AI-система трекинга покупателей в магазине (Computer Vision)

AI-система трекинга покупателей в магазине

В ретейле вы не знаете, сколько покупателей прошли мимо промостенда. Камера на входе считает людей, но не расскажет, что происходит в глубине зала. Анонимный трекинг на основе компьютерного зрения закрывает эту слепую зону. Мы внедряем такие системы более 5 лет и реализовали проекты для 15+ магазинов: без трекинга вы теряете до 30% потенциальных продаж. В одном проекте клиент сэкономил 1,2 млн руб. за год на оптимизации расположения товаров. Сравнение: ByteTrack даёт HOTA 63.1, что на 12% выше, чем у DeepSort (55.2).

Как работает анонимный трекинг без идентификации?

Трекинг ≠ идентификация личности — мы отслеживаем анонимный трек «человек A» без привязки к личности. Это юридически чище (GDPR, ФЗ-152) и технически проще.

Стек: детекция людей (YOLOv8m) → multi-object tracking (ByteTrack или BoT-SORT) → перезапуск треков при переходе между зонами камер (cross-camera re-identification по appearance без хранения биометрии). ByteTrack — текущий стандарт для high-density сцен (магазин в час-пик): использует confidence-based association, не теряет треки при кратких окклюзиях. Для ретейла важнее всего IDF1 — устойчивость ID через время.

Какие метрики можно получить?

Coordinate mapping: пиксели → реальные координаты

Камера смотрит под углом, перспективно искажая пространство. Для построения реальных траекторий нужна гомография: матрица 3×3, которая проецирует пиксельные координаты на план этажа.

Calibration: выбрать 4+ опорных точки с известными координатами (углы плиток, маркеры на полу), вычислить матрицу через cv2.findHomography. После трансформации — каждый трек описывается в реальных координатах (метры от входа).

Для overhead камер гомография простая (почти affine). Для боковых камер — перспективная дисторция значительная, нужна более аккуратная калибровка или fisheye-undistortion.

import cv2
import numpy as np
# точки на полу (метры) и соответствующие пиксельные координаты
pts_floor = np.array([[0,0],[2,0],[2,3],[0,3]], dtype=np.float32)
pts_pixel = np.array([[150,200],[400,210],[380,450],[140,460]], dtype=np.float32)
H, _ = cv2.findHomography(pts_pixel, pts_floor)
# H — матрица 3x3 для преобразования

Zone-based аналитика

Зоны задаются в редакторе (полигоны на плане этажа). Система в реальном времени считает:

• Dwell time по зонам: сколько секунд в среднем покупатель проводит у стеллажа с молоком
• Conversion rate зоны: процент покупателей, которые зашли в зону и совершили покупку в ней
• Traffic flow: тепловые карты и диаграммы потоков (sankey-диаграмма маршрутов)
• Bottlenecks: зоны с замедлением движения (очередь к кассе, узкий проход)

Кейс из практики: сеть продуктовых магазинов 12 точек, каждая 300–500 м². После анализа траекторий за 30 дней выяснили, что 68% покупателей никогда не заходили в правое крыло магазина, где размещался отдел с детскими товарами. Причина — плохой навигационный знак при входе. После перестановки навигации трафик в отдел вырос на 41%. Экономия от перепланировки составила 3,5 млн руб./год.

Как устроена инфраструктура?

Два варианта деплоя:

Dashboard: Grafana или кастомный React SPA с Leaflet для отображения план-схемы магазина с тепловыми картами в реальном времени. API для интеграции с BI-инструментами клиента.

Что входит в результат

Вы получаете работающую систему трекинга с документацией по разметке зон и калибровке камер, доступ к дашборду и API, обучение персонала, техническую поддержку на 3 месяца и гарантию конфиденциальности (без хранения биометрии).

Процесс внедрения

1. Аудит магазина — разметка зон, выбор углов камер
2. Установка и калибровка оборудования
3. Настройка моделей YOLOv8 + ByteTrack под геометрию зала
4. Интеграция с BI-системой клиента
5. Тестирование и обучение персонала

Сроки: для 1 магазина — 5–8 недель, для сети с централизованным управлением — 3–5 месяцев.

Мы реализовали проекты для 15+ магазинов, включая сети с 12 точками. Наша экспертиза подтверждена сертификатами NVIDIA и 5+ годами практического опыта. Свяжитесь с нами для расчёта стоимости и консультации. Закажите пилотное внедрение на одном магазине и получите реальные цифры по своему ассортименту. Узнайте, как трекинг покупателей в магазине может увеличить вашу прибыль.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.