Главное
• Edge выигрывает по задержке на порядок. Edge AI инференс для видеонаблюдения работает за 20–100 мс; полный цикл до облака и обратно занимает 300–800 мс. Для оповещений в реальном времени это значит — либо успеть вмешаться, либо разобраться уже после события.
• Cloud-only egress тихо разоряет вас уже на 20+ камерах. Развертывание из 100 камер 1080p, стримящих в облако, обходится примерно в 5,7 млн ₽ в год только на egress AWS. Edge-обработка с выборочной загрузкой снижает эти расходы до около 112 тыс. ₽.
• EU AI Act, действующий с августа 2026, делает edge-обработку безопасным выбором по умолчанию. Удалённая биометрическая идентификация по видеонаблюдению теперь отнесена к высокорисковым; хранение исходного видео на устройстве сужает зону комплаенса для GDPR, HIPAA, BIPA и CCPA.
• Гибрид — тренд продакшена в 2026 году. Verkada, Rhombus, Avigilon Unity и Axis ACAP реализуют обработку на краю сети, облачную оркестрацию и асинхронное переобучение. Чистое облачное видеонаблюдение теряет популярность; AWS Panorama прекратит работу 31 мая 2026 года.
• Правильный ответ зависит от пяти вопросов. Количество камер, допустимая задержка, регуляторные требования, надёжность сети и частота обновления модели определяют, стоит ли выбирать edge-архитектуру, облачную или гибридную — и ниже мы разбираем каждый из этих факторов.
Почему этот выбор важен именно в 2026
В этом году совпали три фактора, которые заставили каждого CTO в сфере видеонаблюдения пересмотреть архитектуру: 2 августа вступила в силу классификация удалённой биометрической идентификации как высокорисковой по EU AI Act; AWS объявил о закрытии Panorama 31 мая 2026 года; цена на мощные edge-ускорители упала настолько, что модуль Hailo-8 стоит дешевле одного месяца облачного GPU-инференса.
Итог: каждый новый проект видеонаблюдения теперь должен обосновывать, где выполнять вычисления — локально или в облаке. Аргумент «отправляем всё в облако» больше не проходит при обсуждении с юристами, финансистами и операционным отделом. В этой статье мы приводим цифры, компромиссы и фреймворк из пяти вопросов, которые помогут принять решение. Он ориентирован на команды, разрабатывающие собственный продукт AI-видеонаблюдения, а не на розничные точки с пятью камерами.
Почему этот гайд написала Фора Софт
Фора Софт (Fora Soft) разрабатывает видео- и AI-решения с 2005 года. За более чем 600 реализованных проектов мы сосредоточились на трёх направлениях: видеопотоки в реальном времени, распознавание и отслеживание объектов с помощью компьютерного зрения, а также надёжность, соответствующая стандартам видеонаблюдения. Мы применяем подход spec-Driven agent engineering, чтобы сократить сроки разработки с полугода до 8–12 недель — и это напрямую влияет на стоимость.
Несколько проектов задают тон этому гайду. V. A. L. T. — платформа видеодоказательств, которой пользуются более 650 организаций в США (полиция, центры защиты детей, медицинские учреждения): 2 500 IP-камер, 25 000 пользователей в день, выручка 727 млн ₽. DSI Drones — система воздушного видеонаблюдения, передающая видео по радиоканалу с распознаванием транспорта и людей прямо на устройстве. Netcam Studio — веб-интерфейс видеонаблюдения, построенный на YOLOv8/YOLOv9 и DeepSORT. Каждое архитектурное решение из этой статьи мы уже применяли в продакшене.
Не можете выбрать между edge и cloud для своего проекта видеонаблюдения?
Расскажите, сколько камер, какая целевая задержка и требования по комплаенсу. Мы предложим гибридную архитектуру и бюджет — позвоните или напишите.
