp nhất cho các tổ chức lớn và khu vực công cần một hệ thống an ninh vật lý đồng bộ. Nhược điểm: nền tảng lớn đòi hỏi chuyên môn tương ứng để vận hành.

Milestone XProtect. Hệ thống quản lý video nền tảng mở với hệ sinh thái tích hợp bên thứ ba lớn, cho phép lựa chọn các giải pháp phân tích độc lập với lớp ghi hình. Phù hợp nhất cho các tổ chức muốn giữ sự linh hoạt trong lựa chọn đó. Nhược điểm: phải có người chịu trách nhiệm lắp ráp tích hợp hệ thống.

Avigilon Unity. An ninh video tại chỗ với các tính năng phân tích tích hợp sẵn và sự kết hợp chặt chẽ giữa phần mềm và camera. Phù hợp nhất cho các nhóm muốn một hệ sinh thái đồng bộ từ một nhà cung cấp duy nhất. Nhược điểm: đạt hiệu quả cao nhất khi sử dụng camera của chính hãng.

Verkada. Camera quản lý qua đám mây với tính năng phân tích tích hợp và nhấn mạnh mạnh mẽ vào sự dễ dàng triển khai cũng như quản lý. Phù hợp nhất cho các tổ chức phân tán nhiều địa điểm với nguồn lực IT tại chỗ hạn chế. Nhược điểm: kiến trúc quản lý đám mây, bị loại trừ bởi một số yêu cầu về lưu trú dữ liệu.

Rhombus. Tương tự được quản lý qua đám mây có tích hợp phân tích, nhắm đến việc triển khai đa địa điểm một cách đơn giản. Phù hợp nhất cho các tổ chức quy mô vừa muốn triển khai nhanh. Nhược điểm: như trên, mô hình đám mây là một hạn chế khi video bắt buộc phải lưu trữ tại chỗ.

Eagle Eye Networks. Quản lý video trên đám mây với phương pháp tiếp cận API mở và các tùy chọn phân tích. Phù hợp nhất cho các tổ chức muốn quản lý trên đám mây nhưng vẫn duy trì sự linh hoạt trong tích hợp. Nhược điểm: kiến trúc tập trung vào đám mây.

Axis Camera Station. Quản lý video tại chỗ đơn giản kết hợp với camera Axis và tính năng phân tích trên camera, đi kèm tài liệu về nguồn gốc phần cứng chi tiết bất thường. Phù hợp nhất cho các hệ thống triển khai Axis quy mô vừa. Nhược điểm: ít phù hợp với các hệ thống đa địa điểm rất lớn so với các nền tảng doanh nghiệp.

Nếu có yêu cầu về lưu trú dữ liệu, vùng cách ly (air-gap) hoặc hạn chế mua sắm được đặt ra, điều đó sẽ thu hẹp danh sách này trước bất kỳ yếu tố nào khác. Các khuôn khổ tuân thủ thúc đẩy những quyết định đó được đề cập chi tiết hơn trong hướng dẫn của chúng tôi về phân tích video tại chỗ dành cho việc tuân thủ an ninh.

Phương án 3: Tự lưu trữ model trên các luồng dữ liệu hiện có#

Đây là phương án chiếm số ít, và là lựa chọn chính xác trong các điều kiện cụ thể:

• Tính năng phát hiện không có trong bất kỳ danh mục nào. Một thiết bị cụ thể, một điều kiện đặc thù của cơ sở, trạng thái quy trình, một sản phẩm trên dây chuyền. Các giải pháp phân tích an ninh chung không thể cấu hình thành một lớp đối tượng mới. - Ranh giới suy luận là tuyệt đối. Không chỉ là lưu trữ. Không hình ảnh nào được phép rời khỏi mạng để phân tích, kể cả đến tầng đám mây của nhà cung cấp. - Bạn đang cung cấp một sản phẩm thương mại. Nếu phân tích là một tính năng của sản phẩm bạn bán, việc cấp phép theo kênh không phù hợp với mô hình chi phí và bạn là người tự xây dựng. - Cấp phép theo kênh không co giãn theo số lượng luồng dữ liệu của bạn, và bạn có năng lực kỹ thuật để vận hành một giải pháp thay thế. - Bạn cần kiểm soát vòng đời của model, tự huấn luyện lại trên dữ liệu hình ảnh của riêng mình khi hiện trạng thay đổi thay vì chờ đợi các bản phát hành từ nhà cung cấp.

