Видеонаблюдение с ИИ под заказ в 2026: строить или покупать, архитектура и стоимость

Зачем Фора Софт написала этот гайд

Мы разрабатываем программное обеспечение для видеонаблюдения с 2005 года, а решения с поддержкой ИИ — с тех пор, как детекторы на свёрточных нейросетях стали эффективно работать на обычных GPU. Наш флагман — система видеонаблюдения V. A. L. T. — используется более чем в 450 организациях: полицейских участках, больницах и образовательных учреждениях. Она обрабатывает прямые потоки с IP-камер уровня Axis, обеспечивает чёткую систему прав доступа и автоматическое управление записью. Этот материал — то, что мы реально говорим клиенту на встрече по определению задач в понедельник утром.

Мы работаем по подходу Agent Engineering, поэтому наши сеньоры запускают ИИ-агентов параллельно по аналитике, интеграции с VMS, edge-деплою и маршрутизации алертов. Это сокращает классический rollout на 50 камер с 5–7 месяцев до 3–4 месяцев при том же уровне качества.

Статья делает четыре вещи: помещает видеонаблюдение с ИИ в контекст 2026 года, разбирает реальный выбор «построить или купить», честно оценивает операционные расходы и предлагает фреймворк для принятия решений, чтобы ваш следующий security RFP получился короче предыдущего.

Что изменилось в видеонаблюдении между 2020 и 2026

Три сдвига превратили «CCTV» в «видеонаблюдение с ИИ». Системы, под которые писали RFP в 2020 году, — не те, что заказчики просят сегодня.

1. От движения — к смыслу. Детекция движения засыпала диспетчеров ложными срабатываниями. Современные модели в реальном времени распознают объекты (человек, машина, рюкзак, оружие), поведение (бездельное шатание, бег, падение) и контекст (плотность толпы, наличие СИЗ, совпадение по номеру).

2. Вычисления ушли на edge. NVIDIA Jetson, Google Coral и скромные мини-ПК сегодня справляются с инференсом уровня YOLO на 10 FPS по 4K-потокам прямо у камеры. Итог: задержка ниже 50 мс, трафик в сеть сокращается на 60–80%, а сырое видео не покидает устройство — что в ряде юрисдикций имеет критическое значение с точки зрения законодательства.

3. Регулирование ужесточилось. EU AI Act (вступил в силу 2 февраля 2025) относит большую часть биометрического наблюдения к высокому риску или к запрещённым практикам. BIPA, CCPA и обновлённый COPPA действуют параллельно с GDPR. Теперь требования к соответствию влияют на архитектуру систем, а не ограничиваются только документами.

Рынок видеонаблюдения с ИИ в 2026 году

Аналитические агентства расходятся в точных цифрах, но направление ясно: рынок видеонаблюдения с ИИ к 2026 году достигнет 450–675 млрд ₽ и будет расти со среднегодовым темпом 21–30% до 2030 года. Наибольшую долю занимает ритейл — около 22% бюджета. Быстрее всего развиваются производство и логистика, а крупные публичные проекты — smart cities и критическая инфраструктура — формируют значительный спрос.

Три сигнала, на которые стоит реагировать:

• На облако приходится 59% внедрений, но edge и гибрид — самый быстрорастущий сегмент: в чувствительных к задержкам сферах (заводы, транспорт, медицина) отправлять данные на облачную аналитику по сети уже нецелесообразно.
• Ритейл-аналитика превратилась из статьи расходов в источник дохода. Тепловые карты, конверсия и время пребывания покупателей теперь продаются как часть маркетинговых бюджетов — и вдвое усиливают бизнес-обоснование внедрения ИИ на уже установленных камерах.
• Операционные KPI важнее «метрик для презентаций». Заказчик смотрит на среднее время до алерта, снижение ложных срабатываний и усталость операторов — а не на мегапиксели. Ваш питч должен звучать так же.

Ключевые ИИ-функции, которые реально работают

Выберите четыре или пять моделей, релевантных вашей сфере. Складывать модели стопкой не повысит точность — только усилит усталость от уведомлений.

