Edge AI в видеонаблюдении: архитектура 2026 и оценка затрат

Почему этот плейбук написала Фора Софт

Фора Софт с 2005 года реализовала более 50 проектов в сфере видеонаблюдения и VMS (Video Management Systems). EyeBuild — солнечное AI-видеонаблюдение для строительных площадок и центральный пример этого гайда, VALT — система записи юридических заседаний, используемая более чем в 650 организациях США, Live Eye Surveillance, NetCamStudio, Mindbox и Doorbell App.

EyeBuild — нестандартный кейс: камеры на солнечных панелях с 4G/5G, без проводного интернета, выпускаются клиентом и работают полностью офлайн на батарее с автономностью 14 дней плюс 3 дня аварийного резерва. Обнаружение движения на базе ИИ работает прямо на устройстве, потому что передать 4K@60fps по 4G невозможно, а ждать 200 мс ответа от облака нельзя — нарушители уже лезут через забор. Цифры в этом гайде взяты из этого продакшена и ещё четырёх проектов AI-видеонаблюдения, которые мы выпустили в 2024–2025 годах.

Если вы внедряете или покупаете AI-видеонаблюдение и у вас более 50 камер, этот гайд расскажет, когда edge-обработка оказывается выгоднее, какой NPU выбрать, как развернуть YOLO26 на тысячах устройств и где чаще всего возникают проблемы в таких проектах.

Юнит-экономика, которая меняет расчёты

Облачные сервисы видеоаналитики (AWS Rekognition, GCP Vision, Azure Computer Vision) берут плату за каждый инференс. Цены отличаются, но реалистичный диапазон 2026 года для детекции объектов — 0,07–0,37 ₽ за вызов. На уровне парка устройство арифметика рассыпается:

Флот из 10 000 камер по 30 инференсов в секунду. 10 000 × 30 = 300 000 вызовов в секунду = 26 млрд вызовов в сутки. По 0,07 ₽ за вызов — 1,9 млрд ₽ в день. Даже по 0,007 ₽ за вызов (объёмный тариф) — 195 млн ₽ в день. На таком масштабе подход «облачный API» принципиально невозможен.

Сабсэмплинг помогает, но только до определённого предела. Большинство продакшен-деплоев не запускают инференс на каждом кадре. Они снижают частоту до 1–5 fps при движении и до 0,1 fps в простое. Даже на 1 fps в активном режиме флот из 10 000 камер выдаёт 10 000 инференсов в секунду — 864 млн в сутки. Это обходится в 6,4 млн ₽ в день при цене 0,007 ₽ за вызов. Всё равно слишком дорого.

На edge арифметика другая. Железо NPU стоит 3 750–22 500 ₽ на камеру (разово). Электричество для инференса — около 5–15 Вт на камеру, 375–1 125 ₽ в год. Маржинальная стоимость дополнительного инференса — ноль.

Трафик — вторая статья экономии. Камера 1080p H.264, работающая 24/7 на 4 Мбит/с, выгружает около 43 ТБ в год. С edge AI, который передаёт только события: около 360 ГБ в год. В 120 раз меньше. Для сотовых флотов (750–2250 ₽ за ГБ) именно эта экономия становится ключевой.

Тиры железа — NPU, мобильные чипы, CPU

Выбор модели в 2026 году — YOLO26 и не только

YOLO26 (Ultralytics). Новая модель из семейства YOLO, оптимизированная для мобильных NPU. Поддерживает нативный экспорт в CoreML, TFLite и ONNX. Обнаруживает объекты со скоростью 30+ fps на NPU Тира 1. Стандартный выбор 2026 года для универсального видеонаблюдения.

Квантизованная YOLOv8/в9. Готовое решение с поддержкой большого числа устройств. Точность ниже, чем у YOLO26, но примеров развертывания больше. Используйте, когда нужно быстро запустить модель, а инструментарий YOLO26 на вашем оборудовании ещё не отработан.

Детекция аномалий. Связка ResNet50 и автоэнкодера. Обучаем на «нормальной» съёмке, помечаем любое отклонение. Работает с нетипичными паттернами движения, оставленными предметами, попытками проникновения через периметр. Контролирует ложные срабатывания лучше, чем правила-«будильники».

