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 $11k–16k. 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.
Пример калибровки в коде
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)
| Метрика | Описание | Пример |
|---|---|---|
| Dwell time | Среднее время в зоне | 45 с у полки с кофе |
| Conversion rate | Процент покупок из зоны | 12% в молочном отделе |
| Traffic flow | Тепловая карта маршрутов | 68% не заходят в правое крыло |
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 $32k–46k./год.
Как устроена инфраструктура?
Два варианта деплоя:
| Параметр | Edge-first | Cloud-hybrid |
|---|---|---|
| Оборудование | NVIDIA Jetson AGX Orin (32 TOPS) | Локальный сервер + облако |
| Зависимость от интернета | Нет | Частичная |
| Трафик в облако | Минимальный | Высокий (видео) |
| Подходит для | Одиночные магазины | Сети с единым дашбордом |
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
- Аудит магазина — разметка зон, выбор углов камер
- Установка и калибровка оборудования
- Настройка моделей YOLOv8 + ByteTrack под геометрию зала
- Интеграция с BI-системой клиента
- 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.