Розробка AI-системи відеоспостереження з аналітикою під ключ

Уявіть: 64 камери на об'єкті — і жодного погляду на монітор. Охоронець фізично не може встежити за всіма потоками. Відеоаналітика на основі ШІ перетворює пасивний запис на активний моніторинг. Ми розробляємо такі системи під ключ: від детекції вторгнень до аналізу аномальної поведінки. Наші інженери мають сертифікати NVIDIA та багаторічний досвід у Computer Vision. Оцінюємо задачу за 2 робочі дні, терміни базової системи — від 4 тижнів. Середній термін окупності системи — 12–18 місяців. Для об'єкта з 64 камерами економія на охороні сягає 1,2 млн ₴ на рік. Замовте аудит об'єкта — ми підберемо оптимальне рішення. Отримайте консультацію вже зараз.

Чому AI-відеоаналітика вигідніша за традиційне спостереження?

Класичний CCTV коштує грошей, але нічого не робить. 64 камери — це 64 монітори, на які ніхто не дивиться 96% часу. AI-аналітика переводить систему з пасивного запису в активний моніторинг: камера сама повідомляє, коли щось пішло не так. Це скорочує витрати на охорону до 40%, прискорюючи реакцію на інциденти до кількох секунд.

Ключові модулі AI-відеоаналітики

Детекція вторгнень і перетину периметру

Базовий модуль будь-якої системи відеоаналітики. Технічно — детекція людей (YOLOv8, RT-DETR) + перетин віртуальної лінії або зони. Складність не в детекції як такій, а в мінімізації хибних тривог. Типові причини хибних спрацювань: тварини, тіні, засвітка фар, дощ. Рішення: класифікатор людина vs не-людина з порогом confidence 0.75+, temporal filtering (об'єкт має бути присутнім мінімум N кадрів поспіль), ROI-маски для виключення шумних зон. На відкаліброваній системі false alarm rate < 0.3/камера/год. Гарантуємо стабільність — SLA 99.9%. Докладніше про YOLO на Wikipedia.

Як працює multi-camera tracking у реальних проєктах?

На великому об'єкті (торговий центр, завод, аеропорт) цікавіше не «що людина робить на одній камері», а «куди вона йде по всьому об'єкту». Multi-Camera Multi-Object Tracking (MCMOT) — одне з активно досліджуваних завдань CV.

Два підходи:

• Appearance-based re-id: вилучення appearance descriptor з кожної камери (BoT-BOT, OSNet, SBS-R101 з Fast-ReID), матчинг по cosine similarity. Працює добре при непересічних полях зору.
• Topology-aware matching: використання топології переходів між камерами (знаємо, що із зони А людина може потрапити в зону В за 30–120 секунд). Знижує false match на схожих людях.

Кейс: складський комплекс 45 000 м², 128 IP-камер Axis. Завдання — моніторинг дотримання маршрутів персоналу в зонах обмеженого доступу. DeepSORT → FastReID pipeline, обробка на 4× NVIDIA RTX 4090 сервері. Час наскрізного трекінгу однієї людини через 15 камер: < 800 ms затримки від реального часу. NVIDIA Jetson AGX Orin справляється з 8–16 HD-потоками на борту, що в 3 рази ефективніше за серверні рішення для edge-обробки.

Глибокий розбір: детекція аномальної поведінки

Це найбільш технічно складний і цінний модуль. Детектувати людину вміє будь-який YOLOv8. Зрозуміти, що вона робить щось підозріле — принципово інше завдання.

Що розуміється під аномалією

Аномальна поведінка — статистично рідкісна або контекстно неочікувана дія: людина впала, кинула предмет, залишила багаж, агресивний рух, скупчення людей, рух у нетиповому напрямку.

Підходи до виявлення

На практиці комбінуємо: rule-based детекція для добре визначених подій (перетин лінії, зона заборони) + anomaly detection для нетипових ситуацій.

Архітектура AI-системи відеоспостереження

Edge-компонент: обробка відеопотоків близько до камер знижує навантаження на мережу. NVIDIA Jetson AGX Orin обробляє 8–16 HD-потоків із детекцією та трекінгом. NVIDIA DeepStream і TensorRT — стандартний стек.

Серверний компонент: зберігання відеоархіву, аналітика за подіями, управління. VMS (Video Management System): Milestone XProtect, Genetec Security Center, або open source — Frigate NVR. Зберігання — об'єктне сховище (MinIO або S3), лише аналітично значущі кліпи, не весь потік.

Інструменти: NVIDIA DeepStream, OpenCV, ByteTrack, Fast-ReID, MLflow для версіонування моделей.

Як ми впроваджуємо AI-відеоаналітику: покроковий процес

1. Аудит об'єкта: обстеження території, зйомка планів, збір вимог. Визначаємо кількість камер, зони інтересу, інтеграційні точки.
2. Проектування: вибір архітектури (edge/cloud/hybrid), підбір моделей детекції та трекінгу, налаштування конфігурації DeepStream.
3. Розробка та калібрування: збір даних з об'єкта, розмітка (YOLO-формат), fine-tuning моделей, налаштування ROI-масок та temporal filtering.
4. Інтеграція: підключення до VMS, налаштування алертів, розробка користувацького інтерфейсу (дашборд подій).
5. Тестування: пробний запуск на реальних потоках, вимірювання false alarm rate, коригування порогів.
6. Деплой та навчання: розгортання на обладнанні, навчання операторів, передача документації.
7. Гарантійна підтримка: 6 місяців моніторингу, SLA 99.9%, при необхідності — донавчання моделей.

Що входить в роботу

• Архітектурний опис та специфікація моделей
• Документація з інтеграції та API
• Навчання операторів системи
• Тестовий період із калібруванням під об'єкт
• Гарантійна підтримка 6 місяців та SLA 99.9%

Терміни

Базова система детекції вторгнень для 1 об'єкта: 4–6 тижнів. Повна відеоаналітика з трекінгом, поведінковим аналізом та VMS-інтеграцією: 3–5 місяців. Вартість розраховується індивідуально на основі обсягу робіт.

Ми виконали понад 10 проєктів у рітейлі та промисловості. Хочете оцінити своє завдання? Отримайте консультацію — підготуємо оцінку за 2 робочі дні. Замовте аудит об'єкта, і ми запропонуємо оптимальне рішення.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.