Видеоаналитика на базе ИИ: руководство по безопасности на 2026 год

Почему этот гайд написала Фора Софт

Мы 21 год разрабатываем видео- и ИИ-продукты — выпустили 625+ проектов, держим 100% Job Success на Upwork — с отдельной экспертизой в видеонаблюдении, VMS и компьютерном зрении. По части аналитики мы сделали MindBox — корпоративный ИИ-VMS, развёрнутый на 50+ площадках, с точностью распознавания лиц 99,5% и обработкой 500 000+ автомобилей в сутки в системе ANPR; V.A.L.T — SaaS-платформу, которой пользуются 770+ организаций и 50 000+ человек ежедневно; а также Netcam — одну из первых широко распространённых платформ управления IP-камерами.

Этот гайд — сжатая версия архитектурного разговора, который мы каждую неделю ведём с директорами по безопасности, CTO и продакт-оунерами, решающими, что выбрать: купить VMS, расширить существующую или построить собственную платформу видеоаналитики на базе ИИ. Внутри — детекторы, которые стоит брать в 2026 году, вендоры, с которыми имеет смысл сравниваться, математика edge/облако, ловушки соответствия закону и 12-недельный путь внедрения, проверенный нами на клиентских проектах.

Коммерческий смысл прост: если вы вкладываете семизначные суммы в систему видеонаблюдения, вы заслуживаете партнёра, который честно скажет, какие 60% маркетинговых обещаний об ИИ — пустые слова, а какие 40% действительно влияют на операционные KPI. Этот гайд написан именно в таком духе.

Что такое видеоаналитика на базе ИИ в 2026 году

Если убрать маркетинговые слова, видеоаналитика для безопасности на основе ИИ — это пайплайн: захват → декодирование → детекция → трекинг → классификация → движок правил → оповещение → хранение → поиск. Каждый этап — это либо коммодити, либо ваше конкурентное преимущество, в зависимости от сценария; выигрывают те платформы, у которых правильно сделаны движок правил и поисковый интерфейс.

Слой детекции — YOLOv10, RT-DETR, Grounding DINO, ArcFace — это open source, по сути бесплатный. Слой трекинга (ByteTrack, StrongSORT, OSNet для повторной идентификации) тоже открыт. Инженерная работа уходит во всё остальное: надёжный приём RTSP с камер разных вендоров, оценка правил с задержкой меньше секунды, UX криминалистического поиска, который позволяет оператору найти «красный рюкзак, северные ворота, между 14:00 и 14:10» за считаные секунды, и журнал аудита, который выдержит запрос в рамках судебного разбирательства.

Восемь видов аналитики, за которые реально платят

• Вторжение и нарушение зоны. Базовая аналитика — пересечение линии, праздное нахождение, присутствие в нерабочее время.
• Контроль СИЗ и охрана труда. Распознавание касок, жилетов, страховочных систем, сеток для волос — для стройки, производства, пищевой промышленности.
• Распознавание номерных знаков (LPR/ANPR). Парковки, логистические дворы, охраняемые территории; современные системы дают 95%+ на номерах на открытом воздухе.
• Распознавание лиц и повторная идентификация. Оповещения о появлении известных лиц на предприятии; эмбеддинги ArcFace, OSNet для трекинга через несколько камер с ~98% mAP на Market1501.
• Анализ поведения и аномалий. Падения, праздное нахождение, оставленные сумки, скопления людей, проникновение «хвостом».
• Подсчёт людей и анализ потока. Тепловые карты плотности, длина очередей, KPI пропускной способности — на Маха Кумбх Мела развернули 2 760+ камер с ИИ для системы реального времени на 450 000 человек.
• Аналитика по транспорту и активам. Логистика, аэродромные перроны, доставка в ритейле; пересекается с LPR и трекингом объектов.
• Криминалистический поиск. Поиск на естественном языке или по атрибутам по записям за месяцы — функция, которая бьёт любой Ctrl+F по таймлайну.

