Камеры и ИИ: как считают людей, зоны и маршруты

У видеоаналитики есть огромное преимущество перед всеми остальными технологиями этой серии: камеры на объекте уже стоят. Из этого рождается самое соблазнительное предложение на рынке — «мы подключимся к вашим камерам и дадим аналитику», без монтажа, без кабеля, без меток.

Иногда это именно так и работает. Иногда — нет, и причины отказа лежат не в алгоритмах, а в физике: в паре над купелью, в бликах на воде, в контражуре панорамного остекления и в том, что в раздевалке камеру ставить нельзя.

Эта статья — про то, как устроена современная видеоаналитика внутри, какие цифры стоят за словом «нейросеть посчитает», и где граница между задачами, которые камера решает отлично, и задачами, которые ей продают, а она их не решает.

Конвейер: четыре этапа, из которых состоит любая система

Любая система видеоаналитики людей — это последовательность из четырёх шагов, и у каждого свои ограничения, своя стоимость и своя точность.

1. Детекция. На каждом кадре находятся люди. Результат — рамки вокруг силуэтов.

2. Трекинг. Рамки связываются между кадрами: это один и тот же человек, идущий слева направо. Результат — траектория в пределах одной камеры.

3. Повторная идентификация. Человек, вышедший из поля зрения одной камеры и появившийся в другой, опознаётся как тот же самый. Результат — сквозной маршрут по объекту.

4. Метрики. Траектории превращаются в числа: прошло столько, задержалось столько, зона загружена так.

Критически важно, что сложность и хрупкость растут с каждым шагом не линейно, а скачками. Первый шаг — решённая задача. Второй — работает хорошо при разумной плотности. Третий — самое слабое место всей отрасли, и именно его продают как главную ценность. Четвёртый — не технический, а управленческий: именно здесь проекты чаще всего умирают, и этому посвящена отдельная статья серии.

Детекция: какие модели и что значат их цифры

Семейство YOLO остаётся отраслевым стандартом для детекции в реальном времени. В январе 2026 года вышла версия YOLO26, появляются и обзоры следующих. Основной конкурент — трансформерные детекторы, прежде всего RF-DETR.

Открытые сравнения на эталонном наборе COCO дают такую картину:

Модель	Точность (mAP)	Время на кадр	Параметры	Лицензия
RF-DETR Medium	54,7	4,4 мс	более 30 млн	Apache 2.0
YOLO26m	53,1	4,7 мс	—	AGPL-3.0
YOLO26n	ниже примерно на 7,5 mAP, чем RF-DETR Nano	1,7 мс	около 2,4 млн	AGPL-3.0

Из этой таблицы следуют три практических вывода, и ни один из них не про точность.

Первый: лицензия может стоить дороже модели. YOLO26 распространяется под AGPL-3.0. Это означает, что при коммерческом использовании без отдельной коммерческой лицензии возникает требование открыть исходный код производных работ. Для подрядчика, который ставит вам систему, это вопрос лицензионной чистоты, а для вас — вопрос о том, что будет с вашей системой, если лицензию не купили. Прямой вопрос поставщику: какая модель используется, по какой лицензии, есть ли коммерческое соглашение. RF-DETR в основных вариантах распространяется под Apache 2.0, что проще; но у крупнейшего варианта лицензия иная.

Второй: трансформеры требуют графического процессора. RF-DETR с более чем тридцатью миллионами параметров не имеет практичного пути исполнения на процессоре; YOLO26 в младшем варианте — около двух с половиной миллионов параметров и работает на недорогом железе. Это определяет не точность, а стоимость серверной части и число камер на коробку.

Третий: mAP на COCO — не ваша метрика. COCO — набор фотографий из интернета с восьмьюдесятью классами объектов. Ваша задача — один класс (человек), сверху, в паре, в купальнике, при контровом свете. Цифры mAP полезны для сравнения моделей между собой и бесполезны как прогноз точности на вашем объекте. Единственный честный прогноз — замер на вашем видео.

Отдельные классы задач. Детекция рамками — не единственный способ. Когда людей в кадре очень много и они перекрывают друг друга, детекция теряет смысл, и применяются модели подсчёта плотной толпы: они оценивают число людей по карте плотности, не выделяя каждого. Для падений и для определения «лежит ли человек» применяется оценка позы — модель находит ключевые точки скелета. Это важно для статьи про критические события.

Трекинг: ByteTrack, BoT-SORT, OC-SORT и что значат их метрики

Трекер связывает детекции между кадрами. Основные открытые решения — ByteTrack, OC-SORT, BoT-SORT и их варианты с моделью внешнего вида.

