За четыре года индустрия видеонаблюдения с ИИ совершила тихий, но радикальный скачок. То, что раньше требовало серверных GPU и команд разработчиков, сегодня работает на коробке за $249. А главное — изменилась сама логика построения систем: теперь вы не обучаете детектор «оставленной сумке», а просто пишете текстовый запрос.

Ниже — три ключевых изменения, эталонный конвейер 2026 года, экономика edge‑против‑облака и честные советы, как не купить «кота в мешке».

YOLO v11 на Jetson Orin Nano Super (всего $249) выдает **>30 FPS в 1080p** с mAP ~50. Два года назад такие показатели были доступны только на дискретной видеокарте. Благодаря этому AI-анализ переехал на периферию.

Алгоритмы ByteTrack и BotSORT преодолели психологический барьер: теперь многообъектное отслеживание надёжно работает в магазинах, аэропортах и на стадионах, даже при сильных перекрытиях.

Вместо того чтобы собирать датасет и обучать классификатор для сценария «кто-то оставил рюкзак», вы пишете запрос на естественном языке. Это меняет подход к обнаружению аномалий — от программирования к описанию.

- Камеры всё ещё работают по RTSP/ONVIF.

- У клиентов полно устаревших систем, интеграторы по-прежнему зарабатывают и теряют деньги на ложных срабатываниях.

Каждая промышленная система, которую разворачивают, состоит из пяти одинаковых этапов. Реализация варьируется, но структура — нет.

Большинство IP-камер используют RTSP и ONVIF (профиль S/T для PTZ). Современные веб-диспетчерские всё чаще применяют WebRTC — задержка <500 мс. Для Азиатско-Тихоокеанского региона обязателен стандарт GB/T 28181.

На этом этапе закладывается логика переподключения, backpressure и метрики здоровья потока. Скучно? Да. Но именно из-за кривого NAL-модуля падают системы с 500 камерами.

По умолчанию — YOLO v11:

- Nano: 39.5 mAP, 1.55 мс (TensorRT, T4), идеален для Jetson Orin Nano Super.

- XL: 54.7 mAP на COCO — когда точность важнее скорости.

Для плотных сцен и мелких объектов лучше RT-DETR или DINO, но они в 2–4 раза прожорливее.

Для задач типа «огонь, дым, каска, оружие» — дообучаете YOLO на 5–15 тыс. изображений из домена.

ByteTrack — выбор по умолчанию: 77.3% MOTA на MOT17, >170 FPS на обычном GPU, не требует ReID-модели.

BotSORT — добавляет лёгкую ReID и даёт +2–4% MOTA в толпе. Стадионы, аэропорты.

StrongSORT — когда нужно криминалистическое качество и переключение между камерами (терпим задержку).

Обнаружения и треки — это ещё не события. Их превращает в алерт этап рассуждения.

- Низкий риск → механизм правил (зона + время + класс).

- Средний риск → модель аномалий (обучена на UCF-Crime, ShanghaiTech).

- Высокий риск → VLM (Qwen2-VL, Florence-2, Gemini) отвечает на вопросы на естественном языке: «Кто-то лежит в проходе?» и выдаёт краткое проверяемое обоснование. Это требование Закона ЕС об ИИ — никаких «чёрных ящиков».

UI оператора — это и есть продукт. Push-уведомления, параллельное видео, ранжирование по серьёзности и кнопка «Ложное срабатывание» — с обратной связью, которая дообучает модель.

API для интеграции с SIEM/SOC (Splunk, QRadar, Sentinel) и стратегия хранения, соблюдающая local data laws

Слово «аномалия» — это большая мусорная корзина. В промышленной системе 2026 года оно распадается на пять конкретных типов:

1. Аномалии объектов— машина в пешеходной зоне, бесхозная сумка >90 сек. Детекция+ правила.

2. Аномалии поведения — длительная неподвижность, толпа, бег, драка, падение. Модели действий (SlowFast, MViT) или VLM с промптом.

3. Аномалии траектории — движение против эскалатора, странный маршрут по складу. Трекер + модель траектории.

