Розробка системи відеоаналітики на YOLOv8 для безпеки об'єктів

Уявіть: завод із 200 камерами, оператори пропускають 70% вторгнень у небезпечні зони. Кожну зміну ризикують люди, а страхова премія зростає. Ми впровадили систему відеоаналітики на базі YOLOv8 та ByteTrack — детекція 98% з хибними спрацюваннями нижче 2%. За 5 років реалізували понад 50 проєктів на об'єктах різного масштабу: від складів до нафтосховищ. Гарантуємо стабільну роботу та супровід після запуску. Система обробляє до 32 потоків 1080p@30fps на одній A100 GPU, а для 100+ камер розгортається GPU-кластер з балансуванням навантаження. Усі події фіксуються з міткою часу та передаються в PSIM або VMS.

Як працює система відеоаналітики в реальному часі?

IP Cameras (RTSP)
    ↓
Stream Ingestion Layer (GStreamer/FFmpeg)
    ↓
AI Analytics Engine (GPU Cluster)
    ├── Object Detection (YOLOv8)
    ├── Object Tracking (ByteTrack)
    ├── Event Detection (Rules Engine)
    └── Behavior Analysis (ML Models)
    ↓
Event Processing (Kafka/Redis Streams)
    ↓
Alert & Response System
    ├── Security Dashboard
    ├── Mobile Notifications
    ├── Guard Dispatch
    └── Access Control Integration

Кожен кадр обробляється за <30 мс. Детекція виконується на YOLOv8n, трекінг — ByteTrack з IoU-асоціацією. Для підвищення точності застосовуємо каскадну верифікацію: об'єкт підтверджується в 3 послідовних кадрах. Це знижує хибні спрацювання до 2%. Така архітектура довела свою надійність на об'єктах з інтенсивним трафіком.

Чому важлива каскадна верифікація?

Одиночне виявлення часто дає хибні спрацювання через тіні, тварин або відблиски. Каскадна перевірка — коли об'єкт підтверджується на кількох кадрах — відсікає 90% хибних подій. На практиці це означає, що охорона реагує лише на реальні загрози. Ми застосовуємо три послідовні кадри з інтервалом 0.3 с.

Вирішувані проблеми

Хибні спрацювання. Лише 5-10% подій реально загрожують безпеці. Тимчасова фільтрація та каскадна перевірка зон дають точність детекції вторгнення 98%.

Масштабування до 100+ камер. Одна NVIDIA A100 обробляє 32 потоки 1080p@30fps. Для великих об'єктів — GPU-кластер з балансуванням навантаження. YOLOv8n у 3 рази швидший за попередників за тієї ж точності.

Інтеграція з існуючою інфраструктурою. Система підключається до PSIM, VMS, контролю доступу та СКУД за API. Ми вже інтегрувалися з Milestone, Genetec та Bosch. В одному проєкті знадобилося об'єднати 4 різні VMS — зробили за 3 тижні.

Як донавчити модель YOLOv8 під специфіку об'єкта?

На об'єкті з унікальними зонами (вузькі проходи, специфічне освітлення) базова YOLOv8n давала 85% точності вторгнення. Ми зібрали 5000 кадрів з розміткою, донавчили модель за допомогою LoRA за 2 дні. Точність зросла до 97%. Для цього використали PyTorch та Hugging Face Transformers. Результат — система розпізнає саме ваші об'єкти, а не generic класи.

Що входить у роботу

• Аналіз об'єкта та загроз — визначаємо критичні зони та сценарії.
• Проєктування архітектури — вибір GPU, камер, схеми розгортання.
• Розробка моделей детекції — донавчання YOLOv8 під об'єкт.
• Налаштування зон безпеки — полігони, розклади, whitelist.
• Інтеграція з PSIM/VMS/СКУД — налаштування обміну подіями.
• Навчання персоналу — інструкції для операторів та охорони.
• Гарантійне обслуговування — 12 місяців технічної підтримки.
• Документація — схеми, API-специфікації, керівництва користувача.

Детектовані події

class SecurityZone:
    def __init__(self, name: str, polygon: list, rules: dict):
        self.name = name
        self.polygon = np.array(polygon, dtype=np.int32)
        self.rules = rules

    def is_point_inside(self, point: tuple) -> bool:
        return cv2.pointPolygonTest(self.polygon, (float(point[0]), float(point[1])), False) >= 0

    def is_allowed(self, track_id: int, timestamp: str) -> bool:
        if not self.rules.get('time_restricted'):
            return True
        current_hour = int(timestamp.split(':')[0])
        allowed_hours = self.rules.get('allowed_hours', range(8, 18))
        if current_hour not in allowed_hours:
            return False
        if self.rules.get('whitelist_only'):
            return track_id in self.rules.get('whitelist', set())
        return True

Масштабування: обробка 100+ камер

Одна A100 GPU обробляє ~32 потоки 1080p@30fps з YOLOv8n. Для 100+ камер — GPU кластер з балансуванням навантаження:

class CameraLoadBalancer:
    def __init__(self, gpu_workers: list):
        self.workers = gpu_workers
        self.camera_assignments = {}

    def assign_camera(self, camera_id: str) -> str:
        least_loaded = min(self.workers, key=lambda w: w.load)
        self.camera_assignments[camera_id] = least_loaded
        return least_loaded.worker_id

Інтеграція з фізичною охороною

• PSIM — централізоване управління всіма системами безпеки.
• VMS — зберігання відео з криміналістичним пошуком.
• Access Control — автоматичне блокування дверей при тривозі.

Наші компетенції та гарантії

У нас сертифіковані інженери з YOLOv8, TensorRT та PyTorch. Досвід інтеграції з PSIM та Access Control — понад 50 проєктів. Гарантуємо продуктивність: якщо система не витримує заявлене навантаження, доопрацьовуємо безкоштовно. Зв'яжіться з нами для консультації — оцінимо ваш проєкт за 2 робочих дні. Замовте пілотний проєкт на 2 камери для тестування перед впровадженням.

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.