Полезнее всего здесь не рекламные заявления, а свежий сравнительный разбор именно на закрытых помещениях. В работе 2026 года IndoorCrowd протестированы комбинации детекторов и трекеров, и результаты такие:

• RT-DETR-L с OC-SORT — 56,2 MOTA, лучший общий результат;
• RT-DETR-L с BoT-SORT — 55,5 MOTA и 71,6 IDF1;
• BoT-SORT стабильно превосходит ByteTrack при любом детекторе;
• по скорости: RT-DETR-L около 32 кадров в секунду против около 120 у YOLOv8n.

Что эти метрики означают на практике. MOTA отвечает на вопрос «сколько людей система в сумме не заметила, придумала и перепутала». IDF1 отвечает на вопрос «насколько устойчиво система держит один и тот же идентификатор на одном человеке».

Для управленческого отчёта это переводится так:

• низкий MOTA — врёт счёт, нельзя доверять загрузке;
• низкий IDF1 — счёт может быть правильным, а вот время пребывания и маршруты врут: один человек посчитан как три, потому что трек трижды разорвался.

И вот ключевое: 56 MOTA — это не «система работает на 56 %», но это и не 95 %. Это честный уровень современной видеоаналитики в закрытом помещении с людьми, и он означает, что данные годятся для сравнения периодов и выявления трендов, но не для учёта с точностью кассы. Любой поставщик, обещающий 99 % на маршрутах в заполненном помещении, обещает то, чего в открытых исследованиях нет.

Отдельная оговорка про скорость: разница 32 против 120 кадров в секунду — это разница в четыре раза по числу камер на одном сервере, то есть в стоимости железа. Поэтому выбор модели — это не выбор «кто точнее», а выбор точки на кривой «точность против цены серверной».

Повторная идентификация: самое хрупкое обещание

Чтобы собрать маршрут гостя по объекту, нужно узнавать человека на разных камерах. Это отдельная модель, которая строит «отпечаток внешнего вида» и сравнивает отпечатки.

Задача принципиально сложнее трекинга: ракурс другой, освещение другое, человек повернулся, прошло время. А если он ещё и переоделся — задача меняется качественно, и в научной литературе это выделено в отдельное направление.

Цифры из этого направления стоит знать всем, кому обещают сквозной маршрут. В работе февраля 2026 года, заявляющей достижение современного уровня на эталонном наборе LTCC, результат составляет 58,8 % по метрике Rank-1 и 25,4 % по mAP. Rank-1 — доля случаев, когда верный человек оказался первым в списке похожих. То есть лучший результат научной статьи 2026 года: в четырёх случаях из десяти первый кандидат неверен.

Теперь приложим это к нашим объектам.

Термальный комплекс и аквапарк — худший возможный случай. Повторная идентификация в основном опирается на одежду: цвет, фасон, сумка, обувь. В аквапарке одежды нет. Все гости в купальниках, мокрые, с похожей цветовой гаммой кожи и ткани, часть — с полотенцами, часть без. Модель лишается главного признака. Это не вопрос качества вендора: это физическое отсутствие информации, на которой работает метод.

Фитнес-клуб — средний случай. Одежда есть, но однообразная: чёрные легинсы и серые футболки. Различимость низкая.

Торговый центр и музей — лучший случай. Разнообразная верхняя одежда, сумки, коляски. Здесь сквозной трекинг работает лучше всего, и именно оттуда берутся красивые демонстрации.

Практический вывод. Если вам нужен маршрут гостя по термальному комплексу, собирать его нужно не по видео, а по браслету: отметки на точках чтения дают точные, неоспоримые звенья маршрута. Видео в этой задаче — дорогой способ получить ненадёжный результат. Для торгового центра картина обратная: там нет браслета, и видео — единственный путь, с поправкой на реальную точность.

Железо: что считает и где

Три архитектурных варианта, и выбор между ними — вопрос денег и задержки.

На камере. Часть современных камер считает детекцию и простую аналитику встроенным процессором. Плюс: не нужен сервер и канал, аналитика живёт при обрыве сети. Минус: модели ограничены возможностями камеры, менять их сложно.

На краю, в отдельной коробке. Распространённый вариант 2026 года. Типичные решения — Nvidia Jetson Orin Nano и ускорители Hailo. По открытым описаниям Hailo-8 даёт порядка 26 TOPS при энергопотреблении около 2,5 Вт — то есть несколько потоков высокой четкости на очень скромном бюджете по питанию и теплу; расплата — специализированный компилятор и более узкий набор поддерживаемых моделей. Jetson выбирают, когда важнее гибкость моделей, чем цена.