4. Сценарные аномалии — пожар, дым, потоп, разбитое стекло. Специализированные классификаторы.

5. Нарушение правил — отсутствие СИЗ, реверс в запретной зоне, доступ после 20:00. Детектор + контекст идентификации.

Если поставщик говорит «мы детектируем аномалии», но не уточняет, какие из пяти — он продаёт демо, а не продукт.

Примерно 60% корпоративных парков не поддерживают ONVIF или используют RTSP с вендорскими расширениями. «Выбросить всё» — нереалистично.

- Мостовой шлюз — маленький Linux-сервер на объекте, который переэкспортирует legacy-потоки в ONVIF/RTSP для AI-стека.

- Библиотека зондов PTZ — для старых Hikvision, Axis, Pelco, Panasonic, Bosch (разовая инвестиция окупается).

- Нормализация FPS — старые аналоги дают 6–12 FPS, а трекингу нужно 10–15. Интерполяция или подстройка порогов.

- Постепенная замена — 20% камер в год по приоритету (возраст + важность).

- Розница — сокращение потерь (ORC, self-checkout фрод), очереди, планограммы. ROI 6–9 мес.

- Производство — СИЗ, зоны без автопогрузчиков, заторы на линии, эргономика.

- Транспорт и логистика — забытые предметы, двор склада, порт, простой техники.

- Здравоохранение — падения в палатах, контроль доступа, детекция потока посетителей

- Безопасность и правопорядок — центры защиты детей, комнаты допросов.

- Умные здания — парковка, ночные доступы, occupancy planning.

Сегодня AI-видеонаблюдение — это инженерия данных, выбор правильного трекера, экономика edge и понятность пользователю. Победители — те, кто перешёл от «у нас есть нейросеть» к честным цифрам, времени обнаружения и стоимости обработанного события.

Если вы строите новую систему — начинайте с таксономии аномалий и пилота на 10 камерах. Если выбираете вендора — требуйте ответы по edge-развёртыванию. И помните: качество вашей модели определяется не архитектурой, а стратегией работы с данными.

Источник: https://www.forasoft.com/blog/article/ai-video-surveillance

Современные системы видеонаблюдения с ИИ значительно улучшают мониторинг и безопасность благодаря компьютерному зрению и машинному обучению. Они превосходят традиционные решения, что подтверждается проектами типа «Безопасный город».

Китай лидирует в этой области благодаря господдержке, обеспечивая высокую безопасность. Видеоаналитика снижает ложные срабатывания и улучшает анализ в реальном времени. Однако, внедрение требует нормативного регулирования для защиты личной неприкосновенности, а также значительных финансовых затрат и обучения персонала.

Успешные проекты интегрируют новые системы с существующими, анализируя поведенческие модели для предотвращения инцидентов. ИИ-системы применяются на промышленных и коммерческих объектах для анализа потоков людей и контроля доступа.

Преимущества ИИ в видеонаблюдении включают анализ видео в реальном времени, быструю идентификацию угроз, высокую точность распознавания, масштабируемость и проактивную защиту. Недостатки включают высокую стоимость внедрения, сложность интеграции, опасения по поводу конфиденциальности данных, зависимость от технологий и возможные сбои, а также проблемы с качеством данных. Необходимо учитывать все аспекты для достижения баланса между эффективностью, безопасностью и соблюдением прав граждан.

В системах видеонаблюдения алгоритмы анализа видеопотока, такие, как детекция Кэнни, автоматическая калибровка камер и методы глубокого обучения, используются для детекции объектов, распознавания движений и прогнозирования нештатных ситуаций. Разрабатывается алгоритм распознавания нештатных ситуаций на основе вероятностных оценок.

Системы распознавания лиц, основанные на PCA и CNN, демонстрируют высокую точность, но требуют учета этических и правовых норм. Реализация подобных систем, например, в московском метрополитене, показала эффективность в выявлении правонарушений.

