Как ИИ-видеоаналитика меняет безопасность в 2026 году

Почему этот гайд написала Фора Софт

Мы 21 год разрабатываем видео- и ИИ-продукты — реализовали более 625 проектов, поддерживаем 100% успешность выполнения работ на Upwork. У нас есть отдельная экспертиза в видеонаблюдении, системах управления видео (VMS) и компьютерном зрении. В области аналитики мы создали MindBox — корпоративный ИИ-VMS, развёрнутый на 50+ объектах, с точностью распознавания лиц 99,5% и возможностью обрабатывать более 500 000 автомобилей в сутки в системе ANPR; V. A. L. T. — SaaS-платформу, которую используют 770+ организаций и более 50 000 человек каждый день; а также Netcam — одну из первых массово внедрённых платформ управления IP-камерами.

Этот гайд — сжатая версия архитектурных обсуждений, которые мы проводим каждую неделю с директорами по безопасности, CTO и владельцами продуктов, стоящими перед выбором: купить VMS, расширить существующую систему или построить собственную платформу видеоаналитики на базе ИИ. Внутри — детекторы, которые стоит использовать в 2026 году, вендоры, с которыми имеет смысл сравниваться, математика edge/облака, подводные камни соответствия законодательству и 12-недельный путь внедрения, проверенный на реальных клиентских проектах.

Коммерческий смысл прост: если вы вкладываете семизначные суммы в систему видеонаблюдения, вы имеете право на партнёра, который честно скажет, какие 60% маркетинговых обещаний про ИИ — пустая болтовня, а какие 40% реально 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 цепочка: захват → декодирование → детекция → трекинг → классификация → движок правил → оповещение → хранение → поиск. Каждый этап — либо стандартное решение, либо ваше конкурентное преимущество, в зависимости от задачи. Победу одерживают те платформы, где хорошо реализованы движок правил и интерфейс поиска.

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, длительное нахождение, присутствие в нерабочее время.
• Контроль СИЗ и охрана труда. Распознавание касок, жилетов, страховочных систем и сеток для волос — для стройки, производства и пищевой промышленности.
• Распознавание номерных знаков (LPR/ANPR). Парковки, логистические дворы, охраняемые территории — современные системы распознают номера на открытом воздухе с точностью 95% и выше.
• Распознавание лиц и повторная идентификация. Уведомления о появлении знакомых лиц на предприятии; эмбеддинги ArcFace, OSNet для отслеживания по нескольким камерам с точностью ~98% mAP на датасете Market1501.
• Анализ поведения и аномалий. Падения, бездействие, оставленные сумки, скопления людей, проникновение «хвостом».
• Подсчёт людей и анализ потока. Тепловые карты плотности, длина очередей, KPI пропускной способности — на Маха Кумбх Мела развернули более 2760 камер с ИИ для системы в реальном 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 по естественному языку или по атрибутам среди записей за месяцы — функция, которая превосходит любой Ctrl+Find в таймлайне.

Рынок: почему категория растёт на 22% в год

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

Рост обеспечивается не тем, что модели становятся умнее год от года — это правда, но медленно. Его дают три конкретных изменения: ONVIF наконец-то стандартизировал интеграцию камер настолько (30 000+ продуктов прошли сертификацию), что стало реально использовать разные камеры в одном парке; ускорители edge AI (Hailo-8, Jetson, Ambarella CV5) подешевели до уровня, когда можно поставить детектор на каждую камеру; страховые компании и регуляторы начали включать KPI видеонаблюдения (частоту ложных срабатываний, время до выезда) в расчёты премий и проверки соответствия.

Стек детекции: что выбирать в 2026 году

Выбор модели — самое простое решение; правильно её интегрировать — самое сложное. Вот наш стандартный подход, с которым мы запускаем проекты.