Рынок: почему категория растёт на 22% в год

По оценкам независимых аналитиков, рынок видеоаналитики на базе ИИ в 2026 году составит около 464 млрд ₽, а к 2031 году вырастет до примерно 1 292 млрд ₽ при CAGR ~22,7%. Более широкий рынок видеоаналитики (включая решения без ИИ) прогнозируется на уровне 1 125 млрд ₽+ в 2026 году. На облачные развёртывания уже приходится ~58% доли; быстрее всех растёт сегмент гибрида и edge — CAGR 23%+.

Рост обеспечивают не модели, которые становятся умнее год от года, — это да, но медленно. Его обеспечивают три конкретных сдвига: ONVIF наконец стандартизировал интеграцию камер настолько (30 000+ продуктов прошли сертификацию), что смешанные парки стали практичными; ускорители edge AI (Hailo-8, Jetson, Ambarella CV5) подешевели до уровня, на котором можно поставить детектор на каждую камеру; страховые компании и регуляторы начали закладывать KPI видеонаблюдения (частоту ложных срабатываний, время до выезда) в премии и аудиты соответствия.

Стек детекции: что выбирать в 2026 году

Выбор модели — самое маленькое решение; правильно её интегрировать — самое большое. Вот опинионированный дефолт, с которым мы выпускаем проекты.

Детекция объектов

YOLOv10 — лучший дефолт по соотношению цены и производительности: по опубликованным данным, YOLOv10s работает ~в 1,8 раза быстрее RT-DETR-R18 при сопоставимом mAP, а YOLOv10b даёт ~46% меньшую задержку, чем YOLOv9-C, при том же качестве. Для поиска по открытому словарю («найди любой красный рюкзак») подойдут Grounding DINO или YOLO-World — они дают детекцию на естественном языке с zero-shot AP 52,5 на COCO.

Идентификация и повторная идентификация

ArcFace (InsightFace) до сих пор остаётся стандартом де-факто для эмбеддингов лиц: 512-мерные векторы, тысячи цитирований, надёжность на больших масштабах. Для повторной идентификации людей между камерами OSNet_x1_0 даёт ~98,4% mAP на Market1501. Эмбеддинги храните в векторном индексе (FAISS для масштаба, pgvector для удобства) — поиск выйдет дешёвым.

Распознавание номерных знаков

Коммерческие ALPR-API (Plate Recognizer, Rekor, OpenALPR Cloud) дают 95%+ в чистых условиях. Для self-hosted-варианта стандартный паттерн — YOLO-детектор номеров плюс дообученный распознаватель CRNN/Parseq, а стандартный потолок точности — 85–95% в зависимости от угла, смаза от движения и регионального набора символов.

Поведение и аномалии

Распознавание действий (SlowFast, MViT, X-CLIP) — для структурированных событий; модели аномалий без учителя (PaDiM, методы memory-bank или простые эвристики на основе временной разности) — для случаев «здесь что-то странное». Подробно этот слой мы разбираем в нашей статье «7 лучших ML-алгоритмов для аномалий в видеонаблюдении».

Edge или облако: настоящий вопрос — «какую работу куда»

Каждый вендор продаёт либо «edge везде», либо «облако везде». Реальные внедрения — гибридные.

На edge: всё, что критично к задержке (вторжение, контроль СИЗ, падения), всё, что съест пропускную способность при передаче «как есть» (24/7-потоки высокого разрешения), всё, что касается приватности (размывание лиц на устройстве, GDPR-псевдонимизация прямо у источника).

В облако: «длинный хвост» аналитики (криминалистический поиск, повторная идентификация между объектами), обучение и переобучение моделей, кросс-объектная корреляция, UX VMS и журнал аудита.