Анализ поведения с помощью ИИ автоматизирует анализ видеопотока, выявляя аномальные паттерны поведения и позволяя оперативно реагировать на угрозы. ИИ используется в аэропортах и на массовых мероприятиях для выявления подозрительного поведения. Ученые исследуют взаимосвязь между психологией и технологиями ИИ для анализа эмоциональных и социальных аспектов поведения. Интеграция ИИ в видеонаблюдение требует контроля и интеграции с другими источниками данных.

Системы видеонаблюдения с ИИ значительно превосходят традиционные системы благодаря глубокому анализу видео, распознаванию объектов и прогнозированию угроз. ИИ идентифицирует лица даже в сложных условиях и интегрируется с другими системами безопасности для оперативного реагирования. Однако, внедрение ИИ требует модернизации оборудования и адаптации алгоритмов. Преимуществом является снижение ложных тревог, особенно в местах с высокой проходимостью. Использование библиотек, таких как OpenCV, делает ИИ доступным для широкого круга пользователей. Внедрение ИИ требует комплексного подхода для оптимального сочетания функционала и затрат.

ИИ активно применяется в видеонаблюдении, особенно в компьютерном зрении (распознавание объектов, лиц, номеров), поддержке правоохранительных органов (анализ видео, выявление закономерностей), автоматизации задач (идентификация людей, определение необычного поведения) и совершенствовании существующих систем. Важно учитывать риски, такие как ложные срабатывания и вопросы конфиденциальности.

Внедрение ИИ в видеонаблюдение требует решения проблем, связанных с высокой нагрузкой информации и необходимостью адаптации к конкретным условиям. Важны нейросетевые системы для эффективной обработки видеопотоков и уменьшения ложных срабатываний. Необходимо правовое регулирование вопросов приватности и этических норм, а также стандартизация подходов к интеграции. Важны вычислительные мощности и оптимизация алгоритмов для эффективной работы на доступном оборудовании.

Интеграция ИИ в видеонаблюдение требует создания эффективных автоматизированных систем, способных работать в реальном времени и интегрироваться с существующими решениями. Важны интеллектуальные функции (распознавание лиц, номеров) и нейросетевые подходы с учетом вычислительных ресурсов. ИИ может повысить безопасность дорожного движения и минимизировать ДТП в умных городах. Преимущества включают повышение эффективности анализа данных, снижение ложных срабатываний и предиктивную аналитику. Необходимо учитывать нормы безопасности данных и конфиденциальности.

На основе проведённого анализа можно сделать следующие обобщающие выводы: Современные системы видеонаблюдения, интегрирующие технологии ИИ (в частности, глубокое обучение, компьютерное зрение и предиктивную аналитику), обеспечивают качественный скачок в возможностях безопасности и мониторинга, переходя от пассивной записи к активному анализу видеопотока в реальном времени, автоматическому распознаванию объектов, лиц, аномалий поведения и прогнозированию инцидентов, что существенно повышает эффективность (например, в проектах «Безопасный город», транспортных узлах или ритейле) и снижает уровень ложных срабатываний.

Однако, их внедрение сопряжено со значительными инфраструктурными и финансовыми затратами на модернизацию оборудования, обеспечение необходимых вычислительных мощностей (включая edge computing) и обучение персонала, а также с рядом технологических вызовов, таких как зависимость от качества данных, сложность адаптации алгоритмов к изменчивым условиям, проблемы «черного ящика» и уязвимость к состязательным атакам.

Критически важным аспектом является необходимость строгого правового регулирования и соблюдения этических норм для защиты приватности граждан, предотвращения злоупотреблений биометрическими данными и обеспечения прозрачности, что требует развития Privacy-Enhancing Technologies (PETs) и принципов «ИИ по замыслу».

Широкое применение ИИ-видеоаналитики выходит за рамки традиционной безопасности, находя применение в оптимизации бизнес-процессов, управлении городской средой и эпидемиологическом контроле. Успешная и устойчивая интеграция этих технологий возможна только при комплексном подходе, балансирующем технологические инновации (гибридные архитектуры, энергоэффективные модели), экономическую целесообразность, адаптацию нормативной базы и учет социальных ожиданий для достижения оптимального соотношения между повышением общественной безопасности и защитой фундаментальных прав личности.