Детекция объектов

YOLOv10 — лучший выбор по соотношению цены и производительности: по опубликованным данным, YOLOv10s работает примерно в 1,8 раза быстрее RT-DETR-Р18 при сопоставимом mAP, а YOLOv10b обеспечивает задержку на 46% ниже, чем YOLOv9-С, при том же качестве. Для поиска объектов по открытому словарю (например, «найди любой красный рюкзак») подойдут Grounding DINO или YOLO-World — они выполняют детекцию по естественному языку 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 показывает ~98,4% mAP на датасете Market1501. Эмбеддинги храните в векторном индексе (FAISS — для масштабируемости, pgvector — для удобства) — поиск будет дешёвым.

Распознавание номерных знаков

Коммерческие ALPR-API (Plate Recognizer, Rekor, OpenALPR Cloud) показывают точность 95% и выше в идеальных условиях. Для самохостинговых решений типичная схема — детектор номеров на базе YOLO плюс дообученная модель распознавания CRNN или Parseq, а максимальная точность обычно составляет 85–95% в зависимости от угла съёмки, размытости из-за движения и особенностей региональных символов.

Поведение и аномалии

Распознавание действий (SlowFast, MViT, X-CLIP) — для чётко структурированных событий; модели обнаружения аномалий без учителя (PaDiM, методы на основе memory-банка или простые эвристики по временной разнице) — для случаев, когда «что-то идёт не так». 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 предлагает либо «edge везде», либо «облако везде». На практике внедрения — гибридные.

На edge: всё, что критично к задержке (обнаружение вторжений, контроль СИЗ, падения), всё, что сильно нагружает канал при передаче без обработки (24/7-потоки высокого разрешения), всё, что связано с приватностью (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 обработки нескольких потоков на edge; NVIDIA L40 с 3×NVENC / 3×NVDEC для кодирования, декодирования и инференса в облаке; 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 используете эту платформу, переходите на Triton-он-Kubernetes уже сейчас.

Сравнение платформ видеоаналитики на базе ИИ: матрица 2026 года

В таблице ниже — вендоры VMS и аналитики, с которыми мы интегрировались или оценивали в клиентских проектах. Цены указаны по публичным прайс-листам; ваши договорные ставки могут отличаться.

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

Эталонная архитектура: что мы поставляем

Для распределённого предприятия с 500–5 000 камер вот тот проверенный стек, с которого мы начинаем. У каждого компонента есть один очевидный вариант по умолчанию и один очевидный путь для апгрейда.

Edge-уровень

• Камеры: ONVIF Profile S / T / M; H.265 по умолчанию, AV1 — там, где поддерживается (экономит ещё около 30% места на диске по сравнению с H.265).
• Edge-ускорители: Hailo-8 для одной камеры, Jetson Orin NX для обработки 4–8 потоков, Axis/Ambarella для предклассифицированных устройств.
• Edge-рантайм: DeepStream или Triton Edge, модели квантизованы в FP16/INT8 с помощью TensorRT.

Бэкбон

• Шина приёма событий: Kafka (или Redpanda); MQTT — для лёгкой 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/Веспа — для большего масштаба.
• Объектное хранилище: совместимое с S3 (AWS S3, Wasabi, Backblaze B2) с правилами жизненного цикла для архивирования в Glacier или Deep Archive.
• Наблюдаемость: Prometheus + Grafana для мониторинга 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 снижает это до 4–6 Мбит/с; AV1 экономит ещё ~30–40% по сравнению с 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 учёта снимков и метаданных аналитики.

Паттерн многоуровневого хранения, который мы используем по умолчанию: горячий уровень (SSD или быстрый S3) — данные за последние 7–30 дней, тёплый — до 90 дней, холодный архив (Glacier / Deep Archive / Backblaze B2) — на весь оставшийся срок хранения. При правильной настройке холодный уровень обходится примерно в 0,15 ₽ за ГБ в месяц, и тогда расходы на хранение не превышают расходы на инференс.

