Видеоаналитика без замены камер: как я подключил ИИ к обычным IP-камерам клиента

Года три назад ко мне пришёл владелец сети из трёх продуктовых магазинов с вопросом: сколько людей заходит в каждую точку и почему конверсия в чеки такая низкая. Камеры у него уже стояли — восемь штук, Hikvision, вполне приличные. Первое, что он услышал от предыдущего подрядчика: надо менять всё оборудование на «умные камеры» тысяч за 40 каждая. Мы обошлись программной надстройкой и потратили в итоге в четыре раза меньше.

Почему не нужно менять камеры ради аналитики

Тут миф живёт крепко: якобы для распознавания лиц, подсчёта людей и детекции событий нужны специальные «ИИ-камеры» со встроенным чипом NPU. Производители, конечно, только рады это подтверждать — маржа на таких камерах в разы выше обычных. На деле нейросеть можно навесить поверх видеопотока с любой камеры, которая отдаёт RTSP-поток или сохраняет запись на видеорегистратор. А RTSP умеет практически всё, что продавалось за последние лет семь.

У меня в практике было ровно два случая, когда камеры реально требовали замены. Первый — аналоговые камеры без цифрового потока вообще, только коаксиал на регистратор старого образца. Второй — разрешение настолько низкое (меньше 720p), что нейросеть банально не различает силуэты людей на расстоянии больше пяти метров. Во всех остальных случаях, а это процентов девяносто моих клиентов, штатные IP-камеры прекрасно годятся как источник картинки.

Экономика тут простая. Замена восьми камер — это минимум 250-300 тысяч рублей с работами по демонтажу-монтажу, перекладкой кабеля, если старый не тянет PoE, и простоем на время работ. Программная надстройка на тех же камерах — от 60 до 150 тысяч под ключ, в зависимости от числа точек интереса и глубины аналитики. Разница ощутимая для владельца сети из трёх-пяти магазинов.

Как это устроено технически

Схема без магии. Есть сервер — либо небольшой мини-ПК на месте, либо облачный, если канал позволяет, — который забирает RTSP-поток с каждой камеры и прогоняет кадры через нейросеть детекции объектов. Обычно это модели семейства YOLO, у меня чаще всего YOLOv8 в связке с трекером на основе DeepSORT или ByteTrack — они умеют не просто находить человека на кадре, а вести его от появления в кадре до выхода, не путая с соседом в похожей куртке.

Дальше начинается собственно аналитика: линия пересечения на входе считает вход-выход, зона у кассы считает время ожидания в очереди, зона у витрины — сколько человек задержалось больше пятнадцати секунд. Всё это настраивается через простой веб-интерфейс: рисуешь на кадре линию или прямоугольник мышкой, привязываешь к ней правило. Никакого программирования от заказчика не требуется, это делаю я на этапе внедрения за один визит.

Отдельный вопрос — где считать. Если сервер стоит локально, у вас нулевая задержка и никаких проблем с интернетом, но нужен вентилятор, который не будет мешать, и хоть какое-то охлаждение серверной. Мини-ПК с GPU уровня Nvidia RTX 3050 или даже встроенным NPU от Intel тянет 8-12 потоков камер одновременно в реальном времени без проблем. Если считать в облаке — экономите на железе, но зависите от ширины канала и платите за трафик, а он не маленький: восемь потоков в 1080p по 25 кадров в секунду это уже прилично мегабит.

Что реально считает эта система на практике

С тем клиентом из продуктовой сети мы поставили три вида метрик. Первая — банальный подсчёт входящих и уходящих по каждому магазину, с разбивкой по часам. Оказалось, что в одном из магазинов пиковая нагрузка была вовсе не в обед, как думал владелец, а с 17 до 19, и штат по сменам был расставлен неправильно — в пиковые часы работал один кассир вместо двух.

Вторая метрика — время в очереди у касс. Система засекает, сколько человек стоит дольше двух минут, и если таких скапливается больше трёх, шлёт уведомление в Telegram администратору зала — открывай вторую кассу. За полгода конверсия зашедших в купивших выросла на 6 процентов просто за счёт того, что люди перестали разворачиваться от длинной очереди и уходить.

Третья история интереснее — детекция нештатных ситуаций. У юрфирмы, с которой я тоже работал, камера на входе в офис стоит не для подсчёта посетителей, а чтобы ловить нежелательное: если человек падает (резкое изменение позы и последующая неподвижность), если группа больше пяти человек скапливается у ресепшн без очевидной причины, если кто-то оставил сумку без присмотра дольше десяти минут. Для медклиники с похожим профилем мы настроили ещё детекцию человека без маски в период эпидемий — актуально снова стало пару лет назад.

Сколько это стоит и от чего зависит цена

Расклад по деньгам такой, если брать реальные проекты за последние два года. Базовый пакет — подсчёт посетителей на одну-две камеры, без облака, локальный мини-ПК — от 45 до 70 тысяч рублей под ключ, включая настройку зон и обучение персонала. Для сети из пяти магазинов с восемью-десятью камерами суммарно, с очередями и уведомлениями, счёт уже от 150 до 220 тысяч, в зависимости от того, нужен ли отдельный сервер на каждой точке или тянем поток в один центральный.