Источник: https://apni.ru/article/12561-primenenie-iskusstvennogo-intellekta-v-videonablyudenii

К 2030 г. объем мирового рынка систем видеонаблюдения достигнет $147,66 млрд против $73,75 млрд в 2024 г., прогнозируют аналитики Grand View Research. «Искусственный интеллект и машинное обучение произвели революцию на рынке, создав интеллектуальные решения для видеонаблюдения, способные распознавать лица и обнаруживать угрозы в режиме реального времени», – отмечается в исследовании.

Один из крупнейших сегментов рынка – видеонаблюдение в городах. По оценке Mordor Intelligence, его объем достигнет $14,40 млрд в 2025 г. и, по прогнозам, будет увеличиваться на 8,5% ежегодно до $21,65 млрд к 2030 г. «Муниципалитеты среднего размера теперь оправдывают капитальные затраты за счет ощутимого снижения уровня преступности, сокращения времени реагирования на инциденты и новых источников дохода от борьбы с нарушениями правил дорожного движения», – отмечают исследователи из Mordor Intelligence. Например, платформа прогнозирования правонарушений, использующая 20 000 камер в городе Сан-Паулу (Бразилия), сократила количество правонарушений в контролируемых районах на 18%.

«Решения на основе компьютерного зрения в фокусе разработчиков по всему миру, это направление активно развивается и в России», – сказал генеральный директор группы компаний ЦРТ Дмитрий Дырмовский. «Отечественный рынок компьютерного зрения в перспективе пяти лет может расти в среднем на 15% и достичь 50 млрд руб.», – сообщил он. «Спрос со стороны госкомпаний и бюджетных организаций является одним из ключевых драйверов роста рынка, по итогам 2025 г. мы ожидаем его увеличения не менее чем на 25%», – отметил гендиректор «ТМТ Консалтинга» Константин Анкилов. Действительно, одним из основных заказчиков выступает государство: в рамках фотовидеофиксации нарушения правил дорожного движения и АПК «Безопасный город» (межведомственная аппаратно-софтверная платформа для реагирования на кризисные ситуации, работающая во всех регионах РФ) работают около 1 млн камер.

Россия находится на третьем месте в мире по количеству камер видеонаблюдения, уступая только США и Китаю, также РФ находится в тройке по темпам роста сектора, отмечает гендиректор Telecom Daily Денис Кусков. «В отличие от ситуации трех–четырехлетней давности, сейчас подавляющее число решений поставляется с функцией видеоаналитики, используется искусственный интеллект. Ключевыми потребителями являются государственные структуры, устанавливающие решения по видеонаблюдению в рамках проектов умного города», – говорит Кусков. Доля отечественных решений на российском рынке видеоаналитики достигает 80%, заявлял в интервью Cnews заместитель президента «Ростелекома» Валерий Ермаков. Он также отмечал, что безусловный тренд – растущий интерес к решениям, использующим технологии ИИ и облачную видеоаналитику.

Видеоаналитика активно используется в АПК «Безопасный город». В Санкт-Петербурге установлено более 110 000 камер. «С помощью видеоаналитики мы фиксируем большой спектр нарушений в сфере жилищно-коммунального хозяйства и благоустройства, незаконную уличную торговлю, следим за безопасностью на детских площадках и защищаем городские памятники от вандалов», – сообщили «Ведомостям. Инновации и технологии» в пресс-службе Городского мониторингового центра (ГМЦ) Санкт-Петербурга. Там добавили, что у части городских камер есть функционал распознавания лиц, который задействован в профилактике правонарушений и обеспечении порядка. По данным ГУ МВД РФ по Санкт-Петербургу и Ленинградской области, с начала года с помощью ресурсов АПК «Безопасный город» раскрыто почти 1500 правонарушений.