Детекция объектов и людей

Сегодня по умолчанию используют YOLO v8/11 и RetinaNet. При хорошей настройке они показывают точность (precision) выше 85% и полноту (recall) выше 90% по классам «человек» и «транспорт» в типичных сценах видеонаблюдения. В школах, банках и транспортных узлах дополнительно включают распознавание оружия — пистолета, ножа и длинноствольного оружия.

Детекция поведения и аномалий

Гибриды CNN + RNN, vision-language энкодеры или слаборазмеченные MIL-классификаторы распознают шатание, падения, драки и выход в запрещённую зону — при минимальной разметке кадров.

Распознавание лиц (с осторожностью)

Лучшие алгоритмы в бенчмарке NIST FIVE 2024 показывают менее 0,15% ложноотрицательных срабатываний — однако демографическое смещение (bias) существует: разброс ошибок между подгруппами необходимо регулярно проверять. Согласно EU AI Act, распознавание лиц в общественных местах относится к высокому уровню риска и в некоторых случаях прямо запрещено. Применяйте технологии только при наличии законных оснований и настраивайте пороги отдельно для разных демографических групп.

Распознавание автомобильных номеров (ANPR)

Edge-ANPR на массовом железе уровня Jetson Nano уверенно распознаёт номера при скорости 30–40 км/ч. Применения: парковки, логистические площадки, въезды в школы, сбор платы с небольшого потока транспорта.

СИЗ и охрана труда

Детекция касок, жилетов, масок, перчаток и страховочных систем в реальном времени — для строительства, производства, пищевой промышленности и здравоохранения. Обычно это решение с самым высоким ROI на промышленных объектах: оно напрямую даёт измеримые метрики безопасности труда.

Аналитика толпы и тепловые карты

Плотность толпы, длина очереди, время пребывания. Продаётся дважды — службе безопасности (предотвращение давки) и отделу операций с маркетингом (планировка магазина, расстановка персонала).

Вторжение и виртуальные периметры

Многоугольники-геофенсы поверх кадра, срабатывающие при обнаружении определённого объекта (например, вошёл человек или проехала машина). Точнее, чем ИК-датчики или детекторы движения, и легко настраиваются под каждую смену.

Эталонная архитектура: edge, VMS, облако

В любом продакшен-стеке видеонаблюдения с ИИ, который мы поставляем, всегда четыре компонента:

• Плоскость камер. IP-камеры по ONVIF/RTSP — Axis, Hanwha, Hikvision, Dahua или те, что уже установлены у заказчика. Желательно использовать H.265 и двойной поток: аналитика работает с 720p, а запись ведётся в 4K.
• Плоскость edge-вычислений. Jetson Orin Nano / NX / AGX или Coral TPU, один блок на 4–16 камер. Обрабатывает детекцию объектов, оценку позы и распознавание номеров с частотой 10–30 кадров в секунду при энергопотреблении 15–60 Вт.
• Плоскость VMS. Milestone XProtect, Genetec Security Center, Avigilon или Axxon Next — для коммерческих проектов; Frigate, Shinobi или ZoneMinder — для open source. Обеспечивает хранение, воспроизведение, управление ролями и маршрутизацию событий.
• Облачная плоскость. Обучение моделей, анализ нескольких объектов, хранение данных на долгий срок, управление несколькими клиентами. AWS Rekognition, Google Vertex AI Vision, Azure Video Indexer или собственный инференс на Kubernetes.

Склеивайте всё это шиной событий (MQTT, Kafka или NATS), структурированными логами в SIEM (Splunk, QRadar, Microsoft Sentinel) и слоем алертов, который маршрутизирует в SOC, СКУД и мобильные приложения.

Edge или облако: где должен жить инференс

Построить или купить: Verkada, Eagle Eye, Rhombus, Spot AI — или собственное решение

SaaS-платформы видеонаблюдения решили проблему «у меня 20 камер и нет ИТ-специалистов». Они не справятся с задачей «у меня 800 камер на шести объектах и нужна уникальная аналитика». Перед оплатой определите, к какой группе вы относитесь.

Приватность, соответствие требованиям и EU AI Act

Комплаенс — это теперь архитектурная особенность, а не просто пункт в конце документа. Ошибётся — проект не пройдёт закупку.

Практические примитивы privacy-by-design: размытие лиц до сохранения, дефолтный срок хранения 30 дней, изолированное хранилище по тенантам, DSR-пайплайн, неизменяемый журнал каждого инференса модели и регулярный аудит на bias. Всё это — более дешёвые архитектурные решения, чем судебные иски.