Nếu không có điều nào trong số đó áp dụng, hãy chọn phương án 1.

Kiến trúc#

Giữ nguyên VMS. Việc ghi hình, lưu trữ, kiểm soát truy cập và ghi nhật ký kiểm tra đã được giải quyết và liên quan trực tiếp đến việc tuân thủ. Hãy lấy các luồng dữ liệu từ hệ thống này; đừng thay thế nó.

Kéo các luồng RTSP vào dịch vụ suy luận của riêng bạn. Ưu tiên sử dụng luồng phụ của camera nếu độ phân giải cho phép. Chi phí giải mã sẽ thấp hơn rất nhiều, và việc giải mã thường mới là nút thắt thực sự thay vì quá trình suy luận.

Chạy phát hiện và theo dõi. Các model Ultralytics YOLO (YOLOv8, YOLO11 và YOLO26) đáp ứng các tác vụ liên quan: phát hiện người, phương tiện và đối tượng, theo dõi qua vạch và logic vùng, ước lượng tư thế để phát hiện dáng người và ngã, phân đoạn (segmentation) khi ranh giới quan trọng hơn hộp bao (bbox). Xuất sang ONNX hoặc TensorRT cho phần cứng bạn đang triển khai.

Huấn luyện trên dữ liệu hình ảnh của chính bạn. Một model tổng quát xử lý tốt người và phương tiện. Hệ thống camera, góc quay, thời tiết và ánh sáng cụ thể của bạn mới quyết định độ chính xác trong môi trường thực tế, và các tập dữ liệu công khai sẽ không phản ánh được điều đó. Ultralytics Platform có thể chú thích dữ liệu hình ảnh tại chỗ bằng tính năng Smart Annotation dựa trên SAM và huấn luyện trong cùng một luồng công việc, điều rất quan trọng khi giải pháp thay thế là phải chắp vá các công cụ chú thích và huấn luyện lại với nhau.

Ghi sự kiện ngược lại vào quy trình an ninh. Các kết quả phát hiện cần nằm trong VMS hoặc hệ thống quản lý cảnh báo mà các nhân viên vận hành đang theo dõi sẵn. Một bảng điều khiển (dashboard) tách biệt sẽ trở thành một thứ nữa mà không ai thèm mở.

Giải quyết vấn đề cấp phép trước khi bản thử nghiệm chuyển thành sản phẩm chính thức. Các model Ultralytics YOLO được cung cấp theo giấy phép AGPL-3.0, và các hoạt động triển khai thương mại hoặc độc quyền thường yêu cầu giấy phép Ultralytics Enterprise, vốn cũng bao gồm việc triển khai riêng tư và hỗ trợ nâng cao. Giải quyết việc này ngay từ khâu thiết kế sẽ tiết kiệm chi phí hơn rất nhiều so với sau khi đã triển khai xong.

Định kích thước tài nguyên tính toán#

Quá trình suy luận liên tục trên nhiều luồng dữ liệu là một bài toán lập kế hoạch dung lượng, và có hai yếu tố quyết định.

Tốc độ khung hình là yếu tố đầu tiên. Hầu hết các sự kiện an ninh không đòi hỏi mọi khung hình. Hãy đặt tốc độ dựa trên sự kiện ngắn nhất mà bạn buộc phải bắt (một người vượt qua vạch cần số khung hình thấp hơn nhiều so với 30fps) và yêu cầu về dung lượng thường sẽ giảm đi đáng kể.

Vị trí chạy suy luận là yếu tố thứ hai. Các thiết bị biên (edge device) gần camera giúp tránh việc truyền tải video qua mạng và giữ dữ liệu hình ảnh ở lại cục bộ, điều này thường là mục đích chính. Một máy chủ GPU trung tâm dễ vận hành và quản lý hơn nhưng làm tập trung nhu cầu băng thông. Các hệ thống hỗn hợp thường kết hợp cả hai: suy luận biên tại cácA địa điểm từ xa, xử lý trung tâm ở nơi mạng tốt.