Edge AI или Cloud AI: ответ за 60 секунд
Edge AI запускает детекцию и трекинг прямо на камере или рядом с ней — на смарт-сенсоре, встраиваемом SoC вроде Hailo-8 или небольшом NVIDIA Jetson. Кадры не покидают здание, пока не сработает оповещение. Cloud AI отправляет каждый кадр (или каждый ключевой кадр) по сети на удалённый GPU, выполняет инференс там и возвращает результат. Гибрид делает edge-обработку для детекции в реальном времени, а затем передаёт в облако минимальный объём данных — клипы по срабатываниям, эмбеддинги или редкие снимки — для долгосрочной аналитики, переобучения и анализа по всему парку.
Если хотите ответ одним предложением: edge для алерта, облако для инсайта, тонкий канал между ними. Остальная часть статьи — математика этой рекомендации.
Задержка: десятки мс против сотен мс
Задержка — самый простой и самый важный показатель для видеонаблюдения. От неё зависит, успеют ли охранник, турникет или автоматическое оповещение сработать до того, как человек пройдёт контрольную точку. Мы измеряем задержку на четырёх участках пайплайна.
| Участок пайплайна | Edge AI (типичная) | Cloud AI (типичная) | Комментарий |
|---|---|---|---|
| Захват и кодирование | 15–33 мс | 15–33 мс | Идентично — одинаковый аппаратный путь. |
| Загрузка по сети | 0 мс | 40–200 мс | RTT до ближайшего региона облака; джиттер в сотовой сети. |
| Инференс | 8–30 мс (YOLOv8n INT8 на Orin Nano) | 10–25 мс (YOLOv8m FP16 на T4) | Облако использует более крупную модель, а edge — квантованную и меньшую. |
| Доставка результата | 2–10 мс (LAN-вебхук) | 40–200 мс (обратный RTT) | Еще один сетевой хоп на обратном пути. |
| Сквозная | 25–100 мс | 300–800 мс | Облако через сотовую связь регулярно превышает 1,2 с. |
Для предотвращения краж в рознице, охраны периметра, отбраковки на производстве и оповещений о безопасности детей вы не можете позволить себе задержку в 800 мс. За это время человек успевает сделать один шаг. А вот для трендовой аналитики — например, построения тепловых карт посещаемости, анализа времени пребывания или длины очереди за смену — задержка облачной обработки не критична. Здесь важнее пропускная способность и стоимость, а не миллисекунды.
Берите edge-инференс, когда: алерт должен сработать за 200 мс, камера подключена по сотовой связи или нестабильному Wi-Fi, либо сценарий критически важен с точки зрения безопасности (вторжение, обнаружение падения, остановка линии).
Структура расходов: edge-оборудование против облачного egress и SaaS
В любом бюджете на видеонаблюдение выделяются три отдельные статьи расходов. Их нужно рассматривать как конкурирующие, а не взаимозаменяемые: затраты на edge — это капитальные расходы (CapEx), а расходы на облако — операционные (OpEx), которые растут вместе с количеством камер и часов работы.
Стоимость edge-оборудования на камеру (прайс-лист 2026)
NVIDIA Jetson Orin Nano Super стоит 18 600 ₽ и обеспечивает 67 TOPS при потреблении 7–15 Вт. Модули Hailo-8 продаются по цене от 11 200 до 15 000 ₽ и дают 26 TOPS при энергопотреблении всего 2,5 Вт — это лучший показатель производительности на ватт в своём классе. Google Coral USB и Coral M.2 стоят от 3 700 до 7 500 ₽ и подходят для более простых задач. Смарт-камеры со встроенной поддержкой ИИ (например, Hanwha Wisenet 9, Axis с ACAP-аналитикой) стоят от 22 500 до 60 000 ₽ за штуку и уже оснащены аппаратной поддержкой инференса.
Облачный GPU-инференс
Постоянно работающий инстанс AWS p3.2xlarge (NVIDIA V100) обходится примерно в 229 ₽ в час по тарифу on-demand — это около 1,6 млн ₽ в месяц только за GPU. Один GPU легко справляется с 25–40 потоками 1080p·30fps при использовании YOLOv8m, в зависимости от размера батча и постобработки. Если распределить стоимость GPU между потоками, получается около 41 000 ₽ в месяц на одну камеру — только за облачный инференс, без учёта хранения и трафика.