Шорт-лист железа на 2026 год: Hailo-8 на ~26 TOPS / 2,5 Вт для одиночных и небольших edge-узлов (10 TOPS/Вт — лучший в классе показатель); NVIDIA Jetson Orin для агрегации нескольких потоков на edge; NVIDIA L40 с 3×NVENC / 3×NVDEC для облачного кодирования/декодирования и инференса; H100 или L40S для обучения моделей и тяжёлой многопоточной аналитики; Google Coral / Axis ARTPEC — для бюджетных одиночных камер. Обратите внимание: поддержка AWS Panorama прекращается 31 мая 2026 года — если вы на нём, планируйте миграцию на Triton-on-Kubernetes уже сейчас.

Сравнение платформ видеоаналитики на базе ИИ: матрица 2026 года

В таблице ниже — вендоры VMS и аналитики, с которыми мы интегрировались или которых оценивали в клиентских проектах. Цены — публичные прайс-листы; ваши договорные ставки будут отличаться.

Подробный разбор того, что должно быть в современной VMS, есть в нашем гайде «12 ключевых функций современной VMS»; про кастомную разработку — в гайде «Разработка кастомной VMS», где расписаны сроки и стоимость.

Эталонная архитектура: что мы поставляем

Для распределённого предприятия с 500–5 000 камер вот тот опинионированный стек, с которого мы стартуем. У каждого компонента есть один очевидный дефолт и один очевидный путь апгрейда.

Edge-уровень

• Камеры: ONVIF Profile S / T / M; H.265 по умолчанию, AV1 там, где поддерживается (экономит ещё ~30% хранилища относительно H.265).
• Edge-ускорители: Hailo-8 для одиночных камер, Jetson Orin NX для агрегации 4–8 потоков, Axis/Ambarella для предклассифицированных устройств.
• Edge-рантайм: DeepStream или Triton Edge, модели квантизованы в FP16/INT8 через TensorRT.

Бэкбон

• Шина приёма событий: Kafka (или Redpanda); MQTT — для маловесной телеметрии с edge.
• Потоковая обработка: Flink / Spark Structured Streaming для оконных правил; простые Kafka Streams — для базовых джойнов.
• Кластер инференса: Triton Inference Server на Kubernetes (Strimzi для Kafka), автоскейлинг на GPU L40 или L40S.

Данные и поиск

• Временные ряды и метаданные: Postgres/TimescaleDB для событий; Parquet в объектном хранилище для холодного уровня.
• Векторный индекс: pgvector — до нескольких миллионов эмбеддингов, FAISS/Qdrant/Vespa — для большего масштаба.
• Объектное хранилище: S3-совместимое (AWS S3, Wasabi, Backblaze B2) с lifecycle-правилами в Glacier/Deep Archive.
• Наблюдаемость: Prometheus + Grafana для инфраструктуры; QoS по каждой камере (FPS, кодек, битрейт, потери пакетов).

Развёрнутое обсуждение того, как мы выводим системы распознавания объектов из прототипа в продакшен, — в нашем гайде по кастомным камерам с распознаванием объектов.

Хранилище и трафик: математика, которая вас удивит

Неожиданная статья расходов в большинстве проектов с ИИ-видео — это хранилище, а не GPU. В 4K одной камере на H.264 нужно 8–12 Мбит/с; H.265 опускает это до 4–6 Мбит/с; AV1 экономит ещё ~30–40% поверх H.265. Камера 4K/H.265/6 Мбит/с в режиме 24/7 даёт ~65 ГБ в сутки — 100 камер = ~195 ТБ в месяц, и это без снимков и метаданных аналитики.

Паттерн многоуровневого хранения, который мы используем по умолчанию: горячий уровень (SSD или быстрый S3) — последние 7–30 дней, тёплый — до 90 дней, холодный архив (Glacier / Deep Archive / Backblaze B2) — на оставшийся срок политики хранения. При грамотной настройке холодный уровень обходится в ~0,15 ₽ за ГБ в месяц, и тогда строка хранилища не превышает строку инференса.