Классификаторы людей и транспорта. Самая распространённая задача в видеонаблюдении. Нужно отделить людей от животных (чтобы снизить количество ложных срабатываний) и определить тип транспорта — например, грузовик или легковой автомобиль на стройплощадке. Модели MobileNetV3 или EfficientNet в INT8-квантизации отлично справляются с этим на оборудовании уровня Тира 2–3.

Распознавание лиц. ArcFace или FaceNet в INT8. Здесь возникают вопросы приватности и соблюдения норм — статья 9 GDPR относит биометрию к специальной категории данных. Обычно такую систему применяют только для проверки по белому списку (например, сопоставление с пропуском сотрудника) и запускают на NPU уровня 1.

Пайплайн деплоя — обучение, квантизация, OTA

1. Обучение в облаке. Обучайте модели на размеченных данных с помощью PyTorch или TensorFlow. Активно используйте аугментации — изменение освещения, погоды и ракурсов, чтобы обучающая выборка лучше соответствовала реальным условиям эксплуатации.

2. INT8-квантизация. Большинство NPU работают с точностью INT8, а не FP32. Квантизация после обучения (PTQ) выполняется быстрее, а квантизация с учётом обучения (QAT) обеспечивает более высокую точность. Цель — сохранить точность не хуже, чем на 2 % ниже, чем у модели в FP32.

3. Экспорт. CoreML — для iOS и устройств на Apple Silicon. TFLite — для Android и встраиваемых систем на базе Linux. ONNX — для работы на разных платформах (у Hailo, Coral и Jetson есть свои ONNX-рантаймы). TensorRT — для максимальной производительности на NVIDIA Jetson.

4. OTA-доставка. Подпишите артефакт модели приватным ключом, загрузите в реестр моделей и разверните на устройствах через OTA-агента (Mender, Balena или собственный MQTT). Выполняйте поэтапное обновление (canary → 10 % → 50 % → 100 %) с возможностью отката.

5. A/Б-тесты в продакшене. Запустите новую модель на 5 % трафика, логируйте её решения и сравнивайте с контрольными данными (ручная проверка или теневой запуск проверенной модели). Переводите на 100 % после 7–14 дней без ошибок.

6. Детекция дрейфа. Отслеживайте распределение уверенности модели по каждой камере во времени. Резкое падение средней уверенности говорит о дрейфе данных — модель столкнулась с новыми условиями, которых раньше не встречала. Это сигнал к дообучению.

Архитектура: edge ↔ VMS ↔ оповещения

Приватность и соответствие требованиям — минимизация данных

1. Минимизация данных по GDPR — по умолчанию. Edge AI передаёт только метаданные событий, а не исходные видео. Полные видеозаписи отправляются в центр только по запросу, а действия оператора фиксируются в логах. С такой архитектурой проще соблюдать статью 5 GDPR — минимизацию данных и ограничение целей обработки, чем при хранении всего в облаке.

2. Маскирование PII прямо на устройстве. Лица и автомобильные номера можно размывать на камере до отправки кадра куда-либо. Открытые модели (mask-rcnn, дообученные под лица) и эффекты на встроенном GPU позволяют делать это в реальном времени. Это обязательно для ритейла, транспортных хабов и школ.

3. Аудит решений модели. Каждое оповещение должно фиксировать: какая модель, с какой степенью уверенности, по какому хешу входного кадра. Это нужно и для анализа инцидентов, и часто — для юридической цепочки доказательств.

4. Осторожно с биометрией. Распознавание лиц относится к специальной категории данных по статье 9 GDPR. Во многих юрисдикциях ЕС для таких систем требуется отдельный DPIA, публичное уведомление и чёткие сроки хранения данных. Подумайте, действительно ли вам нужно именно сравнение лиц — часто достаточно просто обнаружения человека.

5. Политики хранения, которые соблюдает само устройство. Кольцевые буферы на SSD камер автоматически перезаписывают старые записи. Тиринг облачного хранилища перемещает видео в холодное хранилище через N дней и удаляет его по истечении срока юридического хранения. Документируйте и подтверждайте, что хранение ограничивается автоматически, а не вручную.