Модель стоимости: во что реально обходится видеоаналитика на базе ИИ

Цифры ниже основаны на 500 камерах, 4K H.265, гибридной архитектуре edge + облако и 30-дневном горячем хранении. Используются реальные клиенты и провайдеры: Hetzner AX-серии для обучающих машин, AWS и 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/модули M.2, варианты Jetson Nano/Orin) с учётом амортизации, плюс небольшое потребление электроэнергии.
• Облачный инференс (кластер L40/Л40S): ~150 000–375 000 ₽ на агрегацию для 500 камер — цена зависит от используемой аналитики в облаке.
• Хранилище: ~300 000–675 000 ₽ за 1 ПБ горячего хранилища плюс многоуровневый архив по типичному облачному прайсу; на Hetzner/Backblaze в холодном уровне получится 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 ₽ с камеры в месяц по SaaS-модели.

Разовая кастомная разработка

Типичная кастомная платформа видеоаналитики на базе ИИ (8–12 видов аналитики, поддержка камер разных производителей, криминалистический поиск, ролевой доступ, журнал аудита) реализуется за 14–22 недели силами современной команды из 4–6 инженеров и одного специалиста по машинному обучению. Если вам называют сроки 18–24 месяца на тот же объём работ, оценка завышена.

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

ROI: что реально измеряют операторы

Опубликованные кейсы внедрения ИИ-аналитики снова и снова показывают одни и те же цифры:

• Снижение ложных срабатываний до 90% (в одном задокументированном внедрении доля ложных срабатываний снизилась с 85% до 16%).
• Время реакции на инцидент сократилось с ~4,2 до ~1,3 минуты (улучшение на 68%) после внедрения ИИ-маршрутизации оповещений.
• Криминалистический поиск сокращает многочасовой просмотр до нескольких секунд (зафиксированы 20-кратные ускорения).
• 86% конечных пользователей подтверждают окупаемость за 12–18 месяцев — за счёт предотвращения инцидентов, сокращения ложных выездов и экономии рабочего времени.
• Корпоративный кейс: 135 млн ₽+ экономии в год только за счёт сокращения 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 стандартные пороги от вендора. Половина проектов с ИИ-видео не достигает целевого ROI, потому что никто не контролирует обратную связь от исхода инцидента к настройке модели.

Мини-кейс: MindBox — ИИ-решение для управления видео в корпоративной среде

Ситуация. MindBox нужна была интеллектуальная VMS, способная распознавать лица, номерные знаки и отслеживать транспорт на уровне всей компании — в транспорте, фармацевтике и сфере безопасности. Не тысячи мелких пилотных проектов, а единая платформа, работающая одинаково везде.

Что мы сделали. Модульная ИИ-система видеонаблюдения с распознаванием лиц точностью 99,5%, ANPR, способная обрабатывать более 500 000 автомобилей в сутки, оповещения в реальном времени, ролевой доступ и удобный интерфейс криминалистического поиска, который упрощает расследования. Мы реализовали поддержку ONVIF и RTSP, чтобы система работала с оборудованием разных производителей, а не только одного бренда, и распределили нагрузку между edge-устройствами и облаком: основная аналитика выполняется рядом с камерой, а в облако передаются только метаданные.

Результат. Более 50 развёртываний в транспорте, фармацевтике и сфере безопасности. Одна универсальная платформа используется повторно; интеграторы настраивают правила и отчёты, не изменяя 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. Разметка bounding-box стоит 2–75 ₽ за объект, семантические маски — 3–225 ₽. Аннотирование может занять до 80% бюджета проекта по созданию кастомной модели, особенно если нужна многоуровневая проверка. Учитывайте это заранее или сразу используйте синтетические данные и active learning.

2. Игнорирование «гигиены» камер. Контровой свет, грязь на объективе, ИК-обрезка, артефакты rolling shutter и шум кодека снижают точность сильнее, чем любой выбор модели. Для каждого проекта 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 вызвал более 100 коллективных исков — мировые соглашения на миллионы долларов (Aura Frames — 139 млн ₽; дело о моделировании лиц учащихся — 656 млн ₽). Всегда требуйте письменного согласия, ограничьте срок хранения данных и обеспечьте простой способ отозвать согласие — это касается Иллинойса, Техаса, Вашингтона и теперь ЕС.