Модель стоимости: сколько реально стоит внедрение на 50, 500 и 5000 камер

Используйте цифры как ориентировочные значения, а не как гарантии. Операционные расходы составляют 60–70% от TCO за 5 лет — с этого показателя и начинайте презентацию для отдела закупок.

На 50 камерах SaaS обычно чуть выгоднее по TCO. На 500+ камер свой edge-стек с самохостингом VMS, как правило, на 30–50% дешевле SaaS за пять лет: облачные тарифы растут линейно, а оборудование для инференса амортизируется.

Мини-кейс: V. A. L. T. в 450+ организациях

V. A. L. T. — наша флагманская система видеонаблюдения, развёрнутая в более чем 450 организациях: полицейских участках, медицинских и образовательных учреждениях. Задача звучит просто, но реализовать её непросто: обеспечить прямой стриминг с нескольких IP-камер, идеальную синхронизацию аудио и видео, строгие ролевые права — такие, чтобы подходить для допросов в полиции и наблюдения за медицинскими тренингами, — и интерфейс, который оператор осваивает за полдня.

Решение собрано из ONVIF-камер уровня Axis, гибридных моделей CNN+RNN для обнаружения аномалий (пространственные признаки — по кадрам, временные — по последовательностям), open-source ядра VMS, автоматического планирования записи и редактора правил «по щелчку». ИИ-агенты в нашем пайплайне доставки сгенерировали около 60% обвязки сервисов, адаптеров интеграций и UI-компонентов параллельно с ревью сеньоров — благодаря этому функционал V. A. L. T. развивался быстрее, чем у сопоставимых проприетарных систем.

Результаты по всему парку: доставка уведомлений занимает менее секунды в локальных сетях, модель управления правами детерминирована и прошла аудит по стандартам CJIS, покрытие плановой записи превышает 99,9%, а число пользователей выросло с нескольких ведомств до 450+ организаций без необходимости переписывать систему.

Интеграции, которые часто встречаются в тендерах

Отличный аналитический движок, который не умеет взаимодействовать с остальным стеком безопасности, проигрывает в закупке. В каждом продакшен-проекте, который мы выпускаем, поддерживается минимум пять из этого списка:

• СКУД — Genetec, Brivo, LenelS2, SALTO (открытие двери при подтверждении личности).
• Сигнализация и обнаружение вторжения — Bosch, Honeywell, DSC через webhook или MQTT.
• Домофоны и IP-телефония — подключение SIP/РТП к системе видеонаблюдения, веб-хуки видеодомофонов.
• SIEM — Splunk, QRadar, Microsoft Sentinel с событиями в форматах CEF/JSON.
• Digital signage — отображение текущей заполняемости на основе аналитических событий с шины.
• BI/ERP — дашборды в Tableau и Power BI по тепловым картам, времени пребывания и недостачам.

ONVIF Profile S/Т — базовый стандарт; ONVIF Profile M уже разрабатывается для метаданных аналитики, и о нём стоит поинтересоваться у поставщиков уже сейчас.

Фреймворк решения — пять вопросов в пользу собственной разработки

Ответьте на них, прежде чем продлевать подписку на SaaS или запускать свой проект.

1. Сколько камер и сколько объектов? До 50 камер на одном-двух объектах SaaS почти всегда выгоднее. От 500 камер или в регулируемой отрасли математика начинает склоняться в сторону собственной разработки.

2. Где должно лежать сырое видео? Если требуется on-prem — жёсткое требование комплаенса (силовые структуры, медицина, отдельные госструктуры), cloud-first SaaS-решения не подходят.

3. Насколько уникальна ваша аналитика? Универсальная детекция людей и транспорта — это стандарт. А вот вертикальная логика — контроль маршрутов в больнице, отслеживание фишек в казино, борьба с потерями на заводе — стоит того, чтобы разрабатывать: SaaS-решения такого не предлагают.

4. Есть ли у вас SOC или дежурная команда безопасности? У собственной системы нужна «смотрящая» команда. Без неё важнее количество ложных срабатываний, чем точность. SaaS-решение с хорошими настройками по умолчанию может работать лучше, чем более точная собственная система, которую никто не настраивает.