Мини-кейс: как EyeBuild запускает ИИ на солнечных 4G-камерах

EyeBuild охраняет сотни строительных объектов с активами на миллиарды долларов. Камеры работают от солнечных батарей, автономны до 14 дней плюс 3 дня резерва, снимают в разрешении 4K UHD, подключаются через 4G/5G без проводного интернета, поворачиваются на 360 градусов и оснащены двумя режимами ночного видения — инфракрасным и цветным. Архитектура edge здесь не обсуждается: передать 4K@60fps по LTE невозможно, а ждать 200 мс ответа от облака, пока нарушители уже лезут через забор, — нереально.

Ключевые элементы архитектуры. Кастомное железо камеры с NPU Hailo-8, на котором работает квантизованная YOLOv8, дообученная на снимках со стройплощадок (тяжёлая техника, каски, люди вне рабочего времени). Инференс — 4 мс на кадр в разрешении 1080p. Локальный SSD-буфер хранит 14 дней нарезанных событий. В облако через 4G/5G передаются только снимки с движением и 30-секундные видео. Дашборд оператора работает в браузере; полное разрешение по запросу загружается отдельно.

Результат. Установка в день обращения. 18 600 ₽ в месяц за камеру «под ключ». Ежемесячные контракты без долгих обязательств. Включено 30 дней облачного хранения. Трафик на камеру — около 2 ГБ в месяц против примерно 600 ГБ в месяц для необработанного 4K-стриминга. Флот обслуживает элитную жилую недвижимость, промышленные объекты, инфраструктуру и модульное строительство.

Что мы выпустили. Кастомную прошивку для камер, пайплайн инференса на Hailo-8, инфраструктуру обучения моделей для постоянного улучшения флота, OTA-агента, облачную VMS, дашборд оператора и мобильное приложение. Свяжитесь с нами, если хотите аналогичный продукт для своего видеонаблюдения.

Build vs buy — Axis, Hikvision, кастомный white-лейбл

Готовые AI-камеры (Axis, Hikvision, Bosch, Hanwha). 30 000–150 000 ₽ за камеру. На устройстве уже установлены предобученные модели и используется VMS от производителя. Такой вариант подойдёт, если вы используете камеры как клиент сервиса — например, охранная компания или ритейлер — и вам не нужны собственные модели или оборудование под бренд. Обратите внимание: Hikvision и Dahua не продаются на федеральных рынках США.

White-label камеры с кастомной прошивкой. Заказываете оборудование у ODM (TVT, OEM Hikvision, универсальные ODM в Шэньчжэне) по цене 6 000–22 500 ₽ за камеру и устанавливаете свою прошивку и ИИ-стек. Такой подход подходит, если ключевые преимущества — ваши AI-функции, а сами камеры вы продаёте клиентам (паттерн EyeBuild). Требуются большие инвестиции в разработку, но вы получаете полный контроль над интеллектуальной собственностью.

Платформа BYOC (bring-your-own-camera). Камеры остаются у клиента — он передаёт RTSP-потоки, а ИИ работает на нашей платформе. Такой подход подходит, если вы продаёте только программное обеспечение, а у клиента уже есть камеры. Edge-обработка здесь сложнее: обычно инференс запускается в облаке или на локальных GPU.

Модель затрат — облако против edge

Расчёт ведётся исходя из обработки видео в 30 кадров в секунду, стоимости NPU — от 3 750 до 9 000 рублей за камеру с амортизацией на 5 лет, расхода электроэнергии — 375 рублей в год, облачной системы видеонаблюдения и оповещений — 375 рублей в месяц за камеру, сотового трафика — 150 рублей за гигабайт (при наличии). Для облачного варианта учтена стоимость инференса — 0,03 рубля за операцию (по объёмному тарифу), работа 24/7 с понижением частоты кадров до 5 в секунду в активном режиме.

Фреймворк решения — выберите edge за пять вопросов

В1. Размер флота? Если камер больше 50 — edge-решение выгоднее. Меньше 50 — проще использовать облако.

В2. Связь? Сотовая связь или нестабильный Wi-Fi → edge обязателен (трафик и надёжность). Гигабитный Ethernet по кабелю → облако или гибрид допустимы.

В3. Чувствительный к задержке сценарий? Охрана периметра, детекция падения, обнаружение огня и дыма → нужен edge для отклика менее 100 мс. Общий мониторинг с оператором в цикле → облако подойдёт.

В4. Регулирование приватности? GDPR с жёсткими требованиями к локализации данных или чувствительный контент (школы, здравоохранение) → edge заметно проще.