4. Игнорирование дрейфа модели. Смена сезонов, обновление формы, новые прошивки камер, постепенные изменения в движении транспорта — всё это влияет на точность и полноту работы системы. С самого начала заложите ежемесячную проверку дрейфа и переобучение модели раз в квартал.

5. Пренебрежение UX оператора. Лучший в мире детектор бесполезен, если оператор безопасности не может быстро сортировать оповещения или интуитивно искать нужные записи. Средняя модель с отличным интерфейсом для оператора каждый раз обгоняет передовые модели с типовой системой видеонаблюдения.

KPI: как понять, что система работает

KPI качества. Точность по каждой аналитике (не менее 95% для обнаружения вторжений, не менее 97% для распознавания лиц в контролируемых условиях), полнота (не менее 90% для критических оповещений) и не более одного ложного срабатывания на камеру в неделю после настройки. Оценивайте показатели по каждой камере и каждому объекту отдельно — общие средние значения могут скрывать три проблемные камеры, которые дают 80% лишнего шума.

Бизнес-метрики. Среднее время до обнаружения (MTTD), среднее время до реакции (MTTR), количество действий оператора в час, предотвращённые и задокументированные инциденты, сэкономленные средства на ложных выездах, влияние на страховую премию. На практике стабильно работают именно MTTR и сокращение ложных выездов.

KPI надёжности. Доступность камер (цель — не менее 99,5%), качество потока (FPS, дрейф битрейта, потери пакетов), heartbeat edge-узлов, p99 задержки инференса (менее 250 мс для аналитики оповещений) и еженедельные тесты целостности журнала аудита. Если p99 задержки при реальных оповещениях превышает 500 мс, маршрутизация инцидентов на практике не работает, даже если дашборд выглядит нормально.

Безопасность, приватность и соответствие: правила игры в 2026 году

EU AI Act. Вступает в силу с февраля 2025 года: запрещает сбор изображений лиц с камер видеонаблюдения без цели и ограничивает использование удалённой биометрической идентификации в реальном времени правоохранительными органами. Требования к высокорисковому ИИ начнут действовать с августа 2026 года, штрафы — до €35 млн или 7% от мирового оборота. Если вы работаете на европейском рынке, воспринимайте классификации рисков из этого закона как часть требований к продукту, а не как формальность.

GDPR для видеонаблюдения. Требуется законное основание, информационные таблички, ограничение цели, сроки хранения, права субъектов данных и резидентность данных. Защищаемая позиция: сокращайте срок хранения до минимума, необходимого для работы, по умолчанию заменяйте идентификационные данные на псевдонимы и храните персональные данные граждан ЕС только в регионах ЕС — с самого начала и 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 используете аналитику по лицам, отпечаткам пальцев или радужной оболочке глаза, письменное согласие и чётко задокументированные сроки хранения данных — это обязательные условия, а не предмет переговоров.

Управление данными. Шифруйте данные при передаче и в состоянии покоя; заменяйте идентификаторы токенами; раз в квартал проверяйте детекторы лиц и пешеходов на наличие смещения (bias); ведите неизменяемый журнал всех оповещений, поисков и экспортов.

Когда видеоаналитику на базе ИИ внедрять НЕ стоит

Если у вас меньше ~20 камер на объекте, современный NVR со встроенной аналитикой обычно выгоднее кастомного ИИ-решения по совокупной стоимости владения. Если главная цель — зафиксировать события для подтверждения ответственности, а не оперативно реагировать на инциденты, надёжная запись и хранение данных всегда важнее ИИ. И если у вас нет отработанного процесса обработки оповещений — диспетчеризации, эскалации, анализа — новые уведомления только вызовут усталость от ложных тревог. Сначала настройте процесс, потом добавляйте оповещения.

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 соблюдению требований (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 сложного анализа на границе сети. Оптическая связь на каждом объекте позволяет по умолчанию передавать данные в облако.

