7 лучших алгоритмов машинного обучения для детекции аномалий в видеонаблюдении в 2026 году (руководство по пайплайну)

Детекция аномалий в видеонаблюдении — задача двухуровневая, а не одноалгоритмическая. Уровень 1 — быстрая статистическая или геометрическая модель, которая отбирает кандидатов (Isolation Forest, One-Class SVM, GMM, K-Means). Уровень 2 — глубокая модель, которая понимает, что именно происходит в кадре (CNN, LSTM, автоэнкодеры, а в 2026 году — и vision-трансформеры). Соберите их правильно — получите детекцию менее чем за секунду с долей ложных срабатываний <1% на типовых потоках с камер CCTV. Соберите неправильно — либо тонете в потоке алертов, либо пропускаете именно тот момент, ради которого всё затевалось. Этот гайд — рабочий каркас принятия решений, который мы применяем на реальных клиентских внедрениях в 2026 году.

Подробнее по теме: читайте наш полный гайд — Топ-7 моделей детекции аномалий для видеонаблюдения (2026).

• Почему Фора Софт подходит для ML-продуктов в видеонаблюдении
• Двухуровневый пайплайн детекции аномалий
• 1. Isolation Forest — отсев за доли миллисекунды
• 2. One-Class SVM — аномалии в ограниченном пространстве признаков
• 3. Свёрточные нейронные сети (CNN)
• 4. LSTM и временные трансформеры
• 5. Автоэнкодеры — поиск аномалий на уровне пикселей без разметки
• 6. K-Means — кластеризация поведения
• 7. Смеси гауссовских распределений (GMM)
• Таблица сравнения алгоритмов
• Выбор алгоритма по варианту использования
• Кейс: платформа видеонаблюдения V.A.L.T.
• Деплой на edge и в облаке
• 5 продакшен-ловушек
• FAQ
• Итоги

Почему Фора Софт подходит для ML-продуктов в видеонаблюдении

Мы выпускаем продукты для видеонаблюдения и видеоаналитики с 2012 года: 97% успешных проектов и более 200 выпущенных продуктов, выделенная ML-команда и сильная экспертиза по WebRTC, ингесту RTSP/ONVIF и edge-деплою на NVIDIA/Jetson. По детекции аномалий конкретно — мы запустили в продакшен пайплайны на Isolation Forest, One-Class SVM, автоэнкодерах, CNN семейства YOLO и временных стеках на LSTM/трансформерах, включая платформу V.A.L.T., о которой расскажем ниже.

Что это значит для вашего продукта: мы не выбираем алгоритм по списку. Мы профилируем топологию ваших камер, бюджет на задержки, экономику разметки и цену ошибки — и предлагаем пайплайн с двумя уровнями: отсев и подтверждение. Алгоритмы ниже отражают реальные продакшен-стеки, а не литературный обзор.

Двухуровневый пайплайн детекции аномалий

99% потока с камер видеонаблюдения — это рутина. Прогонять каждый кадр через глубокую модель — значит зря тратить GPU и генерировать ложные алерты. Продакшен-паттерн, который мы внедряем в проектах 2026 года, выглядит так:

1. Уровень 1 — отсев (на edge). Извлекаете признаки (векторы движения, гистограммы, ограничивающие рамки объектов) и прогоняете через быструю unsupervised-модель — Isolation Forest или GMM — с настройкой на высокую полноту и среднюю точность. Менее миллисекунды на кадр.
2. Уровень 2 — подтверждение (региональный сервер). Для отмеченных кандидатов пушите окно в 2–5 секунд в связку CNN + LSTM (или vision-трансформер), которая выдаёт интерпретируемый score аномальности и метку класса.
3. Уровень 3 — проверка человеком (опционально). Если score выше порога — клип с ограничивающими рамками уходит в очередь оператора. По всему серьёзному решение всегда за человеком.

Уровень 1 снижает нагрузку на Уровень 2 в 30–100 раз. Уровень 2 снижает нагрузку на Уровень 3 в 10–50 раз. На реальных проектах с сотнями камер оператор получает примерно один значимый алерт в час.

1. Isolation Forest — отсев за доли миллисекунды

Что это. Ансамбль случайных бинарных деревьев. Чем меньше разбиений нужно, чтобы изолировать точку, тем выше её аномальность. Обучается только на «нормальных» данных, разметка не нужна.

Почему это важно для видеонаблюдения. Инференс — доли миллисекунды на обычных CPU, тянет векторы признаков размерности 50–500 (движение, оптический поток, число объектов), модель обновляется онлайн — можно переобучать ночью на последних 24 часах «нормы», не держа размеченный датасет. Это наша дефолтная модель отсева на Уровне 1 в стеке 2026 года.

В чём слабость. Не понимает пиксели. Если скормить ей сырые массивы изображений, она проиграет любой глубокой модели. Всегда работает в паре со стадией извлечения признаков.

2. One-Class SVM — аномалии в ограниченном пространстве признаков

Что это. Метод опорных векторов, обученный только на «нормальных» данных: строит границу в пространстве признаков. Всё, что вне границы, — аномалия.