В5. Кастомный или коммодити-ИИ? Вертикальные задачи (например, контроль потока в ритейле, медицина) — лучше использовать кастомные решения. Общие задачи, например распознавание людей и транспорта — обычно хватает готовых камер.

Подводные камни, которых стоит избегать

1. Игнорировать OTA. Без надёжного OTA-канала вы не сможете исправлять ошибки моделей, выпускать обновления безопасности и развивать продукт. Создавайте OTA до масштабирования, а не после.

2. Закрывать глаза на дрейф моделей. Модель, обученная на летних снимках, теряет точность зимой. Новые ракурсы, освещение, этапы строительства — всё это постепенно снижает качество. Следите за распределением уверенности и переобучайте модель регулярно.

3. Недооценивать поток оповещений. 10 тысяч камер генерируют столько тревог, что операторская команда не справляется. На таком масштабе нужны правила приоритезации, удаление дубликатов оповещений и ранжирование с помощью машинного обучения.

4. Ложные срабатывания, из-за которых операторы перестают реагировать. Если 30 % тревог — ложные, операторы перестанут их проверять. В первые 90 дней настраивайте систему на точность, а не на полноту; чувствительность можно будет повысить позже, когда доверие к системе уже установится.

5. «Кирпичить» устройства неудачным OTA. Сбойное обновление прошивки на 10 тысячах устройств — катастрофа. Всегда запускайте canary-когорту, A/В-тестирование по диапазонам серийных номеров и проверяйте, что откат работает, ещё до раскатки на весь флот.

KPI для измерения

Качество. mAP при IoU 0,5 на эталонном датасете (целевой показатель: 0,85+). Доля ложных срабатываний на камеру в день (целевой показатель: менее 0,5). Задержка инференса p50 (целевой показатель: менее 10 мс на Тире 1, менее 50 мс на Тире 3). Стабильность средней уверенности во времени (тревога, если месячная средняя падает более чем на 5 %).

Бизнес. Время работы оператора с камерой в день (целевой показатель — менее 5 минут при флоте от 100 камер). Годовая стоимость на одну камеру. Отток клиентов (качественная детекция значительно снижает отток).

Надёжность. Доступность парка камер (целевой показатель: 99,5 %). Доля успешных обновлений по воздуху (OTA) (целевой показатель: 99,8 %). Трафик на одну камеру в месяц (тревога, если превышает базовый уровень более чем в 2 раза — это может означать, что в облако передаются не события, а полные видеопотоки). Распределение состояний питания (актуально для камер на солнечных батареях).

Когда edge AI разворачивать НЕ стоит

Маленький флот (меньше 30 камер). Стоимость облачного анализа невелика, инвестиции в edge-решения не окупятся. Используйте AWS Rekognition или аналоги.

Разовый ретроанализ архива. Обработать шесть месяцев записи в поисках одного события — облачный GPU-инференс легко масштабируется, а edge-решение — нет.

Модели, которые меняются еженедельно. Если вы всё ещё обновляете ИИ-модель, OTA-цикл будет вас тормозить. Пока модель не стабилизируется, держите инференс в централизованной точке, а потом уже переносите на edge.

Камеры, которыми вы не управляете. Если ваша платформа принимает RTSP-потоки от сторонних камер разного типа, установить свою прошивку не получится. Выполняйте инференс на региональном GPU-кластере.

FAQ

Что почитать дальше

Готовы запустить флот, который масштабируется?

Свыше 50 камер edge AI остаётся единственным экономически оправданным решением. Аппаратная часть — Hailo-8, Coral и Jetson — к 2026 году будет полностью зрелой; YOLO26 в INT8-квантизации покрывает большинство задач. Инструменты OTA (Mender, Balena, собственные разработки) позволяют эффективно поддерживать обновление парка устройств. Сам подход хорошо отработан: основные инженерные риски связаны не с моделью, а с операционной стороной — уведомлениями, дрейфом данных, сроками хранения и надёжностью обновлений.

Для сотовых флотов edge выигрывает уже за счёт экономии трафика — в 50 раз меньше. В сценариях, где ошибка стоит дорого, edge выигрывает по задержке. В задачах, где важна приватность, edge выигрывает благодаря минимизации передаваемых данных. На стороне «только облака» остаются небольшие флоты и быстрое обновление моделей.