Подписки на закрытые облачные SaaS
Verkada берёт 22 500–37 500 ₽ за камеру в год (требуется собственное проприетарное оборудование). Eagle Eye Networks — 375–2 250 ₽ за камеру в месяц на открытых ONVIF-камерах. AWS Panorama (до закрытия 31 мая 2026) брал 624 ₽ за камеру в месяц. Подписки проще всего настроить и быстрее всего привязывают к вендору.
| Архитектура | 1-й год / 100 камер | 3-й год / 100 камер | Привязка к вендору |
|---|---|---|---|
| Edge DIY (Jetson + open-source модели) | ~3,3 млн ₽ железо + интеграция | ~4,5 млн ₽ | Низкая |
| Смарт-камеры (Hanwha / Axis ACAP) | ~4,5 млн ₽ железо + лёгкая интеграция | ~5,2 млн ₽ | Средняя (вендорский SDK) |
| Cloud SaaS (класса Verkada) | ~7,1 млн ₽ железо + ~3 млн ₽ подписка | ~16 млн ₽ | Высокая (проприетарные камеры) |
| Cloud-only инференс (DIY GPU) | ~2,2 млн ₽ камеры + ~6 млн ₽ egress + ~19 млн ₽ GPU | ~78 млн ₽ | К облачному вендору |
| Гибрид (edge-инференс + облачная оркестрация) | ~4,1 млн ₽ железо + ~150 тыс. ₽ облако | ~5,2 млн ₽ | Низкая–средняя |
Читайте таблицу справа налево. К третьему году гибридный подход примерно в 15 раз дешевле чисто облачного инференса и окупает первоначальные вложения в edge-решение менее чем за 12 месяцев на любом проекте с 20 и более камерами и непрерывными потоками.
Берите cloud-only, когда: у вас меньше 10 камер, вам не нужны оповещения в реальном времени и вы готовы платить по SaaS-подписке, стоимость которой может вырасти вдвое при продлении.
Математика трафика: где cloud-решения тихо съедают бюджет
Поток H.264 1080p при 30 кадрах в секунду в среднем занимает около 4 Мбит/с. Умножьте это на количество камер, часы работы и 30 дней — и стоимость передачи данных (egress) становится самой большой статьёй расходов в cloud-решении, обгоняя затраты на GPU и хранилище.
| Сценарий | Совокупный аплинк | Egress в год (AWS 6 ₽/ГБ) |
|---|---|---|
| 10 камер, полная загрузка, 24/7 | 40 Мбит/с | ~1 млн ₽ |
| 100 камер, полная загрузка, 24/7 | 400 Мбит/с | ~10 млн ₽ |
| 100 камер, edge отсекает 90% кадров | 40 Мбит/с в среднем | ~1 млн ₽ |
| 100 камер, edge-обработка + только клипы с тревогами | ~4 Мбит/с в среднем | ~105 тыс. ₽ |
Два неочевидных момента. Во-первых, стоимость передачи данных из AWS (egress) снижается с увеличением объёма, а вход в облако — бесплатный. Именно выгрузка результатов, дашбордов и экспортов данных и обходится дорого. Во-вторых, пропускная способность интернет-канала провайдера заканчивается раньше, чем растёт стоимость egress. Постоянная загрузка со скоростью 400 Мбит/с с одной розничной точки требует бизнес-канала с симметричной полосой; в большинстве магазинов аплинк ограничен 50 Мбит/с. Edge-инференс устраняет это физическое ограничение.
Точность: чего на самом деле стоит INT8-квантование
Справедливая претензия к edge AI — что вы запускаете меньшую квантованную модель. Справедливый ответ — разрыв уже намного меньше, чем три года назад. Современное post-training INT8-квантование с правильной калибровкой теряет 5–8% mAP на YOLOv8s и даёт на 30–50% более быстрый инференс. Quantization-aware training сводит большую часть этих потерь к менее чем 3%. Для типичных классов видеонаблюдения — человек, машина, посылка, оружие, огонь — практическая частота детекции становится практически неотличимой.
