Видеонаблюдение с распознаванием касок в 2026: разрабатывать или купить — гайд Фора Софт

Зачем нужна безопасность: коротко о деле

На строительство в США пришлось 1 032 смертельных случая в 2024 году (по данным BLS) — это 19 % всех производственных смертей при доле в 5 % от рабочей силы. Каждая предотвращённая травма головы экономит примерно 105 млн ₽ прямых и косвенных издержек (NSC Injury Facts). Бизнес-кейс для AI-распознавания касок больше не упирается в технологические риски — YOLOv9 и RT-DETR выдают 50+ mAP на скорости реального времени на Jetson за 22 500 ₽ — вопрос в другом: брать готовый SaaS от Intenseye или Protex AI либо разрабатывать свою систему, которая интегрируется с существующими камерами и PM-стеком (Procore, Touchplan, PagerDuty). Эта статья — гайд 2026 года по такому решению, написанный из опыта разработки программного обеспечения для видеонаблюдения с пайплайнами компьютерного зрения для строительных, промышленных и государственных заказчиков в сфере безопасности.

Почему распознавание касок — решение 2026 года, а не 2020-го

Пять лет назад главный вопрос про распознавание касок звучал так: работает ли вообще эта технология надёжно. Нет, особо не работала — ранние модели срабатывали на тенях и бейсболках, общественная реакция на приватность была жёсткой, а железо для локального инференса стоило слишком дорого в пересчёте на камеру, чтобы это масштабировать. Все три проблемы сейчас решены. YOLOv8/v9 и RT-DETR дают 50–56 % mAP на бенчмарках в стиле COCO и 85–95 % на профильных датасетах под каски. Jetson Orin Nano стоит около 18 700 ₽ и обрабатывает 4 параллельных потока 1080p. Анонимизация прямо в пайплайне (размытие лиц до того, как что-либо покинет камеру) сделала большинство переговоров с профсоюзами решаемыми.

Что конкретно изменилось с 2024 года: трансформерные детекторы (RT-DETR, DINO) наконец сравнялись с YOLO по скорости, а дистилляция малых моделей позволила точному инференсу работать на платах дешевле 7 500 ₽ — например, Hailo-8L. Это значит, что экономика перевернулась для объектов на 50 камер и меньше: раньше SaaS был единственным разумным путём, теперь — нет.

Как на самом деле работает AI-распознавание касок

Пайплайн распознавания касок состоит из четырёх стадий. Сначала захват: видеокадры приходят с IP-камеры по RTSP, кодированные H.264 или H.265. Затем детекция: модель распознавания объектов смотрит на каждый кадр (или один из N кадров) и обводит рамками людей, головы и каски. Дальше сопоставление: каждая голова привязывается к ближайшему человеку, после чего проверяется пересечение с каской. Наконец, решение: если у человека есть голова, но нет пересечения с каской более T подряд идущих кадров (обычно 2–3 секунды), система фиксирует нарушение.

Покадровое решение — задача простая; сложным production-уровень делает временная фильтрация. Рабочий, наклонившийся за пачкой арматуры, на мгновение перекроет свою каску. Подрядчик, несущий лист гипсокартона мимо камеры 3, на полсекунды покажется без каски. Если система каждый раз будет посылать оповещение, прорабы отключат его за неделю. Лекарство — накопитель по скользящему окну: требовать, чтобы нарушение было видно в K кадрах из последних N, и чтобы один и тот же рабочий оставался в кадре всё это время. Именно эта деталь отделяет полезную систему от заброшенной.

Модели распознавания, которые работают в 2026 — YOLOv9, RT-DETR и другие

Модель	COCO mAP	Скорость (T4)	Когда выбирать
YOLOv8-n	37,3 %	80+ FPS	Бюджетный edge (Coral, Hailo-8L)
YOLOv9-C	53,0 %	60 FPS	Стандартное внедрение на стройке
YOLOv9-E	56,0 %	16 мс на кадр	Максимальная точность, серверный GPU
RT-DETR-R50	53,1 %	108 FPS	End-to-end (без настройки NMS)
EfficientDet-D0	33,8 %	134–238 FPS	Высокая пропускная способность при низком разрешении

Для типичного объекта на 20 камер мы рекомендуем начинать с YOLOv9-C, дообученной на SH17 или SHEL5K. Она даёт production-уровень точности на классах «каска / без каски / светоотражающий жилет / человек», спокойно работает на 30 FPS на Jetson Orin Nano и имеет сильную поддержку сообществом. RT-DETR мы берём, когда объект требует end-to-end-деплоя без постобработки NMS — чаще всего на облачном серверном инференсе.