На сервере или в облаке. Тяжёлые модели: повторная идентификация, распознавание лиц (с правовыми оговорками), поиск по архиву, корреляция между объектами. Типичная схема 2026 года — детекция на краю, тяжёлое на сервере.

К этому добавляется то, о чём вспоминают в конце проекта: видеоархив. Аналитика требует хранить записи, по которым можно разобрать инцидент и проверить работу системы. Это дисковое хранилище, расчёт глубины архива и отдельная строка бюджета — наряду с сервером, источником бесперебойного питания и коммутаторами PoE.

Мультимодальные модели: что от них реально полезно

Самая обсуждаемая тема 2026 года — модели, которые «понимают» видео и отвечают на вопросы о нём: Qwen3-VL (под лицензией Apache 2.0, то есть пригодна для коммерческого использования), InternVL3 и аналоги. Для видеонаблюдения есть даже специализированный набор для оценки — SurveillanceVQA-589K.

Что нужно знать до того, как это появится в предложении.

Ресурсы. Модель на 8 млрд параметров в полной точности требует порядка 17 ГБ памяти только под веса, и под нагрузкой проблемы с памятью проявляются не ошибкой, а таймаутами. Это не то, что ставится в щиток у входа.

Задержка. Генеративная модель отвечает секунды. Для онлайн-детекции это неприменимо.

Где это действительно работает. Поиск по архиву и разбор инцидента: «найди фрагменты, где человек перелез через ограждение», «покажи, когда у стойки собиралась очередь больше пяти человек». Это экономит часы работы оператора и не требует реального времени. Вот это — честное применение мультимодальных моделей на объекте в 2026 году; всё остальное пока демонстрации.

Где видеоаналитика ломается в наших средах

Самый практичный раздел статьи. Все перечисленные проблемы — физические, их не решает смена вендора.

Пар. В термальной зоне и у купели пар рассеивает свет. Камера видит молоко, детектор не находит людей. Обходы: выносить камеру из зоны пара, направлять вдоль потока, а не поперёк, выбирать точку съёмки выше слоя пара, в критичных местах переходить на другую физику — радар или тепловой датчик.

Конденсат на объективе. Классическая причина «система вчера работала, а сегодня нет». Обходы: герметичные кожухи с подогревом, вынос камеры в сухую зону, регламент протирки.

Блики и преломление на воде. Отражённое солнце даёт засветку, а преломление искажает форму тела под водой. Это ключевая проблема для задач безопасности на воде, и там применяются специализированные системы — см. статью про критические события. Обходы: поляризационные фильтры, подбор угла, подводные камеры.

Контражур. Панорамное остекление зоны отдыха — почти гарантированный провал детекции на фоне окна. Обходы: расширенный динамический диапазон у камеры, смена ракурса, досветка.

Плотность. У бара в час пик люди перекрывают друг друга, трек рвётся, IDF1 падает. Обходы: камера сверху вниз, а не под углом; переход на модели подсчёта плотной толпы; для входной группы — отдельный счётчик, который не зависит от общей видеоаналитики.

Дети. Ребёнок в кадре меньше, часто частично скрыт взрослым и движется непредсказуемо. Детекторы, обученные на взрослых пешеходах, детей теряют. Прямой вопрос поставщику: как проверена работа на детях, и попросите показать на вашем видео.

Темнота и однородность. Хаммам, зоны с приглушённым светом, полумрак в зонах отдыха. Инфракрасная подсветка решает частично: в паре она даёт засветку.

Купальники. Уже обсуждалось: лишают повторную идентификацию главного признака.

Вывод не в том, что видео плохо работает. Вывод в том, что у видеоаналитики на объекте с мокрыми зонами есть карта применимости, и её нужно нарисовать до закупки: холл, ресепшн, входная группа, коридоры, зоны отдыха, кафе — работает хорошо; термальная зона, бассейн, душевые, раздевалки — от «плохо» до «нельзя».

Российские платформы и одна правовая мина

Зарубежные платформы в основном ушли с российского рынка или недоступны официально; по обзорам рынка действующие российские платформы — Macroscop, TRASSIR (DSSL), Axxon (ITV), SecurOS (ISS), NtechLab (FindFace), VisionLabs (LUNA), VOCORD, Tevian.

Функционально то, что нужно для аналитики потоков, у них есть. Например, Macroscop предлагает подсчёт посетителей с отчётами по часам, дням и месяцам и выгрузкой, тепловую карту интенсивности движения и трекинг; производитель заявляет о включении в реестр российских программ (номер записи стоит сверить в реестре Минцифры).