Реальное преимущество облака — не в точности распознавания объектов. Оно в рассуждении: сопоставлении данных с 50 камер, чтобы отследить нужного человека, использовании vision-language model для описания нестандартной сцены и подаче мультимодального контекста в классификатор поведения. Edge-устройство не вместит 7B-параметрическую VLM в 8 ГБ оперативной памяти. Именно поэтому выгоден гибрид: распознаём на edge, а анализируем — в облаке.
Практический рецепт edge-модели
1. Возьмите наименьшую модель, которая достигает нужного вам порога mAP. YOLOv8n или YOLOv8s подойдут для большинства задач видеонаблюдения; YOLOv8m используйте только для криминалистического поиска в облаке.
2. Квантуйте на калибровочных данных с ваших реальных камер. Выборка из 500–1000 кадров с днём, ночью, разной погодой и плотностью толпы устраняет большую часть потери точности.
3. Сочетайте детекцию с ByteTrack или BoT-SORT. Трекеры уменьшают ложные срабатывания благодаря временной согласованности — ошибка в одном кадре не вызывает оповещение. Подробный гайд подробно объясняет весь процесс: Build Custom AI Video Surveillance with YOLO, ByteTrack, BoT-SORT & DeepSORT.
4. Сложные случаи отправляйте в облако. Всё, что ниже вашего порога уверенности, — кандидат на повторный анализ более крупной моделью и на включение в выборку для дообучения.
Берите облачное рассуждение, когда: нужно сопоставлять обнаруженные объекты между камерами, запускать модель, объединяющую зрение и язык, для описания сцены или применять пользовательский классификатор поведения, который слишком тяжёлый для встраиваемого процессора SoC.
Приватность и EU AI Act с августа 2026
С 2 августа 2026 года удалённая биометрическая идентификация в режиме реального времени по видеонаблюдению будет считаться высокорисковой по EU AI Act. Это не полный запрет, но накладывает серьёзные обязательства: нужно проводить оценку соответствия, анализ влияния на основные права, вести журналы и обеспечивать человеческий контроль. Прямой запрет действует на биометрический скрапинг с записей видеонаблюдения, а также на распознавание эмоций на рабочем месте и в образовательных учреждениях. Штраф за нарушение может достигать 35 млн евро или 7% мирового оборота компании.
Edge-обработка — самый безопасный с точки зрения комплаенса подход по трём причинам. Во-первых, исходное видео не покидает территорию объекта, что исключает риски, связанные с трансграничной передачей данных согласно главе V GDPR. Во-вторых, можно проводить обезличивание ещё на этапе съёмки — размывать лица, скрывать номера — до сохранения данных, что соответствует принципу минимизации (статья 5). В-третьих, вы чётко определяете границы контролёра данных: ни AWS, ни Azure, ни GCP не получают доступа к биометрическим данным ваших пользователей.
Та же логика работает и в других юрисдикциях. Закон BIPA в Иллинойсе требует явного согласия на сбор биометрических данных — edge-обработка без хранения позволяет вообще обойти это требование. HIPAA регулирует медицинские записи пациентов в США; хранить их внутри сети больницы гораздо проще и безопаснее, чем передавать в стороннее облако. Раздел 889 Закона о национальной обороне (NDAA) запрещает федеральным агентствам США использовать оборудование видеонаблюдения, зависящее от зарубежных облачных сервисов. Подробно о доверии и этике мы говорим в статье *2026 AI Surveillance Trends and Ethics*.
Берите edge-обезличивание, когда: ваш продукт затрагивает резидентов ЕС, больницы, школы, государственные здания или любые категории субъектов, где получить согласие от всех невозможно.
Надежность и работа без подключения к сети
Cloud-only видеонаблюдение сильно зависит от интернет-канала. Когда провайдер отключается, камеры перестают передавать данные и становятся просто источниками пикселей. Edge AI продолжает распознавать события, подавать оповещения через локальные сирены, реле или вебхуки по локальной сети и сохранять события в буфер до восстановления связи. На наших решениях V. A. L. T., используемых для формирования цепочки доказательств в полиции, такая буферизация — юридически обязательное требование: даже 30 минут пропущенной записи во время сбоя сети могут нарушить цепочку хранения улик.