Модель стоимости: во что реально обходится видеоаналитика на базе ИИ

Цифры ниже исходят из 500 камер, 4K H.265, гибрида edge + облако и 30-дневного горячего хранения. Реальные клиенты, реальные провайдеры (Hetzner AX-серии для обучающих машин, AWS/GCP для уровня данных, Cloudflare или Wasabi для холодного хранения).

Регулярные расходы (в месяц)

• Edge-ускорители: ~3 700–11 200 ₽ на камеру разово (Hailo-8/M.2-модуль, варианты Jetson Nano/Orin) с амортизацией, плюс небольшое потребление электричества.
• Облачный инференс (кластер L40/L40S): ~150 000–375 000 ₽ на агрегацию для 500 камер в зависимости от того, какая аналитика идёт на облачной стороне.
• Хранилище: ~300 000–675 000 ₽ за 1 ПБ горячего хранилища плюс многоуровневый архив по типичному облачному прайсу; на Hetzner/Backblaze в холодном уровне выйдет существенно дешевле.
• Мониторинг и логи: ~37 500–112 500 ₽.
• Лицензии: если используете VMS (Milestone XProtect, Genetec), лицензии на камеру стоят обычно 3 700–15 000 ₽ бессрочно или 1 100–3 000 ₽ на камеру в месяц по SaaS-модели.

Разовая кастомная разработка

Типичная средняя кастомная платформа видеоаналитики на базе ИИ (8–12 видов аналитики, поддержка камер разных вендоров, криминалистический поиск, ролевой доступ, журнал аудита) укладывается в 14–22 недели силами современной agent-engineering-команды из 4–6 инженеров плюс ML-специалист. Если вам называют 18–24 месяца на тот же объём, оценка завышена.

Более широкий ориентир по стоимости смежных видеопродуктов — в нашей статье «Стоимость разработки приложения для видеостриминга».

ROI: что реально измеряют операторы

Опубликованные кейсы внедрений ИИ-аналитики раз за разом сходятся на одних и тех же числах:

• Снижение ложных срабатываний до 90% (в одном задокументированном внедрении доля ложных срабатываний упала с 85% до 16%).
• Время реакции на инцидент сократилось с ~4,2 минуты до ~1,3 минуты (улучшение на 68%) после внедрения ИИ-маршрутизации оповещений.
• Криминалистический поиск сжимает многочасовой просмотр до секунд (зафиксированы 20-кратные ускорения).
• 86% конечных пользователей подтверждают окупаемость в течение 12–18 месяцев — за счёт предотвращённых инцидентов, меньшего числа ложных выездов и экономии трудозатрат.
• Корпоративный кейс: 135 млн ₽+ годовой экономии только за счёт сокращения объёма ложных выездов.

Подвох: каждая из этих цифр предполагает чистое переобучение моделей, надёжное покрытие камерами и движок правил, настроенный под реальные инциденты конкретного оператора, а не под дефолтные пороги вендора. Половина проектов с ИИ-видео не дотягивает до целевого ROI потому, что никто не владеет петлёй обратной связи от исхода инцидента к настройке модели.

Мини-кейс: MindBox — ИИ-VMS корпоративного масштаба

Ситуация. MindBox нужна была интеллектуальная VMS, которая справится с распознаванием лиц, номерных знаков и трекингом транспорта на корпоративном масштабе — в транспорте, фармацевтике и сегменте безопасности. Не тысяча мелких POC, а одна платформа, которая работает одинаково везде.

Что мы сделали. Модульный ИИ-VMS с распознаванием лиц с точностью 99,5%, ANPR, обрабатывающий 500 000+ автомобилей в сутки, оповещения в реальном времени, ролевой доступ и UX криминалистического поиска, который делает расследования посильными. Мы спроектировали приём ONVIF и RTSP так, чтобы он работал со смешанным парком, а не с одним брендом, и разделили нагрузку между edge и облаком так, чтобы основная аналитика выполнялась рядом с камерой, а наверх шли только метаданные.