Hãy kiểm tra điểm chuẩn trên các luồng dữ liệu và phần cứng của chính bạn. Các số liệu về thông lượng (throughput) của model đo trên các tập dữ liệu chuẩn hóa không thể dự đoán được một pipeline gồm giải mã kết hợp suy luận sẽ đạt được kết quả gì trên hệ thống camera của bạn.

Báo động giả được xử lý ở lớp bên trên model, không phải bên trong nó#

Lỗi phổ biến nhất của một hệ thống do tự xây dựng không phải là độ chính xác phát hiện kém. Đó là khối lượng cảnh báo lớn đến mức nhân viên vận hành ngừng phản hồi chỉ sau hai tuần.

Các kết quả phát hiện chưa phải là sự kiện. Lớp chuyển đổi các hộp bao (bbox) thành cảnh báo mới là nơi tỷ lệ báo động giả thực sự được kiểm soát:

• Tính bền vững (Persistence). Yêu cầu một đối tượng theo dõi phải được thiết lập qua nhiều khung hình trước khi được tính là hợp lệ. Các phát hiện chỉ trong một khung hình đơn lẻ đều là nhiễu.
• Hình học vùng theo không gian thực tế. Một đa giác được vẽ trên hình ảnh 2D không phải là một khu vực trên mặt đất. Nếu không có hiệu chỉnh phối cảnh, một người đứng hoàn toàn bên ngoài khu vực nguy hiểm có thể trông giống như đang ở bên trong.
• Khử dội (Debouncing). Một người đứng la cà tại một ngưỡng cửa không nên tạo ra các sự kiện vượt vạch liên tục.
• Lịch trình và ngoại lệ. Một chiếc xe nâng ở lối đi vào lúc 2 giờ chiều là bình thường nhưng vào lúc 2 giờ sáng thì không. Việc mã hóa điều đó giúp loại bỏ một phần lớn các cảnh báo.
• Các cấp độ leo thang. Không phải mọi phát hiện đều xứng đáng nhận được một cảnh báo. Cảnh báo trực tiếp, tóm tắt ca trực và xu hướng hàng tuần là ba đầu ra khác nhau với ba yêu cầu về độ chính xác khác nhau.

Hãy dự kiến lớp này sẽ chứa nhiều mã nguồn hơn cả phần tích hợp model, và đánh giá hệ thống dựa trên số lượng báo động giả mỗi ca trực thay vì độ chính xác phát hiện trên tập dữ liệu thử nghiệm. Số lượng báo động giả mỗi ca trực mới là yếu tố quyết định hệ thống có còn được bật sau ba tháng hay không.

Quyền riêng tư và phạm vi#

Việc gắn thêm tính năng phân tích vào các camera hiện có sẽ làm thay đổi chức năng của những camera đó, và điều đó thường đi kèm các nghĩa vụ mà hệ thống lắp đặt ban đầu chưa từng có.

• Giới hạn mục đích. Camera lắp đặt cho mục đích an ninh không được phép ngầm biến thành công cụ giám sát năng suất hay hành vi làm việc. Trong môi trường công sở, đây vừa là vấn đề pháp lý vừa là vấn đề niềm tin.
• Đánh giá lại, không kế thừa. Việc bổ sung phân tích tự động vào các đoạn phim sẵn có thường đòi hỏi một đánh giá bảo vệ dữ liệu hoàn toàn mới, và tại phần lớn các quốc gia EU, là việc tham khảo ý kiến hội đồng lao động.
• Loại bỏ việc khớp danh tính. Phát hiện người và phương tiện, vượt vạch, xâm nhập vùng, la cà, mật độ đám đông và bỏ quên đồ vật đều hoạt động dựa trên các phát hiện ẩn danh. Ultralytics không cung cấp các model của mình cho mục đích nhận dạng khuôn mặt, và việc khớp danh tính mang lại rủi ro pháp lý nặng nề hơn đáng kể mà không làm cải thiện bất kỳ tính năng phát hiện nào trong số đó.
• Giảm thiểu những gì bạn lưu giữ. Khi các sự kiện và số lượng đếm đã trả lời cho câu hỏi, hãy giữ lại sự kiện và số lượng đếm.
• Ghi nhật ký hoạt động xem và xuất dữ liệu, không chỉ các thay đổi cấu hình.
• Phân đoạn mạng camera. Việc nâng cấp hệ thống cũ là thời điểm thích hợp để khắc phục các mạng phẳng và thông tin đăng nhập mặc định.