Архитектуры, сочетающие буферизацию на краю сети с синхронизацией в облаке, объективно надёжнее, чем любые чисто локальные или чисто облачные решения. Edge-устройства хранят данные локально на SD-картах или NVMe-дисках (например, смарт-камеры Hanwha Wisenet поддерживают диски до 4 ТБ) и затем в фоновом режиме загружают их в облако в нерабочее время. Среднее время восстановления после сбоя сокращается до нескольких секунд — вместо 15 минут–2 часов, которые требуются облачным системам для повторной синхронизации состояния.
Нужно автономное видеонаблюдение, которым вы действительно управляете?
Мы проектируем гибридные системы, в которых edge продолжает работать, когда облако недоступно — и данные остаются там, где это требует комплаенс.
Гибридная архитектура: что реально делают продакшен-системы
Посмотрите на самых быстрорастущих вендоров видеонаблюдения в 2026 году — все они придерживаются одной и той же модели: обработка на краю сети (edge-инференс), управление через облако и асинхронное переобучение моделей. Verkada, Rhombus, Avigilon Unity и Axis ACAP с кастомным бэкендом — все соответствуют этому подходу. Такой же паттерн мы применяем и для наших клиентов.
Рис. 1. Эталонная гибридная архитектура AI-видеонаблюдения 2026 года.
Что живёт на edge
Детекция в реальном времени (YOLO + трекер), маскировка лиц и номеров, правила оповещений, кольцевой буфер за последние 24–72 часа и watchdog, который пытается восстановить связь с облаком. Edge — единственный источник достоверной информации о том, «что только что произошло на кадре».
Что живёт в облаке
Управление парком (настройка, отслеживание версий моделей, обновления по воздуху), долгосрочное хранение клипов с тревогами, анализ между камерами (повторная идентификация, отслеживание интересующего лица по территории), описание сцен с помощью VLM, дашборды и пайплайн переобучения, который собирает с edge-устройств сложные примеры.
Что течёт между ними
Три тонких потока: алерты (небольшой JSON + клип), эмбеддинги (несколько КБ на детекцию для последующего поиска) и выборочные кадры со сложными случаями (с низкой частотой). Совокупный аплинк остаётся значительно ниже 100 кбит/с на камеру даже в часы пик. Наши материалы по интеграции видеоаналитики с системами наблюдения и по лучшим практикам обработки видео в реальном времени разбирают детали стриминга.
Цены вендоров: Verkada, Eagle Eye, Rhombus, DIY edge
Если вы решаете, что лучше — разрабатывать самостоятельно или покупать готовое решение, вот сравнение, которое мы показываем клиентам. Цифры — из прайс-листа, США, 2026 год.
| Вендор | Стоимость камеры | Регулярные платежи | Архитектура | Привязка |
|---|---|---|---|---|
| Verkada | 37 500–225 000 ₽ | 22 500–37 500 ₽ за камеру в год | Облачное управление, edge-обработка (проприетарно) | Высокая |
| Eagle Eye Networks | 15 000–60 000 ₽ (любая ONVIF) | 4 500–27 000 ₽/камера/год | Cloud-first VMS | Средняя |
| Rhombus Systems | 45 000–75 000 ₽ | 7 500–18 700 ₽ за камеру в год | Гибрид (edge + облачная оркестрация) | Средняя |
| Axis + ACAP | 22 500–60 000 ₽ | 0–37 500 ₽ за объект за аналитику | Edge-расширяемая камера | Средняя |
| Hanwha Wisenet 9 | 30 000–45 000 ₽ | VMS опционально | Смарт-камера со встроенным ИИ | Низкая–средняя |
| DIY edge (Jetson + open-source) | 18 600 ₽ + камера | Инженерные часы | Кастомный гибрид | Минимальная |
Для большинства продуктовых команд на практике выбор сводится к двум вариантам: «смарт-камеры + кастомный бэкенд» или «DIY edge + кастомный бэкенд». Первый вариант заменяет инженерные часы на зрелость поставщика, второй — зрелость поставщика на полный контроль над расходами и бизнес-моделью. Мы пробовали оба.