Почему это важно для видеонаблюдения. Лучший выбор, когда «норма» узкая и хорошо определена: охраняемое помещение ночью, пустая производственная линия, конкретный маршрут транспорта. Ядровой SVM ловит нелинейные паттерны нормы, которые упустит Isolation Forest.

В чём слабость. Обучение плохо масштабируется выше ~50 тыс. примеров. Подбор гиперпараметров (ν, γ) чувствительный, и тюнить их на лету неочевидно.

3. Свёрточные нейронные сети (CNN)

Что это. Основа современного компьютерного зрения. В видеонаблюдении CNN применяют в трёх ролях: детекция объектов (YOLOv10/11, RT-DETR), классификация (есть/нет нетипичный объект) и как экстракторы признаков для последующих моделей.

Почему это важно для видеонаблюдения. Любая семантически осмысленная аномалия — «человек в запретной зоне», «оставленный предмет», «появилось оружие» — лучше всего ставится как задача детекции/классификации объектов поверх CNN. YOLOv11 на FP16 даёт ~80 FPS на Jetson Orin Nano, так что edge-деплой реалистичен.

В чём слабость. CNN работают покадрово. Всё временное (слоняние, проход «на хвосте», аномальная траектория) требует последовательной модели сверху.

4. LSTM и временные трансформеры

Что это. Последовательные модели, которые принимают на вход ряд признаков (обычно эмбеддинги CNN покадрово) и выдают score аномальности на окно. В 2026 году трансформеры (TimeSformer, VideoMAE) обгоняют классические LSTM на бенчмарках, но LSTM всё ещё выигрывают там, где edge-деплой только на CPU.

Почему это важно для видеонаблюдения. Большинство интересных аномалий — это временные паттерны: слоняние, движение в обратном направлении, проход «на хвосте», выбросы по времени пребывания, нетипичные потоки людей и транспорта. Одной CNN их не увидеть. LSTM/трансформер поверх признаков CNN — проверенный рецепт 2026 года.

В чём слабость. Обучающих данных по редким временным аномалиям мало. Часто нужна генерация синтетики — симуляторы, генеративная аугментация.

5. Автоэнкодеры — поиск аномалий на уровне пикселей без разметки

Что это. Нейросеть энкодер-декодер, обученная реконструировать «нормальные» кадры. Ошибка реконструкции — это и есть score аномальности. Варианты: вариационные автоэнкодеры (VAE) и ConvLSTM-автоэнкодеры (пространственно-временные).

Почему это важно для видеонаблюдения. Без разметки — никаких меток. Учится на часах «нормального» видео, а затем помечает всё, что не может реконструировать. Крайне полезно, когда заранее не известно, какие аномалии искать.

В чём слабость. Может слишком хорошо обобщать: если реконструирует всё подряд — реконструирует и аномалию. Лечится автоэнкодерами с памятью или GAN-вариантами.

6. K-Means — кластеризация поведения

Что это. Алгоритм кластеризации, разбивающий данные на K групп. Для детекции аномалий помечают точки, далёкие от любого центроида, или попавшие в крошечный изолированный кластер.

Почему это важно для видеонаблюдения. Дешёво, интерпретируемо и отлично подходит для кластеризации траекторий. «Нормальные» посетители торгового зала проходят по нескольким десяткам типовых маршрутов — траектория, не вписавшаяся ни в один кластер, заслуживает внимания.

В чём слабость. K нужно задавать заранее. Кластеры сферические — несферические распределения сбивают алгоритм с толку. Для пиксельных данных не подходит.

7. Смеси гауссовских распределений (GMM)

Что это. Вероятностная модель, представляющая данные как смесь гауссовских распределений. Точки с очень низкой вероятностью под всеми компонентами — аномалии. Также широко применяется для вычитания фона в классических CV-пайплайнах.

Почему это важно для видеонаблюдения. Продакшен-стандарт для моделирования фона на сценах со стационарной камеры — MOG2/KNN в OpenCV — это GMM. Даёт пиксельные маски «здесь не должно быть этого», стабильные на статичной картинке.

В чём слабость. Движущиеся камеры, постепенный дрейф освещения, повторяющееся движение (листва, флаги). Нужна пара — компенсация движения или стек обученных признаков.

Таблица сравнения алгоритмов

Выбор алгоритма по варианту использования

• Периметр и зональное вторжение. YOLO-CNN детектор → Isolation Forest на признаках траектории для проверки времени пребывания.
• Оставленные предметы. Вычитание фона на GMM → CNN-классификация кандидата.
• Слоняние. CNN-детекция и трекинг → LSTM или временной трансформер на признаках треков.
• Аномалии в толпе (паника, драки, разворот потока). Автоэнкодер на плотном оптическом потоке плюс временной трансформер.
• Промышленность, конвейер, производственная линия. One-Class SVM на признаках, автоэнкодер на пикселях, supervised-CNN на известных дефектах.
• Анализ траекторий в ритейле. K-Means по траекториям людей плюс Isolation Forest на признаках корзины и времени пребывания.