Публичные датасеты: SHEL5K, SH17, Pictor-PPE, CHV

SHEL5K (Safety Helmet dataset, 5 000 изображений, 75 570 размеченных объектов) покрывает голову, каску, лицо и человека с каской/без. Бесплатен для исследований и коммерческого использования. Наш стандартный старт для обучения. SH17 — расширение на 17 классов для производства и СИЗ, 8 099 изображений — полезен, когда нужны перчатки, очки и обувь поверх касок. Pictor-PPE покрывает связку «рабочий / каска / жилет» с меньшей глубиной разметки, но большим разнообразием сценариев. CHV (Color Helmet + Vest) объединяет GDUT-HWD и SHW, хорошо работает там, где политика безопасности использует каски разных цветов — разные бригады носят каски разных цветов.

На практике вы дообучаете предобученную на COCO модель сначала на SHEL5K или SH17, а затем ещё раз — на 1 000–3 000 размеченных кадров, снятых с реальных камер при реальном освещении. Именно на этом этапе клиенты обычно недоинвестируют — модель, обученная на безупречных исследовательских кадрах и запущенная на пыльной стройплощадке со смешанным освещением, выдаст точность на 10–15 пунктов ниже заявленной.

Edge или облако — где запускать модель

Облачный инференс имеет смысл при объёме до 10 камер: одна облачная GPU с пакетным инференсом дешевле, чем покупка 10 локальных плат. Свыше 15–20 камер расчёт меняется: стриминг полного видео в облако по трафику обходится дороже, чем покупка и эксплуатация GPU на месте. Одна 4K-камера на 10 Мбит/с гонит примерно 3,2 ТБ в месяц; для 1 000 камер это 3,2 ПБ в месяц и счёт за исходящий трафик, который сжигает лицо.

Локальный инференс оставляет сырые кадры на объекте. В облако уходят только оповещения, короткие клипы (5–10 секунд вокруг каждого нарушения) и агрегированные метаданные. Трафик падает на 80–95 %. Компромисс операционный: теперь у вас есть GPU-устройства, которые надо настраивать, мониторить и заменять. Наша рекомендация для 15–100 камер — гибрид: один Jetson Orin Nano на 4 камеры делает инференс в реальном времени, а облачный слой берёт на себя хранение, дашборды, межобъектную аналитику и стек маршрутизации оповещений.

Железо: Jetson, Hailo-8, Coral TPU — сравнение

Плата	Цена	YOLOv8 FPS	Потоков при 30 FPS
Jetson Orin Nano 8GB	~18 700 ₽	~40 FPS	1–2 камеры
Jetson Orin NX 16GB	~60 000 ₽	~120 FPS	4 камеры
Hailo-8 M.2	~18 700 ₽	~160 FPS (малые модели)	4–6 камер
Coral USB	4 500 ₽	~30 FPS (MobileNet)	1 камера
Сервер: A10 / L4	облако	300+ FPS	8–12 камер на GPU

На нашем последнем строительном внедрении (14 камер, две площадки) мы поставили три платы Jetson Orin NX 16GB — по одной на 4–5 камер плюс резерв. Итог по edge-железу: до 225 000 ₽. По сравнению с облачным дизайном, который гонял бы 45 ТБ исходящего видеотрафика в месяц, железо окупилось уже в первом расчётном периоде.

Эталонный пайплайн: RTSP → DeepStream → оповещение

Наша эталонная архитектура для edge-first-системы распознавания СИЗ: камеры отдают RTSP-потоки; NVIDIA DeepStream (или аналог Intel OpenVINO) читает их на Jetson, прогоняет детектор YOLOv9 и трекер в одном объединённом пайплайне, извлекает события нарушений и передаёт их компактному edge-агенту. Edge-агент отправляет события (не видео) в облачный API. Облачная часть отвечает за пользовательские дашборды, долгосрочную аналитику, маршрутизацию оповещений и тонкую настройку под каждый объект.