Правила выбора по сценариям в 7 отраслях
| Отрасль | Рекомендуемое размещение | Почему |
|---|---|---|
| Розница: предотвращение потерь | Гибрид | Edge для алертов о краже; облако для анализа по магазинам и учёта потерь. |
| Производство | Edge-primary | Детекция дефектов и СИЗ занимает менее 100 мс; чувствительные к IP записи остаются во внутренней сети завода. |
| Логистика и склады | Edge | Нестабильная связь; распознавание паллет и SKU на воротах. |
| Умный город и трафик | Гибрид | Edge для управления светофорами; облако для городского планирования. |
| Здравоохранение и уход за пожилыми | Только edge | HIPAA + достоинство пациента; алерты о падении в отделении за <1 с. |
| Критическая инфраструктура / госорганы | Edge + on-prem | NDAA, требования к локализации данных, суверенные облака. |
| SMB / частные дома | Cloud SaaS | 5–10 камер, низкая сложность — подписка вполне подойдёт. |
Фреймворк принятия решения — выбираем edge, cloud или гибрид за пять вопросов
1. Сколько камер и какой битрейт? Если камер меньше 10 и битрейт низкий — подойдёт облачный SaaS. А если больше 20 камер по 4 Мбит/с на каждую — edge-решение или гибрид окупятся за год только за счёт экономии на трафике.
2. Какой бюджет задержки на алерт? Меньше 200 мс — edge. От 200 мс до 1 с — гибрид. Несколько секунд — допустимо, работает облако.
3. Какие регуляторы вас касаются? Высокий риск по EU AI Act, GDPR, HIPAA, BIPA, NDAA — edge с обезличиванием на этапе захвата — самый безопасный выбор по умолчанию. CCPA или общий коммерческий случай — облако работает при правильном DPA.
4. Насколько надежна сеть? Промышленные объекты, транспорт, удалённые локации — edge, чтобы система продолжала работать при обрыве связи. Стабильный корпоративный Wi-Fi — облако или гибрид.
5. Как часто вы переобучаете? Раз в квартал или реже — edge с периодическими OTA-обновлениями. Раз в неделю или чаще — нужен облачный цикл переобучения, но инференс по-прежнему может выполняться на edge.
Если три и более ответа указывают на edge — проектируйте гибридную архитектуру с приоритетом edge. Если три и более склоняются к облаку — гибридную с приоритетом облака. Чистый edge и чистое облако — крайние случаи.
Мини-кейс: V. A. L. T. — 2 500 камер, 650 организаций, 25 000 пользователей в день
Контекст. Американская платформа видеодоказательств для полиции, центров защиты детей и медицинских организаций. Системе требовалось обеспечить управление PTZ, плановые и триггерные записи, функцию push-to-talk и неизменяемую цепочку хранения улик — всё это в помещениях с разной стабильностью сети.
Что мы сделали. Агенты-рекордеры на стороне камер, которые работают локально на каждом рабочем месте (edge-буферизованные доказательства с криптографическими хешами), плюс облачный слой оркестрации для расписаний, поиска и контроля доступа. Детекция идёт на камере; корреляция, поиск и журналы аудита — в облаке. Система спокойно переносит сбои провайдера, потому что рекордер сохраняет целостность цепочки хранения.
Результат. 2 500 IP-камер под управлением, 25 000 пользователей в день, 650 организаций-клиентов, 727 млн ₽ выручки. Ни одного сбоя в цепочке хранения улик за сотни расследований. Если вы создаёте что-то подобное — позвоните или напишите нам, расскажем подробнее.
Пять ловушек, в которые попадают команды
1. Берут самый маленький edge-бокс с хорошими бенчмарками. В лаборатории Jetson Orin Nano показывает отличные результаты. Но при 40 °C в электрощитовой он начинает троттлить. Лучше взять модель побольше или сразу предусмотреть активное охлаждение и подходящий корпус.
2. Пропускают цикл переобучения. Edge-модель, развернутая один раз и больше не обновляемая, со временем теряет точность. Через 12–18 месяцев растёт число ложных срабатываний. Заранее организуйте сбор сложных случаев в облаке и настройте OTA-обновления модели до запуска.