Q4. Есть ли у вас операционный процесс? Если нет процесса дежурства и диспетчеризации — начните с него. Аналитика без операционной поддержки превращается в усталость от ложных тревог, даже если всё красиво оформлено.

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

Playbook внедрения: 14-недельный путь

Куда движется видеоаналитика на базе ИИ в 2026–2027 годах

Детекция по открытому словарю становится мейнстримом. Модели вроде Grounding DINO и YOLO-World позволяют оператору ввести запрос «жёлтый погрузчик на полосе 3» и сразу получить результат — без необходимости обучать отдельный класс. Это сокращает расходы на кастомные модели для редких, «длиннохвостых» задач на 60–80%.

LLM-ассистированный криминалистический поиск. Мультимодальные LLM будут превращать часы записей в понятную хронологию («в 14:07 грузовик заехал на полосу 2, выгрузил 8 палет за 42 минуты и уехал в 14:49»). Расследования, которые раньше занимали часы, теперь займут минуты. Новый навык — уметь писать точные запросы, чтобы быстро находить нужную информацию, а не просматривать таймлайны вручную.

Edge-ускорители в каждой камере. Поколение Hailo-8 / Ambarella CV5 / Axis ARTPEC означает, что к 2027 году по умолчанию станет «искусственный интеллект внутри камеры», а облако останется лишь для сбора данных. Одновременно улучшаются объём хранения, трафик и приватность.

FAQ

Насколько точна видеоаналитика на базе ИИ в реальных внедрениях?

В контролируемых условиях современные детекторы показывают точность не ниже 95% при обнаружении вторжений и СИЗ, около 95% при распознавании номеров на открытом воздухе (LPR) и более 97% при сопоставлении лиц. Реальная точность сильно зависит от расположения камер, освещения, настроек кодека и того, кто отвечает за переобучение модели — поэтому удобство работы оператора и организация процесса важнее выбора самой 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 работы с камерами разных производителей и базовой аналитики благодаря экосистеме плагинов. Кастомная платформа (или кастомная надстройка над XProtect) нужна, когда ваше конкурентное преимущество — в движке правил, интерфейсе оператора или управляемом потоке данных, которые экосистема плагинов не поддерживает.

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 снизить эту сумму 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 использование удалённой биометрической идентификации в реальном времени в общественных местах и запрещает сбор данных с камер видеонаблюдения без цели. В США в Иллинойсе (BIPA), Техасе (CUBI) и Вашингтоне требуют письменного согласия, ограничивают сроки хранения данных и обеспечивают чёткий способ отказа. Использование биометрии внутри компаний с согласия сотрудников и установленными сроками хранения — допустимо; наблюдение в общественных пространствах — нет, за исключением узкого круга случаев.

Сколько занимает развёртывание видеоаналитики на базе ИИ?

Облачные VMS (Verkada/Rhombus): от нескольких дней до нескольких 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 оборудование?

Камеры обычно менять не нужно — вы устанавливаете edge-устройство (Hailo-8 M.2-модуль, Jetson Orin NX или даже хороший мини-ПК с GPU), которое получает RTSP-поток с существующих камер и запускает на нём YOLO. Основная стоимость — это 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), количество 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 действительно снижает число инцидентов?

Видеоаналитика на базе ИИ больше не научный эксперимент — это зрелая технология с надёжными детекторами, реальными показателями окупаемости, устоявшимися вендорами и опубликованной правовой картой соответствия. Теперь вопрос не в том, внедрять ли её вообще, а в том, какую аналитику запустить, на каком оборудовании, по каким правилам и в составе какой VMS.

Фора Софт разработала полный спектр решений — от SaaS-платформы V. A. L. T, обслуживающей более 770 организаций, до корпоративных ИИ-систем видеонаблюдения уровня MindBox с точностью распознавания лиц 99,5% и обработкой до 500 000 номеров в сутки. Мы поможем вам выбрать оптимальное решение для вашего парка ещё до подписания контракта — с кем бы то ни было, включая нас.