Розробка системи підрахунку відвідувачів (People Counting)

Власники торговельних центрів та організатори заходів часто стикаються з проблемою точного підрахунку відвідувачів. Старі лічильники на вході дають похибку до 20%, а дані про переміщення всередині приміщень відсутні. Ми розробили систему на основі комп'ютерного зору, яка вирішує ці завдання: ми будуємо систему підрахунку відвідувачів під ключ, використовуючи сучасні методи детекції та трекінгу. Наш досвід — понад 5 років у відеоаналітиці, 50+ реалізованих проєктів. Ефективна система підрахунку відвідувачів (people counting) забезпечує точність до 99%, що в 10 разів краще за ручний підрахунок.

Чому верхній огляд (top-view) оптимальний?

Камера, встановлена на стелі перпендикулярно підлозі, дає мінімальні перекриття об'єктів. Люди видно як силуети, що спрощує детекцію. Це стандартний підхід для people counting: точність досягає 97–99%. Ми використовуємо моделі YOLO (Ultralytics) з трекінгом ByteTrack, що дозволяє відстежувати кожного відвідувача. Ultralytics YOLOv8 documentation

from ultralytics import YOLO
import numpy as np
import cv2

class PeopleCounter:
    def __init__(self, model_path: str,
                 count_line: tuple,        # ((x1,y1), (x2,y2))
                 direction: str = 'both'):  # 'in', 'out', 'both'
        self.model = YOLO(model_path)
        self.count_line = count_line
        self.direction = direction

        # ByteTrack вбудований в Ultralytics
        self.tracker_config = 'bytetrack.yaml'

        self.track_history = {}
        self.count_in = 0
        self.count_out = 0
        self.counted_ids = set()

    def process(self, frame: np.ndarray) -> dict:
        # Детекція людей з трекінгом
        results = self.model.track(
            frame,
            persist=True,
            conf=0.4,
            classes=[0],             # тільки люди
            tracker=self.tracker_config
        )

        if results[0].boxes.id is None:
            return self._get_counts()

        for box, track_id in zip(results[0].boxes.xyxy,
                                   results[0].boxes.id):
            tid = int(track_id)
            x1, y1, x2, y2 = map(int, box)
            cx, cy = (x1 + x2) // 2, (y1 + y2) // 2

            if tid not in self.track_history:
                self.track_history[tid] = []
            self.track_history[tid].append((cx, cy))

            # Перевіряємо перетин лінії
            if len(self.track_history[tid]) >= 2 and tid not in self.counted_ids:
                prev_pos = self.track_history[tid][-2]
                curr_pos = self.track_history[tid][-1]

                crossing = self._check_line_crossing(prev_pos, curr_pos)
                if crossing:
                    if crossing == 'forward':
                        self.count_in += 1
                    else:
                        self.count_out += 1
                    self.counted_ids.add(tid)

        return self._get_counts()

    def _check_line_crossing(self, prev: tuple, curr: tuple) -> str | None:
        """Визначення факту та напрямку перетину лінії"""
        lx1, ly1 = self.count_line[0]
        lx2, ly2 = self.count_line[1]

        # Векторний добуток для визначення сторони
        d1 = self._cross_product(prev, (lx1, ly1), (lx2, ly2))
        d2 = self._cross_product(curr, (lx1, ly1), (lx2, ly2))

        if d1 * d2 < 0:  # перетин
            return 'forward' if d1 < 0 else 'backward'
        return None

    def _cross_product(self, point, line_start, line_end):
        return ((line_end[0] - line_start[0]) * (point[1] - line_start[1]) -
                (line_end[1] - line_start[1]) * (point[0] - line_start[0]))

    def _get_counts(self) -> dict:
        return {
            'count_in': self.count_in,
            'count_out': self.count_out,
            'current_occupancy': self.count_in - self.count_out
        }

Теплова карта переміщень

Для аналізу зон притягання ми будуємо теплові карти. Акумулятор накопичує позиції треків з експоненціальним забуванням. Дані згладжуються GaussianBlur і накладаються на відеокадр.

class MovementHeatmap:
    def __init__(self, frame_shape: tuple):
        h, w = frame_shape[:2]
        self.accumulator = np.zeros((h, w), dtype=np.float32)
        self.decay = 0.995  # забуваємо старі дані

    def update(self, track_positions: list[tuple]):
        self.accumulator *= self.decay
        for x, y in track_positions:
            if 0 <= x < self.accumulator.shape[1] and \
               0 <= y < self.accumulator.shape[0]:
                self.accumulator[y, x] += 1.0

        # Gaussian blur для згладжування
        self.accumulator = cv2.GaussianBlur(
            self.accumulator, (21, 21), 0
        )

    def get_heatmap(self, frame: np.ndarray) -> np.ndarray:
        normalized = cv2.normalize(
            self.accumulator, None, 0, 255, cv2.NORM_MINMAX
        ).astype(np.uint8)
        colormap = cv2.applyColorMap(normalized, cv2.COLORMAP_JET)
        return cv2.addWeighted(frame, 0.6, colormap, 0.4, 0)

Аналітика та звітність

Дані підрахунку надходять до time-series бази InfluxDB і доступні в Grafana. Ми налаштовуємо дашборди з трафіком за день/тиждень/місяць, піковими годинами, конверсійною воронкою по зонах та контролем наповнюваності.