3. Дают камерам диктовать размещение вычислений. Покупка камер класса Verkada привязывает систему к облаку Verkada. Использование открытых ONVIF-камер даёт больше свободы. Архитектурное решение принимайте до закупки оборудования.
4. Недооценивают объем хранилища на edge. Камера, работающая со скоростью 4 Мбит/с круглосуточно, заполняет 4 ТБ за 90 дней. Либо выбирайте SD-карты или NVMe-диски подходящего объёма, либо реализуйте хранение по событиям с чёткой политикой определения, что считать событием.
5. Забывают, что AWS Panorama уходит. Если ваша архитектура зависит от Panorama, у вас есть время до 31 мая 2026 года, чтобы перейти на другую платформу. Лучшее решение — использовать edge-нативные технологии в сочетании с Lambda или Fargate для управления задачами.
Какие KPI измерять
KPI качества. mAP детекции по каждому классу на вашем собственном валидационном наборе (не COCO). Частота смены ID у трекера. Ложные срабатывания на камеру в неделю — цель — менее 5 для стабильной работы.
Бизнес-метрики. Стоимость одной камеры в месяц с учётом всех расходов. Среднее время от получения алерта до подтверждения оператором — медиана должна быть менее 30 с. Количество инцидентов, которые система пропустила и о которых сообщил клиент — эту цифру нужно снижать каждый квартал.
KPI надежности. Аптайм edge (цель — 99,9% на промышленных развертываниях). Среднее время восстановления после сбоя сети (цель — менее 30 с за счёт edge-буферизации). Доля клипов алертов, успешно синхронизированных в облако в течение 60 минут после генерации.
Когда edge брать НЕ нужно
Edge не подходит, когда сценарий принципиально требует межкамерного анализа с низкой задержкой — например, отслеживания нужного человека в реальном времени на кампусе из 50 камер, где один edge-устройство не видит всей картины. Также он не нужен, если у вас небольшая команда, менее 10 камер и нет желания заниматься обновлением прошивок. В таких случаях облачный SaaS — вполне рабочее решение; просто учтите риск привязки к поставщику при планировании на три года вперёд.
Cloud-only ошибочен почти везде, кроме трендовой аналитики и SMB. Средний путь — гибрид — покрывает 80% серьёзных продуктов видеонаблюдения в 2026 году.
Готовы проверить математику edge против cloud?
Расскажите, сколько камер, какая целевая задержка и какой бюджет. Мы предложим гибридную архитектуру и оценим сроки — на разработку агента, поэтому всё будет быстрее, чем вы ожидаете.
Частые вопросы
Edge AI всегда дешевле cloud AI для видеонаблюдения?
Выше примерно 20 камер с непрерывными потоками — да: счёт за трафик и облачный GPU обгоняет стоимость edge-оборудования уже за 12 месяцев. Меньше 10 камер с низкой нагрузкой — облачный SaaS может оказаться выгоднее по совокупной стоимости, потому что вы экономите на часах работы инженеров по интеграции. Точка перехода зависит от битрейта, времени работы и того, нужны ли вам уведомления в реальном времени.
Сколько точности я теряю, квантуя YOLO в INT8 для edge-инференса?
При правильной калибровке на репрезентативных данных посттренировочная квантование до INT8 обычно приводит к потере 5–8% mAP. Quantization-aware training сводит эту потерю до 3% и ниже. Для классов видеонаблюдения (человек, машина, посылка, оружие) практическая частота детекции практически не отличается от FP32-модели.
Запрещает ли EU AI Act облачное распознавание лиц по записям видеонаблюдения?
Нет. Он относит удалённую биометрическую идентификацию в реальном времени к высокорисковым — сильно регулируемым, но не запрещённым полностью. Конкретные применения, например распознавание эмоций на работе или в школах, а также нецелевой сбор записей с камер видеонаблюдения и из интернета для биометрических баз — запрещены. Обработка данных на границе сети (edge-обработка) упрощает соблюдение требований, потому что исходные биометрические данные не покидают здание.
Какое железо взять для прототипа edge AI-видеонаблюдения?