Ежемесячные расходы после внедрения — это, по сути, электричество на сервер и моя абонентка на поддержку, если она нужна, порядка 3-5 тысяч в месяц. Никаких лицензий на количество камер, как у некоторых коробочных VMS-решений типа Milestone, платить не приходится — мы используем open-source модели, дообученные под задачу заказчика, без вендор-лока.

Отдельная статья — дообучение модели под конкретное освещение и ракурсы. Готовая YOLO из коробки на плохо освещённом складе или в магазине с зеркальными витринами путает манекены с людьми процентов в пятнадцать случаев. Мы прогоняем модель через дообучение на реальных кадрах конкретной точки — обычно нужно 500-800 размеченных кадров и часов шесть на сервере с GPU, и точность подскакивает до 96-98 процентов. Это входит в стоимость внедрения, отдельно не считаю.

Подводные камни, о которых молчат продавцы коробочных решений

Первое — угол обзора и высота установки камеры реально решают. Камера, висящая под потолком строго вертикально вниз, для подсчёта людей — почти идеальный вариант, нейросеть видит макушки, никто никого не заслоняет. А вот камера сбоку от входа под углом 30 градусов на высоте двух метров будет постоянно терять людей за колоннами или другими посетителями. У одного клиента пришлось перевешивать всего одну камеру из восьми, остальные встали как надо, но эту одну — да, физически переставили на другой кронштейн.

Второе — свет. Ночная подсветка ИК-камер даёт чёрно-белую картинку, и стандартная модель, обученная на цветных дневных кадрах, может путаться. Если у вас магазин с ночной работой или склад с плохим освещением, это нужно учитывать сразу на этапе постановки задачи, иначе через месяц придёт разочарование — почему ночью аналитика врёт.

Третье, и это важно проговорить сразу с заказчиком — персональные данные. Подсчёт силуэтов и детекция позы не требуют распознавания лиц и не хранят биометрию, это просто трекинг объектов без привязки к личности. Но если клиент хочет ещё и распознавание конкретных лиц — это уже 152-ФЗ, согласие на обработку персональных данных, уведомление в Роскомнадзор. Я всегда рекомендую obойтись без лицевого распознавания там, где задача решается без него — и дешевле, и юридически спокойнее.

Как понять, что у вас на объекте это заработает

Перед тем как что-то продавать клиенту, я всегда прошу удалённый доступ к паре камер на 10-15 минут — просто посмотреть поток. Смотрю разрешение (нужно минимум 720p, комфортно — 1080p), частоту кадров (от 10 fps достаточно для подсчёта людей, для детекции падений лучше 15-20), и главное — отдаёт ли регистратор или камера RTSP наружу без танцев с бубном. У большинства современных Hikvision, Dahua, TP-Link Tapo и российских Trassir всё это есть из коробки, просто нужно включить в настройках.

Если камеры совсем древние — условно, десятилетней давности, с разрешением 4CIF — тогда да, тут либо смиряться с урезанной точностью аналитики, либо всё же обновлять именно эти конкретные точки, а не весь парк целиком. Частичная замена трёх камер из пятнадцати обходится совсем иначе, чем полная.

И последнее — не гонитесь за максимальным набором фич сразу. Начните с одной метрики, которая реально закрывает боль бизнеса: считаем входящих, или ловим очереди, или сигналим о нештатных ситуациях. Я обычно рекомендую пилот на одной точке на месяц, смотрим на цифры, а дальше масштабируем на всю сеть уже с пониманием, что конкретно работает именно для этого бизнеса.

Частые вопросы

Подойдут ли камеры видеонаблюдения пятилетней давности?
В большинстве случаев да, если это IP-камеры с разрешением от 720p и поддержкой RTSP-потока. Я проверял это на Hikvision и Dahua 2019-2020 годов выпуска — работают отлично. Проблемы обычно только с чисто аналоговыми камерами без цифрового выхода.

Нужно ли получать согласие посетителей на такую видеоаналитику?
Если система только считает силуэты и не распознаёт конкретные лица, речь не идёт о биометрических персональных данных, и отдельного согласия не требуется — достаточно стандартной таблички о видеонаблюдении на входе. А вот распознавание лиц конкретных людей — это уже другая юридическая история с 152-ФЗ.

Сколько времени занимает внедрение на объекте из 8-10 камер?
Обычно от пяти до десяти рабочих дней: два-три дня на установку и настройку сервера, ещё несколько на дообучение модели под конкретные ракурсы и освещение, и день на обучение персонала работе с дашбордом и уведомлениями.

Можно ли потом добавить распознавание лиц, если сначала обошлись без него?
Да, архитектура это позволяет — просто подключается дополнительный модуль поверх того же видеопотока. Но тогда придётся параллельно решать юридическую часть с согласиями и уведомлением Роскомнадзора, это отдельный разговор с заказчиком до включения функции.