Результат. 50+ развёртываний в транспорте, фарме и безопасности. Одна ядерная платформа переиспользуется; интеграторы настраивают правила и отчёты, не трогая код. Хотите такой же архитектурный аудит для своего парка? Свяжитесь с нами — поможем разобраться.

5 ловушек, которые губят проекты по видеоаналитике с ИИ

1. Недооценка разметки. Bounding-box-разметка стоит 2–75 ₽ за объект, семантические маски — 3–225 ₽. Аннотирование может съесть до 80% бюджета проекта на кастомную модель, если учитывать многоуровневую проверку. Закладывайте это сразу или используйте синтетические данные и active learning с самого начала.

2. Игнорирование «гигиены» камер. Контровой свет, грязь на объективе, ИК-обрезка, артефакты rolling shutter и шум кодека убивают точность быстрее любого выбора модели. Каждому проекту нужен чек-лист обхода объекта и дашборд QoS по каждой камере.

3. Отношение к распознаванию лиц как к обычной детекции. Только за 2025 год BIPA породил 100+ коллективных исков — мировые соглашения на миллионы долларов (Aura Frames — 139 млн ₽; дело о моделировании лиц учащихся — 656 млн ₽). Всегда требуйте письменное согласие, ограничения по срокам хранения и понятный путь отзыва согласия — это касается Иллинойса, Техаса, Вашингтона и теперь ЕС.

4. Игнорирование дрейфа модели. Смена сезонов, обновление униформы, новые прошивки камер, постепенно меняющиеся транспортные паттерны — всё это сдвигает точность и полноту. Заложите ежемесячный аудит дрейфа и квартальный цикл переобучения с первого дня.

5. Пренебрежение UX оператора. Лучший в мире детектор бесполезен, если оператор безопасности не может быстро триажить оповещения или интуитивно искать по записям. Средняя модель с отличным UX оператора каждый раз обгоняет state-of-the-art-модель с типовой VMS.

KPI: как понять, что система работает

KPI качества. Точность по каждой аналитике (≥95% для вторжения, ≥97% для совпадения лиц в контролируемых условиях), полнота (≥90% для критичных оповещений) и менее 1 ложного срабатывания на камеру в неделю после настройки. Считайте по каждой камере и каждому объекту, а не глобально — средние показатели прячут три плохих камеры, которые генерируют 80% шума.

Бизнес-KPI. Среднее время до обнаружения (MTTD), среднее время до реакции (MTTR), действия оператора в час, предотвращённые и задокументированные инциденты, избежанная стоимость ложных выездов, влияние на страховую премию. Стабильно работают именно MTTR и сокращение ложных выездов.

KPI надёжности. Доступность камер (цель ≥99,5%), QoS потока (FPS, дрейф битрейта, потери пакетов), heartbeat edge-узлов, p99 задержки инференса (<250 мс для аналитики оповещений) и тесты целостности журнала аудита раз в неделю. Если p99 задержки на живых оповещениях переваливает за 500 мс, маршрутизация инцидентов сломана на практике, даже если дашборд выглядит чистым.

Безопасность, приватность и соответствие: правила игры в 2026 году

EU AI Act. Действует с февраля 2025 года; запрещает нецелевой сбор изображений лиц с камер видеонаблюдения и ограничивает удалённую биометрическую идентификацию в реальном времени правоохранительными органами. Обязательства по высокорисковому ИИ вступают в августе 2026 года, штрафы — до €35 млн или 7% мирового оборота. Если Европа для вас существенный рынок, относитесь к классификациям рисков из этого акта как к продуктовым требованиям, а не как к юридической мелочи.

GDPR для видеонаблюдения. Требует законного основания, информирующих табличек, ограничения цели, сроков хранения, прав субъекта данных и резидентности данных. Защищаемая позиция такая: минимизируйте срок хранения до операционной необходимости, по умолчанию псевдонимизируйте идентификационные данные и держите персональные данные граждан ЕС в регионах ЕС от начала до конца.