Кейс: V.A.L.T. — исследовательская платформа видеонаблюдения

Задача. V.A.L.T. — платформа видеонаблюдения и записи в исследовательских кабинетах, развёрнутая более чем в 100 университетах и научно-медицинских учреждениях. Операторам нужны были автоматические алерты по аномалиям в сессии — посторонние в кабинете, нецелевое использование оборудования, нетипичное поведение участника — без потопа из ложных срабатываний.

Стек, который мы собрали. Уровень 1: фильтрация по движению и загруженности на GMM на edge-боксах записи. Уровень 2: CNN семейства YOLO для детекции людей и оборудования плюс компактная LSTM на траекториях детекций — для проверки времени пребывания и аномалий маршрута. Уровень 3: очередь оператора в веб-интерфейсе V.A.L.T. с разметкой клипа в один клик, которая возвращается в обучение.

Результат. Доля ложных срабатываний упала с ~11% до <1,2% за три месяца работы петли обратной связи с операторами. Среднее время выявления аномалии в сессии — с 45 минут ручного просмотра до ~9 секунд. Загрузка GPU на edge-боксах не превышала 30%, оставляя запас под дополнительную аналитику.

Деплой на edge и в облаке

Дефолт 2026 года — гибрид с приоритетом edge. Отсев на Уровне 1 (Isolation Forest, GMM, лёгкая CNN) крутится на самой камере либо на edge-боксе Jetson, Hailo или Ambarella. Глубокие модели Уровня 2 — на региональном сервере (on-prem или в VPC). Интерфейс оператора Уровня 3 — в облаке или on-prem, в зависимости от требований по приватности.

Конкретные edge-цели на 2026: Jetson Orin Nano (8–16 TOPS, около 18 750 ₽), Hailo-8 (26 TOPS, около 11 250 ₽), Ambarella CV5 в самой камере. Все они комфортно тянут малые варианты YOLOv10/11 в 720p при не менее 30 FPS.

Экономия трафика от отсева на edge ощутимая: в V.A.L.T. мы зафиксировали сокращение исходящего трафика на 78% по сравнению с полностью облачной обработкой.

5 продакшен-ловушек, которые мы устранили

1. Обучение на чистых бенчмарках, деплой на грязных реальных потоках. UCSD Ped2 и ShanghaiTech хороши для статей — но это не ваша камера. Всегда собирайте неделю данных с площадки, прежде чем замораживать модель.
2. Нет петли обратной связи к разметке. Операторы отбрасывают ложные срабатывания. Ловите эти отбрасывания и возвращайте их в обучение. Только это сократило FPR V.A.L.T. вдвое за 90 дней.
3. Игнорирование концептуального дрейфа. Завод сменил смены, магазин — планировку — и ваша модель «нормы» сломалась. Запланируйте ночное переобучение на последних 7 днях.
4. Один порог на все случаи. Один порог не может одновременно отвечать за «подозрительно» и за «вызывайте полицию». Используйте многоуровневые пороги с разными очередями просмотра.
5. Не заложен бюджет на разметку. Продакшен-уровень CNN/LSTM пайплайнов требует 5–20 тыс. размеченных событий. Закладывайте 15–75 ₽ за событие и 6–12 недель на пропускную способность разметки.

Часто задаваемые вопросы

Итоги

Семь алгоритмов выше — это не рейтинг, а набор инструментов. Isolation Forest и GMM отсевают; One-Class SVM закрывает узко определённые сцены; CNN отвечают за семантику в кадре; LSTM и трансформеры — за временные паттерны; автоэнкодеры берут неизвестное; K-Means кластеризует поведение. Продакшен-вопрос звучит не как «какой выбрать?», а как «какой двухуровневый пайплайн собрать?» — и каждый серьёзный продукт видеонаблюдения, который мы выпускаем в 2026 году, объединяет быстрый отсев без разметки с глубоким семантическим подтверждением.

Инженерная реальность: модели — это 30% проекта. Данные, разметка, обратная связь от операторов, борьба с дрейфом и edge-деплой — остальные 70%. Закладывайте бюджет соответственно.

Читать дальше

Источники и материалы: бенчмарки аномалий UCSD Pedestrian и ShanghaiTech; документация поставщиков NVIDIA Jetson Orin, Hailo, Ambarella CV5; статьи по YOLOv10/11 и RT-DETR; данные внедрений V.A.L.T. компании Фора Софт (2020–2026, с разрешения клиента).

Нужна рука помощи в оценке для вашего роадмапа? Свяжитесь с нами — обсудим скоупинг в одном разговоре.

Матрица сравнения: разработать, купить, гибрид или open-source для ML-детекции аномалий в видеонаблюдении

Быстрая решётка для четырёх типовых путей в 2026 году. Берите строку, которая совпадает с размером команды, регуляторной нагрузкой и желаемым временем до результата — а не ту, что звучит амбициознее всего.

Ещё материалы Фора Софт

• AI-инструменты улучшения видео
• AI-распознавание эмоций в реальном времени
• Масштабируемые системы управления видео