Як впровадити систему: 5 кроків

1. Обстеження приміщення та узгодження розташування камер.
2. Встановлення та налаштування обладнання.
3. Розробка моделі детекції та трекінгу під ваші умови.
4. Інтеграція з InfluxDB, Grafana, вашою CRM або BI.
5. Тестування та калібрування точності.

Чи відповідає система нормам GDPR?

Так, система не зберігає персональних даних: трекінг ведеться за анонімними ID, зображення відвідувачів не зберігаються на диск. Для додаткового захисту передбачено розмиття облич в режимі реального часу (face blur). Це відповідає вимогам GDPR та українського законодавства про персональні дані. При необхідності — готуємо документацію для DPO та проводимо оцінку впливу на захист даних (DPIA).

Які типові помилки при розгортанні?

• Встановлення камер з горизонтальним кутом замість строго вертикального: точність падає на 10–15%.
• Недостатнє освітлення в нічний час: ставимо ІЧ-підсвітку або використовуємо камери з WDR.
• Перетин зон захоплення двох камер без дедуплікації: подвійний рахунок одного відвідувача.
• Ігнорування дрейфу моделі: через 3–6 місяців при зміні умов освітлення або одягу точність знижується — потрібне донавчання.

Точність систем підрахунку

Вартість та економія

Впровадження системи для одного входу коштує від 15 000 грн, для мережі об'єктів — від 100 000 грн. Зменшення помилок підрахунку дозволяє зекономити до 30% на оплаті праці персоналу.

Про нас

Ми — компанія з 5+ роками на ринку, реалізували 50+ проєктів відеоаналітики. Наша система підрахунку відвідувачів використовується в торговельних центрах, офісах та на заходах.

Багатокамерна система: синхронізація та дедуплікація

Для об'єктів з кількома входами дані з кожної камери підсумовуються, але важливо виключити подвійний рахунок при переході відвідувача з зони в зону. Ми використовуємо глобальний трекер на основі Re-ID (ReID): кожен відвідувач отримує унікальний ембендинг за зовнішнім виглядом (BoT-SoRT / StrongSORT), зберігається в Redis і перевіряється при появі в іншій камері протягом заданого часового вікна.

Приклад конфігурації для торговельного центру з 8 входами:

• Камери: 8 × Hikvision DS-2CD2185G1 (8 МП, 30fps).
• Сервер обробки: 1 × NVIDIA A10G (24 ГБ VRAM), обробляє всі 8 потоків із затримкою менше 150 мс.
• Redis TTL для дедуплікації: 30 хвилин (час переходу між входами).
• Точність дедуплікації: >97% при гарному освітленні.

Як працює дедуплікація?

Система використовує Re-ID для ідентифікації одного відвідувача в різних камерах, що запобігає подвійному рахунку.

Інтеграція з BI та прогнозування відвідуваності

Дані про відвідуваність цінні не лише в реальному часі, а й як історичний ряд для планування. Ми будуємо pipeline від лічильника до BI-дашборду:

1. InfluxDB — зберігання time-series даних (вхід/вихід по 5-хвилинних інтервалах).
2. Apache Superset або Power BI — дашборди для менеджменту: трафік по днях, часові піки, аномалії.
3. Prophet / SARIMA — прогноз відвідуваності на наступний тиждень з точністю MAE < 8%.

Прогнози використовуються для оптимізації розкладу персоналу: при очікуваному піку система рекомендує збільшити кількість касирів або відкрити додатковий вхід.

Відповідність нормам: GDPR та захист персональних даних

Система не зберігає персональних даних: трекінг ведеться за анонімними ID, зображення відвідувачів не зберігаються на диск. Для додаткового захисту передбачено розмиття облич в режимі реального часу (face blur). Це відповідає вимогам GDPR та українського законодавства про персональні дані. При необхідності — готуємо документацію для DPO та проводимо оцінку впливу на захист даних (DPIA).

Типові помилки при розгортанні

• Встановлення камер з горизонтальним кутом замість строго вертикального: точність падає на 10–15%.
• Недостатнє освітлення в нічний час: ставимо ІЧ-підсвітку або використовуємо камери з WDR.
• Перетин зон захоплення двох камер без дедуплікації: подвійний рахунок одного відвідувача.
• Ігнорування дрейфу моделі: через 3–6 місяців при зміні умов освітлення або одягу точність знижується — потрібне донавчання.

Ми гарантуємо точність не нижче заявленої, надаємо підтримку після запуску. Оцінимо ваш проєкт за 2 дні — зв'яжіться з нами. Отримайте консультацію щодо впровадження системи підрахунку відвідувачів.

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.