5. Какой горизонт — на 5 лет? Цена у вендоров капитализируется. Если TCO SaaS за 5 лет превышает стоимость собственной разработки в два раза (распространённая ситуация при 500+ камерах), своя разработка выигрывает уже по одной арифметике.

Пять ловушек в проектах видеонаблюдения с ИИ

1. Запуск без bias-аудита. Детекторы лиц и людей, обученные на несбалансированных датасетах, в 10–100 раз чаще ошибаются на недопредставленных подгруппах. Перед выходом в продакшн проведите аудит FNIR/FPIR по подгруппам и повторяйте его раз в квартал.

2. Тюнинг ради точности с игнорированием усталости от алертов. 92% precision — это 8 ложных срабатываний на 100 событий. На 500 камерах SOC утонет. Настройте систему с учётом усталости оператора (наше рабочее правило — <5 алертов на камеру в день), опираясь на baseline с учётом сцены.

3. Сюрпризы по пропускной способности. 4K-камера на 30 FPS даёт нагрузку 8–16 Мбит/с. Сотня таких камер полностью загружает гигабитный канал. H.265, двойной поток и фильтрация на границе сети — не дополнительные опции, а обязательные элементы архитектуры.

4. Отдать архив видео SaaS-вендору. Заканчивается контракт — пропадает доступ к старым записям. С самого начала требуйте выгрузку в открытых форматах: это самый дешёвый способ застраховаться в договоре.

5. Пренебречь UX оператора. Сотрудник, который не может за три секунды отбросить, закрепить, просмотреть и поделиться алертом, перестанет пользоваться системой. Потратьте неделю на дизайн карточки алерта — она окупится месяцами роста adoption.

KPI, которые действительно важны

Качественные KPI. Точность детекции — не менее 85%, полнота — не менее 90% по целевым классам. Ошибка ложного нераспознавания лиц — менее 0,3%, при этом разница между демографическими группами не превышает 5 пунктов. Задержка срабатывания алерта — менее 500 мс на edge-устройствах и менее 2 секунд в облаке.

Бизнес-метрики. Среднее время до оповещения (MTTA) — менее 2 с от события до экрана SOC. Рост числа подтверждённых инцидентов — не менее 30% по сравнению с исходным уровнем при анализе только движения. Уровень усталости оператора от алертов — менее 5 значимых срабатываний на камеру в день. Динамика времени до закрытия инцидента — месяц к месяцу.

KPI надёжности. Доступность камер — не менее 99,5%, успешная запись — не менее 99,9%, восстановление по watchdog на edge-ноде — менее 60 с. Аудит целостности данных (цепочка хэшей по архиву) проходит на 100%.

Когда не стоит строить видеонаблюдение с ИИ под заказ

Иногда правильный ответ — заплатить SaaS-провайдеру. Мы отговариваем клиентов от собственной разработки, когда:

• До 50 камер, один объект. SaaS TCO и стоимость эксплуатации сложно превзойти.
• Нет команды безопасности. Управляемые сервисы предоставляют мониторинг, который вы не сможете организовать самостоятельно.
• Хватит универсальной аналитики. Если достаточно отслеживания движения, обнаружения людей и пересечения линии, собственная разработка на основе машинного обучения не нужна.
• Нужен запуск за 60 дней. Verkada или Rhombus укладываются в этот срок; собственная разработка — нет.

FAQ

Что почитать дальше

Готовы поднять уровень своей системы безопасности?

Современное видеонаблюдение с ИИ — это уже не столько про камеры, сколько про программное обеспечение между ними. Edge-обработка созрела, регулирование стало строже, и лидерами к 2026 году станут те, кто умеет сочетать эффективные модели с соблюдением требований и удобным интерфейсом для оператора, не перегружающим SOC. Будь то SaaS, собственная разработка или гибридная система — здесь не важен бренд камеры, а важны общие затраты и уровень рисков.

Если вы оцениваете объём работ, внедряете ИИ на уже установленные камеры или сталкиваетесь с застоем в реализации — следующий шаг — короткий созвон. Мы поможем вам сформировать понятную архитектуру, реалистичный бюджет и подготовим список из пяти решений, которые можно применить уже на этой неделе.