Для видеодоказательств по нарушениям мы записываем 10-секундный клип (5 секунд до нарушения, 5 — после) и загружаем только его. Лица размываются на edge перед загрузкой — мы используем DNN-детектор лиц из OpenCV как вторую модель в том же DeepStream-пайплайне. Сырое незамутнённое видео никогда не покидает объект. Это единственное архитектурное решение снимает 80 % юридических и профсоюзных трений, с которыми мы сталкивались на реальных внедрениях.

Настройка точности, полноты и порога уверенности

Цена ложноотрицательного срабатывания — пропущенного нарушения — на порядок выше цены ложноположительного. Ложноположительное — это раздражённый прораб. Ложноотрицательное — это травма головы или штраф от OSHA. Настраивайте сначала полноту. Наша рабочая точка по умолчанию: полнота (recall) ≥ 0,90, точность (precision) ≥ 0,85. Это обычно соответствует порогу уверенности около 0,35 для класса «каска», а не дефолтным 0,5, с которыми YOLO поставляется из коробки.

Два приёма выше по пайплайну снижают ложные срабатывания, не жертвуя полнотой: требовать, чтобы состояние «голова без каски» держалось 2–3 секунды (временная фильтрация), и ограничивать детектор зонами (срабатывать только внутри активной строительной зоны, не на парковке). В сочетании с дообучением под объект мы обычно получаем менее одного ложного срабатывания на камеру в день на зрелых деплоях.

Маршрутизация оповещений: Slack, Teams, PagerDuty, рация

Каждое оповещение содержит: отметку времени, ID камеры, тип нарушения, уровень уверенности и подписанный URL на размытый 10-секундный клип. Эти данные мы отправляем в формате JSON через вебхук в тот канал, который объект уже использует. Slack и Teams — интеграция в одну строчку. PagerDuty подходит для критичных нарушений (множественные одновременные либо высокоуверенные в зоне повышенного риска) — у него есть эскалация дежурных и отслеживание подтверждений, плюс он создаёт запись инцидента, которую страховые аудиторы реально хотят видеть.

Интеграция с рацией значит больше, чем кажется — прораб, которому нужно среагировать, часто не видит свой телефон на площадке. Мы отправляем оповещения в существующий шлюз CAD или радиосвязи объекта через REST-эндпоинт, который запускает голосовую трансляцию в нужный канал. При правильной настройке среднее время реакции падает с минут до меньше чем 30 секунд.

Многоязычные оповещения для международных бригад

Строительные бригады в США, ОАЭ и ряде европейских стран многоязычны. Оповещения только на английском доходят до доли целевой аудитории. Современные платформы для контроля СИЗ шаблонизируют сообщения на 4–6 языков (английский, испанский, португальский, китайский, арабский, хинди — самые частые) и маршрутизируют их либо по языку, закреплённому за камерой, либо по идентификатору рабочего, когда табель смен подключён в систему. Если у вас уже есть AI-стек, добавить вызов перевода (GPT-4o, что-то на базе Whisper или библиотека кэшированных шаблонов) — работа на один день.

Не только каски — жилеты, страховочные привязи, перчатки, очки

Каска — стартовый класс, но большинство клиентов расширяют детектор в течение полугода. Типичные дополнения в порядке коммерческого спроса: светоотражающие жилеты, страховочные привязи (критично для работ на высоте более 1,8 м), защитные очки, перчатки, ботинки со стальным подноском. Каждый класс требует своих размеченных данных, и у каждого есть свои особенности отказов, о которых стоит знать. Распознавание привязи особенно сложно — ремни сливаются с одеждой — поэтому мы обычно сопровождаем его моделью оценки позы (OpenPose или YOLO-pose), чтобы подтвердить, что рабочий находится в зоне риска падения, до того как сработает оповещение.

Несколько классов вообще не подходят для распознавания на видео. Защита органов слуха невидима с большинства ракурсов. Типы респираторов могут выглядеть на камеру одинаково, но защищать совершенно по-разному. Для них мы рекомендуем NFC- или RFID-метки на самих СИЗ и считыватели на проходной — это другая система, и она аккуратно дополняет видеосистему, а не заменяет её.

