Разработка системы подсчёта объектов в кадре (Object Counting)

Разработка системы подсчёта объектов в кадре (Object Counting)

Подсчёт объектов на изображении или видео — задача с нюансами. Простой подход «детектируй и посчитай боксы» работает только при малом количестве объектов и хорошей видимости каждого. При плотных скоплениях (толпа, урожай на поле, клетки под микроскопом, автомобили на парковке) детекторы теряют производительность: bounding boxes накладываются, NMS отсекает правильные, а latency растёт из-за большого числа объектов. Для таких случаев мы применяем специализированные подходы: density maps и crowd counting модели. За время работы мы реализовали 30+ проектов в ритейле, транспорте и биомедицине — точность подсчёта достигает 95% даже на плотных сценах.

Как мы решаем проблему плотных скоплений?

Для задач с сотнями и тысячами объектов в кадре — подсчёт людей в толпе, зёрен на поле, клеток под микроскопом — мы используем density map. Это изображение, где каждый пиксель содержит «плотность» объектов в окрестности. Интеграл по density map = количество объектов. Опыт показывает: на плотных скоплениях density map даёт MAE на 30–50% ниже, чем детекция. Например, на Shanghai Tech Part A (плотная толпа) CSRNet показывает MAE 68.2 против ~110 у YOLO при прямой оценке количества. Density map — это не просто регрессия, а метод, устойчивый к occlusion и scale variations. Согласно Li et al. (2018), эта архитектура остаётся эталоном для crowd counting.

Вот пример архитектуры CSRNet, которую мы адаптируем под ваш домен:

import torch import torch.nn as nn from torchvision.models import vgg16 class CSRNet(nn.Module): """Crowd Scene Recognition Network для подсчёта людей""" def __init__(self): super().__init__() vgg = vgg16(pretrained=True) self.frontend = nn.Sequential(*list(vgg.features.children())[:23]) self.backend = nn.Sequential( nn.Conv2d(512, 512, 3, padding=2, dilation=2), nn.ReLU(inplace=True), nn.Conv2d(512, 256, 3, padding=2, dilation=2), nn.ReLU(inplace=True), nn.Conv2d(256, 128, 3, padding=2, dilation=2), nn.ReLU(inplace=True), nn.Conv2d(128, 64, 3, padding=2, dilation=2), nn.ReLU(inplace=True), nn.Conv2d(64, 1, 1) ) def forward(self, x): x = self.frontend(x) density_map = self.backend(x) count = density_map.sum() return density_map, count 

Детекция + подсчёт для разреженных сцен

Отметим: когда объектов меньше 50 и они не перекрываются сильно — используем YOLOv8/YOLO11. Счётчик простой:

from ultralytics import YOLO model = YOLO('yolov8m.pt') def count_objects(image_path: str, target_class: str) -> int: results = model(image_path, conf=0.4, iou=0.5) class_names = model.names target_id = [k for k, v in class_names.items() if v == target_class][0] count = 0 for result in results: for cls in result.boxes.cls: if cls.item() == target_id: count += 1 return count 

Разметка для обучения: точечные аннотации (dot annotations) — по одной точке на каждый объект. Из точек генерируем density map через Gaussian kernel. Это дешевле боксов и точнее для плотных сцен.

Counting через линию (Line Crossing) для видео

Для подсчёта транспорта или проходящих людей — трекинг + виртуальная линия:

class LineCrossingCounter: def __init__(self, line_start, line_end): self.line = (line_start, line_end) self.counted_ids = set() self.count = 0 self.prev_positions = {} def update(self, track_id, center_x, center_y): if track_id in self.prev_positions: prev_pos = self.prev_positions[track_id] if self._crosses_line(prev_pos, (center_x, center_y)): if track_id not in self.counted_ids: self.count += 1 self.counted_ids.add(track_id) self.prev_positions[track_id] = (center_x, center_y) def _crosses_line(self, p1, p2): # проверка пересечения отрезка с линией pass 

Почему density map эффективнее детекции на толпах?

Детектор пытается найти каждый объект отдельно — при перекрытиях bounding boxes накладываются, и NMS отсекает «хорошие» боксы. Density map регрессирует плотность без сегментации каждого объекта, что устойчивее к occlusion. На Shanghai Tech Part A (плотная толпа) CSRNet показывает MAE 68.2 против ~110 у YOLO при прямой оценке количества.

Как подготовить данные для обучения density map: 3 шага

1. Сбор данных — наберите не менее 1000 изображений вашего сценария (толпа, транспорт, клетки). Важно: данные должны покрывать все возможные плотности и освещение.
2. Разметка — каждый объект отмечается одной точкой (dot annotation). Для плотных толп используйте инструменты типа LabelMe или CVAT.
3. Генерация density map — размытие точек гауссовым ядром с sigma, зависящей от размера объекта. Мы автоматизируем этот шаг скриптом.

Кейс: подсчёт посетителей торгового центра

Однажды к нам обратилась сеть ТЦ с задачей: подсчитать количество людей в каждом зале в течение дня, чтобы оптимизировать работу кассиров и охраны. Установленные камеры давали поток 30 FPS, но из-за перекрытий и теней детектор YOLOv8 давал MAE ~25 на типичный кадр. Мы обучили CSRNet на плотных сценах — после дообучения на 2000 кадров с dot annotations MAE снизился до 8. Систему развернули на NVIDIA T4, latency p99 составил 45 мс — видео обрабатывалось в реальном времени. За год эксплуатации точность подсчёта не падала ниже 93%, а экономия на персонале составила $11k–16k в год. На другом проекте — подсчёт посетителей в парке — мы снизили ошибку на 40%, что позволило сэкономить $21k–30k за год.

Применения и метрики

Типичные метрики CSRNet на Shanghai Tech:

• Part A (плотные толпы): MAE 68.2, RMSE 115.0
• Part B (разреженные): MAE 10.6, RMSE 16.0

Ориентировочные сроки

Точную оценку даём после анализа ваших данных. Получите консультацию — обсудим вашу задачу и подберём оптимальное решение. Свяжитесь с нами, чтобы начать проект.