Роман Науменко
Технический директор Faceter
В первых двух материалах Технический директор Faceter Роман Науменко рассказывал об архитектуре Faceter и развитии российской видеоаналитики. Теперь переходим к следующему этапу эволюции системы. Благодаря современным ИИ-моделям и росту мощности встроенных процессоров, камеры начинают самостоятельно понимать происходящее в кадре.
Узнаем, как edge-аналитика меняет экономику проектов, делает интеллектуальное видеонаблюдение доступным малому бизнесу и формирует новую модель.
Еще буквально пять лет назад сценарий анализа происходящего в кадре был следующим. Чтобы понять: человек зашел в помещение или автомобиль появился на парковке, требовался мощный сервер с видеокартами. Камеры передавали весь поток в дата-центр, сервер раз в несколько секунд формировал кадр, а нейросеть на GPU анализировала объекты.
Это требовало отдельную инфраструктуру под видеоаналитику, высокую стоимость внедрения, индивидуальные расчеты по запросу каждого пользователя. Результат – недоступность для малого и среднего бизнеса.
Тогда видеоаналитика применялась в основном в промышленности – на заводах, карьерах, режимных объектах. Массовым продуктом она не была. Сегодня архитектура меняется.
Развитие ИИ и появление облегченных моделей нейросетей позволили перенести первичную обработку на саму камеру. Параллельно выросла производительность встроенных процессоров устройств.
В результате камера Faceter теперь способна самостоятельно:
Фактически происходит первичная фильтрация события на уровне устройства.
И для этого не требуется отправка полного потока на сервер, что значительно упрощает процесс и снижает технические требования к инфраструктуре.
Важно не только факт генерации события на камере. Важно, как мы его обрабатываем дальше. Для этого в архитектуре Faceter реализуется двухуровневая модель:
Это принципиально отличается от старой схемы, где сервер анализировал все подряд. Теперь он работает только с релевантными фрагментами. Ресурсы используются точечно.
Следующий шаг? К которому мы идем – встроенный подсчет посетителей. Например, камера, установленная над входом, считает людей «по головам»: сколько вошло, сколько вышло. Пока для российского рынка это редкий сценарий, особенно в формате работы прямо на камере, без внешней аналитической станции.
Но событийная модель уже меняет экономику. Если камера выполнила первичную детекцию, серверу не нужно держать GPU под постоянной нагрузкой. Он анализирует только короткие клипы вокруг события.
Это делает технологию доступной не только промышленности, но и рознице, небольшим офисам, складам, сервисным компаниям.
Фактически появляется возможность сформировать отдельный тарифный план под «событийную аналитику» – с понятной логикой потребления ресурсов.
Возможные кейсы применения:
1. Ритейл и HoReCa. Подсчет посетителей на входе. Сравнение входящего и исходящего потока. Анализ пиковых часов. Без дополнительного оборудования.
2. Парковки и ЖК. Фиксация пересечения линии въезда. Отправка события в систему контроля доступа. Сервер проверяет корректность детекции и формирует описание: «Автомобиль пересек линию въезда в 18:42».
3. Склады и логистика. Детекция вторжения в закрытую зону. Камера формирует событие, сервер дополнительно подтверждает его и создает текстовый отчет для службы безопасности.
4. Малый бизнес. Контроль перемещения в кассовой зоне или служебном помещении без развертывания дорогой инфраструктуры.
Уже совсем скоро базовые сценарии видеоаналитики станут стандартной функцией камеры, а не дорогой дополнительной опцией. И для этого не потребуется супер-мощное железо и, следовательно, внушительные расходы на покупку камер.
Инфраструктура становится проще и доступнее, что является результатом эволюции ИИ-сектора.
И главный вопрос уже не в том, «может ли система распознать объект», а в том, как быстро и экономично она превращает событие в управленческое решение.
Еще больше обзоров, кейсов и полезной информации о видеонаблюдении в нашем официальном Telegram-канале. Подписывайтесь, чтобы оставаться в курсе важных событий.