Обзор вендоров: Intenseye, Protex AI, Newmetrix, Voxel, Forsight

Intenseye — самый зрелый SaaS-вариант: 50+ опережающих индикаторов безопасности, работает с существующей системой видеонаблюдения, силён в тяжёлой промышленности. Protex AI сфокусирован именно на строительных СИЗ: настраиваемые зоны исключения и маршрутизация оповещений на SMS/email. Newmetrix (бывший Smartvid.io) идёт дальше распознавания в реальном времени — в прогноз рисков проекта по фотографиям, обученный на 17 миллионах строительных снимков. Voxel AI разворачивается за 48 часов на существующих камерах и сочетает компьютерное зрение с носимым IoT для отслеживания местоположения. Forsight делает акцент на поведенческой аналитике на стройплощадке и распознавании исторических паттернов. Everguard — вариант с упором на IoT для объектов, которые хотят носимые устройства рядом с камерами.

Цены на SaaS обычно укладываются в 7 500–18 700 ₽ за камеру в месяц. До 20 камер это, как правило, дешевле собственной разработки — особенно с учётом того, что собственной системе нужна команда модельных операций. От 50 камер кастомная разработка начинает выигрывать и по цене, и по гибкости интеграции — и именно туда к нам приходят клиенты.

Разрабатывать или купить: как выбрать

Сценарий	Рекомендованный путь
До 20 камер, индивидуальные интеграции не нужны	Купить SaaS (Intenseye, Protex AI)
20–100 камер, нужна глубокая интеграция с Procore / PM-стеком	Своя разработка на YOLOv9 + DeepStream
100+ камер на нескольких площадках	Своя разработка, edge-first, мульти-арендный дашборд
Нестандартные классы СИЗ (региональные каски, цветовые коды)	Своя разработка — модели SaaS не дообучаются под клиента
Строгое требование on-prem или изоляции от интернета	Своя разработка, только edge

Приватность, GDPR и сопротивление профсоюзов — как развернуть без бунта

Четыре проектных решения делают распознавание СИЗ совместимым с GDPR, CCPA и AI Act ЕС и без претензий со стороны профсоюзов. Первое — никакой биометрии: распознаём объекты, а не лица; никаких эмбеддингов лиц, никакого распознавания походки, никакой идентификации личности. Второе — размытие до загрузки: на edge любое лицо или номерной знак в клипе нарушения размывается ещё до того, как что-то покинет объект. Третье — минимизация данных: храним только метаданные оповещений и 10-секундные клипы, а не непрерывное видео. Четвёртое — прозрачность для рабочих: видимые информационные таблички, инструктаж бригад при найме, опубликованная политика хранения.

На двух недавних внедрениях представитель профсоюза прошёлся с нами по каждому пункту приватности до запуска. Оба подписали согласие меньше чем за час, потому что мы могли показать: ни один идентифицирующий фрагмент видео не покидает объект и отслеживание по отдельным рабочим невозможно. Этот сценарий повторяем; через профсоюз вас проводят инженерные решения, а не торговая речь.

ROI: сколько на самом деле экономит одно предотвращённое происшествие

Цифры, которые двигают финансовых директоров: National Safety Council оценивает средние прямые издержки на одну производственную травму в 3,1 млн ₽, а полную стоимость смертельного случая — в 104–115 млн ₽. Косвенные издержки (потерянная производительность, расследование OSHA, найм замены, рост страховой премии) составляют 4–17-кратную сумму прямых. Одно предотвращённое серьёзное происшествие, как правило, окупает 2–5 лет работы системы на 50 камер. Услуги по ручному мониторингу стоят 3 700–11 200 ₽ за камеру в месяц; AI-распознавание в пересчёте на годы выходит дешевле.

Менее обсуждаемый источник окупаемости — страхование. Страховщики строительных рисков и общей ответственности в США всё чаще дают скидку 5–20 % по премии за подтверждаемый непрерывный контроль безопасности. На строительном портфеле в 750 млн ₽ это годовая экономия 7–15 млн ₽ в виде статьи, которая видна в отчётах сразу, а не амортизируется по происшествиям, которые надеемся не получить.

Шесть подводных камней, которые мы видели на реальных внедрениях

1. Обучение только на дневных кадрах. Утренняя смена в 5 утра зимой не похожа на датасет. Дообучайте на собственных кадрах при слабом освещении, на рассвете и в сумерках.

2. Усталость от оповещений из-за отсутствия временной фильтрации. Если каждое кратковременное перекрытие даёт оповещение, прорабы отключат канал за несколько дней. Используйте фильтр «K из N кадров».

3. Нет ограничения по зонам. Камеры видят парковки, доставки, посетителей. Ограничьте распознавание активной рабочей зоной — иначе объём оповещений удвоится.