А теперь важное предупреждение, которое стоит прочитать до подписания договора.

Модуль «подсчёт уникальных посетителей» в видеоаналитике обычно построен на распознавании лиц. Логика понятна: чтобы не посчитать одного человека дважды, нужно его узнать. В документации Macroscop, например, прямо указано, что соответствующий модуль работает на базе распознавания лиц и позволяет исключать из подсчёта лица из базы — например, сотрудников.

С точки зрения российского законодательства это переводит задачу «посчитать посетителей» в совершенно другую категорию: обработку биометрических персональных данных, с требованиями 152-ФЗ и 572-ФЗ, вопросом о единой биометрической системе, отдельным согласием и жёсткой ответственностью. То есть безобидный с виду пункт в спецификации («подсчёт уникальных посетителей») может оказаться самой обязывающей частью всего проекта.

Что с этим делать. Разделять задачи:

• нужен поток и загрузка — обезличенный подсчёт силуэтов или счётчики на входах, никакой биометрии;
• нужны именно уникальные посетители и повторные визиты — это задача программы лояльности и браслета или карты, где гость сам предъявляет идентификатор, а не задача камеры;
• распознавание лиц — только осознанно, с юристом, с проработанным основанием и пониманием, зачем это нужно бизнесу настолько, чтобы принять риск.

Подробный разбор — в правовой статье серии.

Как принимать видеоаналитику

Приёмка здесь проще, чем у радиосистем, и её почти никогда не делают.

Эталон — ручной подсчёт по записи. Берётся час видео в час пик и час в спокойное время, два человека независимо считают людей вручную по записи, результаты сверяются. Это и есть истина, с которой сравнивается система.

Что фиксируется:

Показатель	Как считать	Разумный ориентир
Точность подсчёта на входе	Отклонение от ручного подсчёта	В пределах 2–5 % в час пик
Точность подсчёта в зоне	То же, по кадрам с интервалом	Хуже, чем на входе; фиксируется как есть
Устойчивость трека	Число разрывов на человека	Чем меньше, тем надёжнее время пребывания
Ложные объекты	Отражения, манекены, тени	Перечислить и устранить настройкой зон
Поведение в проблемных условиях	Пар, контражур, толпа	Отдельным протоколом по каждой зоне
Работа на детях	Доля пропущенных	Проверяется на реальном видео объекта

Условие приёмки формулируется по зонам, а не по объекту. «В холле и на входной группе отклонение подсчёта не более 5 % в час пик; в термальной зоне система используется только для фиксации присутствия, точность подсчёта не нормируется». Это честная формулировка, которая защищает и вас, и подрядчика.

Чек-лист для разговора с поставщиком

1. Какие модели используются для детекции, трекинга и повторной идентификации?
2. Какие лицензии у этих моделей и есть ли у вас коммерческое соглашение?
3. Где выполняется расчёт: на камере, на краю, на сервере, в облаке? Что при обрыве связи?
4. Сколько потоков обрабатывает предлагаемое железо и с каким запасом?
5. Какая точность подсчёта подтверждена ручным замером на объекте нашего типа?
6. Как система ведёт себя в паре, при контражуре, на блике от воды?
7. Проверена ли работа на детях и можно ли показать результат на нашем видео?
8. Строит ли система сквозной маршрут и на чём основана повторная идентификация?
9. Использует ли какой-либо модуль распознавание лиц — прямо и однозначно?
10. Какие данные хранятся: видео, события, обезличенные числа? Сроки и объём архива?
11. Как мы узнаем, что камера или аналитика перестали работать?
12. Какие отчёты выгружаются и есть ли API для нашей учётной системы?
13. Готовы ли провести пилот на наших камерах и записать результат в акт?

Источники

Источники

• IndoorCrowd: сравнение детекторов и трекеров в закрытых помещениях, 2026
• BoT-SORT, ByteTrack, Deep OC-SORT — трекеры и их опубликованные результаты
• Обзор глубокого многообъектного трекинга — состояние направления
• Сравнение RF-DETR и YOLO26 — цифры и лицензии (материал вендора одной из моделей)
• Повторная идентификация при смене одежды, 2026 — современный уровень на наборе LTCC
• SurveillanceVQA-589K — набор для оценки мультимодальных моделей на видеонаблюдении
• Macroscop: подсчёт уникальных посетителей — модуль на базе распознавания лиц (документация производителя)
• Обзор рынка видеоаналитики в России