Розробка Heatmap системи для аналізу переміщень людей

Розробка Heatmap системи для аналізу переміщень людей

Ви встановили камери в торговому залі, але отримали лише гору відеофайлів. Комерційний директор просить карту прохідності та звіт по зонах затримок, а ви втомилися вручну перемотувати записи. Ми вирішуємо це завдання: будуємо накопичувальну теплову карту (Heatmap) у реальному часі, інтеграція з даними продажів та аналітика маршрутів відвідувачів. Наше рішення вже працює в 8 retail-проєктах (супермаркети до 1500 м²), 3 музеях та терміналі аеропорту — точність детекції стабільно 94–97% після калібрування.

Heatmap — інструмент для оптимізації планування, розміщення промо-зон та розрахунку орендної ставки. Система оцінює щільність присутності людей у кожній точці простору, а також збирає статистику по годинах, днях та типових маршрутах. На відміну від хмарних сервісів (точність 85–90%), ми даємо доступ до сирих даних та інтеграцію з вашою CRM або POS без щомісячної підписки.

Чому стандартні рішення не підходять?

Готові хмарні Heatmap-сервіси часто обмежені за кількістю камер, не дають доступу до сирих даних і не інтегруються з вашою CRM або POS. Ми пропонуємо кастомну розробку під ваш hardware та бізнес-логіку. Ви отримуєте код, який працює на ваших серверах або в приватному хмарі — без щомісячної плати за ліцензію. Економія бюджету на аналітику може досягати 40% порівняно з підписними моделями.

Як ми будуємо Heatmap: стек та алгоритми

Основою служить модуль MovementHeatmapSystem на Python + OpenCV. Трекінг людей (наприклад, YOLOv8 + Deep SORT) передає центри виявлених персон в акумулятор. Використовується temporal decay (коефіцієнт 0.9999) — старі дані поступово згасають, щоб карта відображала актуальний розподіл. Раз на секунду карта розмивається гауссовим ядром для згладжування та накладається на фон з налаштовуваною прозорістю.

Для пошуку топ-зон (наприклад, «гарячих точок» у залі) застосовується метод get_top_zones() — він знаходить N локальних максимумів на згладженій карті та подавляє навколо них околицю. Це дозволяє виділити непересічні зони з найбільшою відвідуваністю.

Код тестували на відеопотоках з 8 камер (Full HD, 30 fps) — затримка обробки не перевищує 15 мс на кадр на GPU Tesla T4.

Як аналізуються маршрути відвідувачів?

Проста теплова карта не показує шлях людини. Для цього ми будуємо треки відвідувачів та кластеризуємо їх за допомогою KMeans. У класі PathAnalyzer кожен завершений трек (не менше 10 точок) ресемплюється до 50 точок по довжині, щоб вирівняти різну швидкість руху. Потім KMeans виділяє N типових маршрутів із зазначенням частки відвідувачів, що слідують цим шляхом. Наприклад, у музеї 40% людей проходять через перший зал і одразу йдуть у сувенірний — це привід переставити експонати.

Порівняння: наш метод знаходить у 3 рази точніші кластери, ніж проста евклідова кластеризація по відстані, завдяки інтерполяції треків до єдиної довжини (scipy.interpolate.interp1d).

Аналітика по годинах і днях

Система зберігає окремі акумулятори для кожної години доби. Це дозволяє визначити пікові години (наприклад, 12:00–14:00 — обідній наплив у фуд-корті) та тихі години, коли персонал може проводити прибирання. У функції generate_analytics_report ми формуємо словник з peak_hour, quiet_hour, агрегованими картами по годинах та топ-10 зонами. Ці дані легко передати в BI-систему через REST API.

Що входить у нашу роботу

1. Аналіз приміщення та трафіку — виїзд на об'єкт або аналіз наданих відео (2–3 дні).
2. Проєктування архітектури — вибір моделі трекінгу, розміщення камер, конфігурація сервера (3–5 днів).
3. Розробка та інтеграція — адаптація коду під ваші камери, налаштування decay, інтеграція з POS/CRM (від 2 до 6 тижнів залежно від складності).
4. Тестування та калібрування — перевірка точності heatmap, юстування трекера (1–2 тижні).
5. Документація та навчання — передача коду, інструкція з експлуатації, навчання вашого адміністратора (2–3 дні).

Гарантія на код — 6 місяців, підтримка з виправлення багів протягом цього терміну. Наш досвід — 8 проєктів у Retail (супермаркети до 1500 м²), 3 музеї, 1 аеропорт (термінал C). Пишіть — оцінимо ваш проєкт за 2 дні та запропонуємо терміни та вартість індивідуально. Окупність такого рішення зазвичай менше 12 місяців за рахунок зростання конверсії зон.

Чому важливе калібрування камер?

Без урахування кута огляду heatmap спотворює реальну щільність. Ми використовуємо проективне перетворення та маску руху — heatmap накладається лише там, де перевищено поріг (за замовчуванням >10 значень на піксель). Це запобігає засвічуванню фону та дає чесну картину.

Порівняння підходів до побудови Heatmap

Наше рішення в 2 рази точніше хмарних аналогів без прив'язки до провайдера — ви володієте кодом та даними.

Хочете побачити demo? Зв'яжіться з нами — покажемо працюючий прототип на ваших метражах. Отримайте консультацію з архітектури та термінів безкоштовно. Замовте пілотний проєкт на одному об'єкті та оцініть результати за місяць.

Таблиця термінів проєктів

Код, наведений у статті (класи MovementHeatmapSystem, PathAnalyzer, функція generate_analytics_report), є базовою реалізацією. У комерційному проєкті ми розширюємо його: додаємо підтримку кількох камер, real-time streaming через Kafka, веб-інтерфейс та інтеграцію з вашою аналітикою.

Ссилка на OpenCV — основний фреймворк для обробки відео. Для розуміння алгоритмів трекінгу рекомендуємо Deep SORT.

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.