4. Предположение, что облачная GPU масштабируется бесконечно. Облако нормально на 10 камер и неподъёмно на 200. Планируйте миграцию на edge заранее.

5. Пропуск разговора с профсоюзом. Жалоба после внедрения разбирается в 10 раз сложнее, чем согласование до.

6. Нет обратной связи по пропущенным нарушениям. Каждое подтверждённое ложноотрицательное должно автоматически попадать в обучающую выборку для следующего дообучения. Без этого дрейф модели неизбежен.

Стоимость разработки системы на 20 камер

Для одного объекта на 20 камер с интеграцией в существующий стек Procore / PagerDuty / Slack, по ставкам Фора Софт 2026 года:

Этап	Срок	Стоимость
Discovery + архитектура	2 недели	900 тыс. – 1,3 млн ₽
Обучение модели + дообучение под объект	4 недели	2,1 – 3 млн ₽
Edge-пайплайн (DeepStream + оповещения)	4 недели	2,4 – 3,6 млн ₽
Дашборд + интеграции	3 недели	1,6 – 2,4 млн ₽
Edge-железо (5× Jetson Orin NX)	капитальные затраты	300 – 450 тыс. ₽
Пилот + запуск + 30 дней донастройки	2 недели	900 тыс. – 1,3 млн ₽

Итого: 8,2 – 12,1 млн ₽ за готовую к продакшену систему на 20 камер за 14–16 недель. Расширение до 100 камер: добавьте около 3 млн ₽ на железо и около 1,8 млн ₽ на мульти-арендный дашборд. Это сопоставимо с SaaS на 20 камерах и заметно дешевле начиная с 18-го месяца.

FAQ

Будет ли это работать с моими существующими IP-камерами?

Почти всегда да. Если ваши камеры отдают RTSP (как почти все IP-камеры) или ONVIF, Jetson читает их напрямую. Исключения — проприетарные облачные дверные камеры и некоторые старые аналоговые системы, которым сначала нужен видеоэнкодер.

Насколько точно распознавание касок при плохом освещении?

С дообучением под объект на кадрах с рассвета/сумерек/облачности можно удерживать точность в пределах 3–5 пунктов от дневной. Без данных под конкретный объект ждите падения на 10–15 пунктов. Дообучайте на своих кадрах либо принимайте больше ложноотрицательных срабатываний.

Как вы исключаете идентификацию отдельных рабочих?

Мы не храним эмбеддинги лиц или сигнатуры походки. Лица в загружаемых клипах размываются на edge до загрузки. Сырое видео никогда не покидает объект. Оповещения ссылаются на камеру и зону, а не на личность рабочего.

Что происходит при потере интернета?

Edge-детекция продолжает работать локально. Оповещения копятся в очереди на Jetson и уходят в облако при восстановлении связи. В нашей типичной конфигурации система продолжает работать при перебоях интернета длительностью 24–48 часов.

Можно ли распознавать каски разных цветов для разных бригад?

Да. Датасет CHV уже разделяет каски по цвету. Для своих цветовых кодов нужен 30-минутный проход дообучения на нескольких сотнях размеченных кадров с объекта.

Подойдёт ли это как автоматическая запись для требований OSHA?

AI-распознавание дополняет, но не заменяет инженера по охране труда. OSHA на сегодня не принимает только AI-записи в качестве доказательства соответствия. Используйте систему как усилитель команды по безопасности и сохраняйте их подписи в журнале аудита.

Почему не взять готовый SaaS вроде Intenseye?

Для объёмов до 20 камер и без индивидуальных интеграций SaaS — правильный выбор. Своя разработка обыгрывает SaaS на специальных классах СИЗ, требованиях on-prem, глубоких интеграциях (Procore, нестандартные потоки PagerDuty) или на 50+ камерах, где поштучная подписка SaaS складывается в неприятную сумму.

Сколько времени от старта до первых оповещений в проде?

Для объекта на 20 камер — 10–12 недель до первых production-оповещений и ещё 4 недели на донастройку и снижение ложных срабатываний. Пилот на одной камере мы можем запустить за 3 недели, если хотите получить раннюю уверенность.

Что почитать дальше

Готовы внедрить распознавание СИЗ на своих объектах?

Фора Софт выпустила шесть продуктов видеонаблюдения с компьютерным зрением. Мы спроектируем систему распознавания СИЗ под ваши камеры, PM-стек и требования к приватности — и пришлём предложение по фиксированной цене в течение двух рабочих дней.