BIPA и законы штатов. В 2025 году мировые соглашения по BIPA в Иллинойсе включают сделки на 656 млн ₽, 450 млн ₽+ и 139 млн ₽; в Техасе (CUBI) и Вашингтоне действуют схожие законы. Если вы разворачиваете аналитику по лицам, отпечаткам пальцев или радужной оболочке, письменное согласие и задокументированные сроки хранения — это не предмет переговоров.

Управление данными. Шифруйте при передаче и в покое; токенизируйте идентификаторы; раз в квартал проводите аудит на предмет смещения (bias) детекторов лиц и пешеходов; держите неизменяемый журнал аудита всех оповещений, поисков и экспортов.

Когда видеоаналитику на базе ИИ внедрять НЕ стоит

Если у вас меньше ~20 камер на одном объекте, современный NVR со встроенной аналитикой обычно выиграет у кастомного ИИ-проекта по совокупной стоимости владения. Если ваша основная цель — задокументировать ответственность, а не активно реагировать на инциденты, надёжная запись и хранение каждый раз обгоняют ИИ. И если у вас нет операционного процесса для реакции на оповещения — диспетчеризации, эскалации, разбора — добавление новых оповещений просто создаст усталость от ложных тревог; сначала почините процесс.

Фреймворк принятия решения: выберите стек за пять вопросов

Q1. Сколько камер и на скольких объектах? <50 на одном объекте: облачный VMS (Verkada/Rhombus/Eagle Eye). 50–500 на нескольких объектах: Milestone/Genetec плюс выбранные плагины аналитики. >500 или регулируемая сфера: кастомная разработка поверх Milestone или с нуля.

Q2. Входит ли в объём распознавание лиц? Если да, работа по соответствию (BIPA, EU AI Act, GDPR) обязательна в первом спринте. Заложите её явно или исключите распознавание лиц.

Q3. Какие у вас ограничения по трафику? Удалённые объекты на сотовой связи или LoRa требуют тяжёлого инференса на edge. Оптика на каждом объекте позволяет по умолчанию идти в облако.

Q4. Есть ли у вас операционный процесс? Если нет процесса дежурства и диспетчеризации, начните с него — аналитика без операционки превращается в усталость от ложных тревог в красивой обёртке.

Q5. Ваш сценарий регулируемый (здравоохранение, критическая инфраструктура, общественные пространства)? Если да, настаивайте на on-prem или резидентности данных в регионе ЕС, неизменяемом аудите и плане управления моделями — ещё до RFP.

Playbook внедрения: 14-недельный путь

Куда движется видеоаналитика на базе ИИ в 2026–2027 годах

Детекция по открытому словарю становится мейнстримом. Модели уровня Grounding DINO и YOLO-World позволяют оператору набрать «жёлтый погрузчик на полосе 3» и получить результат без обучения отдельного класса. Это срезает 60–80% бюджета на кастомные модели для «длинного хвоста» запросов.

LLM-ассистированный криминалистический поиск. Мультимодальные LLM будут сворачивать часы записей в нарративную хронологию («в 14:07 грузовик зашёл на полосу 2, выгрузил 8 палет за 42 минуты, уехал в 14:49»). Расследования сжимаются с часов до минут; новый навык — писать промпты с привязкой к ретривалу, а не пролистывать таймлайны.

Edge-ускорители в каждой камере. Поколение Hailo-8 / Ambarella CV5 / Axis ARTPEC означает, что в 2027 году дефолтом станет «ИИ внутри камеры», а облако останется только для агрегации. Математика хранения, трафик и приватность улучшаются одновременно.

FAQ

Насколько точна видеоаналитика на базе ИИ в реальных внедрениях?