Для одной-двух камер и быстрого прототипа NVIDIA Jetson Orin Nano Super (18 600 ₽) — самый простой способ начать: он запускает YOLOv8n с реальной частотой кадров, а вся цепочка от NVIDIA работает «из коробки». В плотных развертываниях, где важны энергопотребление и теплоотдача, модули Hailo-8 (11 200–15 000 ₽) обеспечивают больше вычислений на ватт. Смарт-камеры (Hanwha Wisenet 9, Axis с ACAP) полностью исключают необходимость интеграции.
Как уберечь edge-модели от дрейфа со временем?
Постройте пайплайн сбора сложных случаев. Когда edge-модель выдаёт детекции с низкой уверенностью или оператор исправляет алерт — отправляйте этот кадр с метаданными в облако для переобучения. Переобучайте модель раз в квартал, проверяйте на отложенной выборке и обновляйте по воздуху. Без такого цикла через 12–18 месяцев вы заметите рост ложных срабатываний.
Можно ли запустить vision-language модель на edge для описания сцен?
Небольшие VLM (1–3 млрд параметров, квантованные) в 2026 году работают на Jetson AGX Orin и промышленных ПК верхнего сегмента. Для типичных развертываний на Orin Nano описание сцен через VLM лучше оставить в облаке и запускать только по алертам — нет смысла обрабатывать каждый кадр.
Чем заменить AWS Panorama после закрытия в мае 2026?
Прямой замены от AWS нет. Чистый путь миграции — кастомный edge-инференс (Jetson, Hailo или смарт-камеры) плюс облачный слой оркестрации на Lambda, Fargate или вашем собственном Kubernetes. Мы уже провели несколько таких миграций; архитектура очевидна, узкое место — сроки.
Сколько занимает кастомная гибридная разработка видеонаблюдения с Фора Софт?
Поскольку мы используем подход, основанный на спецификациях, запуск рабочего пилота на 5–10 камерах с локальным анализом, системой уведомлений и базовым облачным дашбордом обычно занимает 8–12 недель. Срок полного внедрения зависит от количества камер, необходимых сертификаций и интеграций. Опишите задачу — и мы назовём точный срок по телефону.
Что почитать дальше
Архитектура видеонаблюдения
YOLO + ByteTrack + BoT-SORT + DeepSORT — гайд 2026
Стек детекции и трекинга, который работает в основе каждой edge AI-системы видеонаблюдения.
Приватность и доверие
Тренды AI-видеонаблюдения 2026: качество данных и этика
EU AI Act, GDPR и план работы с доверием в продуктах биометрического видеонаблюдения.
Мониторинг в реальном времени
Зачем использовать AI для детекции видеоаномалий
Гайд покупателя по обнаружению аномалий с помощью машинного обучения на edge- и гибридных платформах.
AI-улучшение
Генеративный ИИ и контекстная видеоаналитика
От простой детекции к пониманию намерений с помощью облачных VLM и рассуждений.
Инженерные практики
Real-time видеообработка с AI: лучшие практики
Архитектурные паттерны и бюджеты задержек по 625+ выпущенным видеопроектам.
Готовы проектировать гибридную архитектуру видеонаблюдения?
Ответ для серьёзного AI-видеонаблюдения в 2026 — гибрид: edge для оповещений, облако для анализа, тонкий канал между ними. Edge выигрывает по задержке, трафику, приватности и автономности; облако — по межкамерному анализу, дообучению и долгосрочной аналитике. Чистое облако сжимается, чистый edge хрупок, а быстрее всего растут вендоры, выбравшие середину.
Если вы проектируете кастомный продукт AI-видеонаблюдения — сами технологии хорошо изучены. Сложность в том, чтобы адаптировать их под количество камер, допустимую задержку, регуляторные требования, реальное состояние сети и частоту переобучения. Именно об этом мы говорим с потенциальными клиентами по телефону: вы приносите ограничения, а мы — подходящую архитектуру и оценку сроков.
Поговорите с командой, выпустившей более 600 видео- и AI-продуктов
Edge-инференс, облачная оркестрация, OTA-обновления моделей, потоки данных, готовые к EU AI Act. Мы делаем это каждый день — и быстрее, чем вы ожидаете, благодаря инженерии агентов.