В контролируемых условиях современные детекторы дают ≥95% на вторжении и СИЗ, ~95% на LPR при номерах на открытом воздухе и 97%+ на совпадении лиц. Реальная точность сильно зависит от расположения камер, освещения, настроек кодека и от того, кто отвечает за цикл переобучения — поэтому UX оператора и операционный процесс важнее выбора модели.

Куда отдавать аналитику — на edge или в облако?

И туда, и туда. На edge — критичную к задержкам и тяжёлую по трафику аналитику (Hailo-8, Jetson). В облако — криминалистический поиск, обучение и кросс-объектную корреляцию. Вопрос не «куда», а «какую работу куда».

Хватит ли Milestone XProtect или нужна кастомная разработка?

XProtect отлично подходит для поддержки камер разных вендоров и базовой аналитики через экосистему плагинов. Кастомная платформа (или кастомная надстройка над XProtect) нужна тогда, когда ваше конкурентное преимущество в движке правил, UX оператора или регулируемом потоке данных, который экосистема плагинов не закрывает.

Сколько стоит хранилище для 100 4K-камер с 30-дневным хранением?

При 4K/H.265/~6 Мбит/с — ~65 ГБ на камеру в сутки × 100 × 30 = ~195 ТБ. Облачный прайс-лист на 195 ТБ объектного хранилища — около 300 000–375 000 ₽ в месяц; цены Wasabi/Backblaze/Hetzner на холодное хранение могут срезать это в 3–5 раз. AV1 экономит ещё 30–40%, если прошивка камеры его поддерживает.

Законно ли распознавание лиц для корпоративной безопасности?

Да, с оговорками. В ЕС AI Act ограничивает удалённую биометрическую идентификацию в реальном времени в общественных местах и запрещает нецелевой сбор данных с камер видеонаблюдения. В США Иллинойс (BIPA), Техас (CUBI) и Вашингтон требуют письменного согласия, ограничений по срокам хранения и чёткой опции отказа. Внутреннее корпоративное использование с согласием и сроками хранения защитимо; наблюдение в общественных пространствах — нет, за узкими исключениями.

Сколько занимает развёртывание видеоаналитики на базе ИИ?

Облачные VMS (Verkada/Rhombus): дни — несколько недель. Корпоративный on-prem с плагинами аналитики (Milestone, Genetec): 6–12 недель. Кастомная платформа: 14–22 недели до первого релиза; полная продуктизация — 6–9 месяцев.

Можно ли запускать YOLOv10 на существующих камерах или нужно менять железо?

Камеры обычно менять не нужно — вы ставите edge-устройство (Hailo-8 M.2-модуль, Jetson Orin NX или даже приличный мини-ПК с GPU), которое забирает RTSP с существующих камер и запускает YOLO там. Основная стоимость — edge-инфраструктура, а не замена камер.

Какие KPI требовать от вендора?

Точность и полнота по каждой аналитике на ВАШИХ записях (а не на демо-роликах вендора), число ложных срабатываний на камеру в неделю после настройки, среднее время реакции, SLA по доступности камер (≥99,5%), p99 задержки инференса на живых оповещениях (<250 мс) и тест целостности журнала аудита.

Что почитать дальше

Готовы внедрить видеоаналитику на базе ИИ, которая реально снижает число инцидентов?

Видеоаналитика на базе ИИ больше не научный эксперимент — это зрелая категория с надёжными детекторами, реальными цифрами ROI, состоявшимися вендорами и опубликованной картой соответствия закону. Решать нужно не «внедрять или нет», а «какую аналитику запустить, на каком железе, по каким правилам и в составе какой VMS».

Фора Софт построила весь спектр — от SaaS уровня V.A.L.T, обслуживающего 770+ организаций, до корпоративных ИИ-VMS уровня MindBox с распознаванием лиц 99,5% и 500 000+ номеров в сутки. Мы готовы помочь вам выбрать правильный путь для вашего парка до того, как вы подпишете контракт с кем бы то ни было, включая нас.