По словам министра цифрового развития и искусственного интеллекта Липецкой области Станислава Корниенко, ИИ становится ключевым инструментом совершенствования систем управления, в том числе в сфере общественной безопасности. В регионе с 2019 г. развивается единая платформа видеоаналитики, объединяющая около 22 000 видеопотоков. Ее основой стала губернаторская программа «Безопасный двор», предполагающая установку камер в жилых кварталах и на социальных объектах. Сейчас к системе распознавания лиц «Визирь» подключено более 5500 камер – преимущественно на домофонах, остановках и общественных площадках, рассказал министр. По данным властей, около 68% правонарушений в регионе раскрываются с использованием записей с камер. «В планах – увеличение количества интегрированных камер до 25 000 и развитие комплексов детекции транспортных потоков», – уточнил Корниенко.

В Белгородской области тоже внедрена единая платформа видеонаблюдения, на основе технологий компьютерного зрения данные автоматически обрабатываются и анализируются, рассказали в правительстве региона. Там уточнили, что за 29 месяцев эксплуатации комплекса систем видеоаналитики с июня 2023 г. по ноябрь 2025 г. раскрыто 715 преступлений, задержано 100 человек, находившихся в федеральном розыске, обнаружено 43 лица, разыскиваемых ФСИН, и найдено 226 человек, пропавших без вести. В планах властей региона – масштабирование системы на все муниципальные образования области.

В Мурманской области, где действует собственная региональная система видеонаблюдения, также отмечают рост эффективности таких решений. «На территории региона используется информационная система «Система общественного видеонаблюдения и аналитики Мурманской области» (ИС «СОВА»), созданная в 2022 г.», – рассказал начальник отдела связи и информационной безопасности министерства цифрового развития Мурманской области Роман Булатов. По его словам, за время эксплуатации в единую систему интегрировано более 8000 камер, 654 из них установлены с начала 2025 г. С их помощью осуществляется наружное видеонаблюдение на дорогах, контролируется безопасность во дворах, школах и на объектах строительства.

Булатов отметил, что ИС «Сова» уже доказала эффективность: «За девять месяцев 2025 г. благодаря использованию камер системы раскрыто 223 преступления». Показатель растет: по данным управления МВД России по Мурманской области, в аналогичный период 2024 г. было раскрыто 191 преступление, в 2023 г. – 84. При этом, по словам Булатова, обеспечение безопасности – приоритетная, но не единственная задача видеонаблюдения. Сейчас власти субъекта готовятся к преобразованию ИС «СОВА» в государственную информационную систему общественного видеонаблюдения и аналитики «Безопасный регион».

Схожий подход развивают и в Курской области. В региональном комитете безопасности отмечают, что использование компьютерного зрения в составе АПК «Безопасный город» стало одним из ключевых инструментов повышения антитеррористической защищенности. Сейчас система обрабатывает около 3000 видеопотоков. «Использование системы «Визирь» позволяет перейти от простой фиксации правонарушений к их активной профилактике», – подчеркнули в комитете безопасности Курской области. До конца года в регионе планируют интегрировать еще около 2000 камер, из них 1000 – с возможностью распознавания лиц.

Видеоаналитику используют и на федеральной территории «Сириус». Как сообщили в администрации, здесь создана собственная версия АПК «Безопасный город», основанная исключительно на российских технологиях и интегрированная с решениями ПАО «Ростелеком», АО «Сфера» и группы компаний ЦРТ. В эксплуатацию введено 445 камер, до конца года планируется установка еще 52. С помощью системы уже удалось менее чем за 20 минут найти и вернуть домой пропавшего ребенка, а также выявить десятки административных правонарушений, включая незаконный сброс отходов, рассказал представитель администрации. По его словам, в планах – развитие аналитических алгоритмов, которые позволят не только фиксировать нарушения, но и формировать культуру неотвратимости наказания.

Гендиректор группы ЦРТ подтвердил, что системы «умной» видеоаналитики становятся все более востребованы. По его словам, например, система «Визирь» используется в 520 проектах – на 27 спортивных стадионах, 346 объектах транспортной инфраструктуры (в метро, на авто- и железнодорожных вокзалах), в 29 регионах страны работает в составе АПК «Безопасный город». «В 2025 г. мы завершили внедрение решения еще в пяти регионах страны. Масштабируемость позволяет использовать компьютерное зрение не только в аэропортах, метрополитенах, на предприятиях, но и на городском и региональном уровне, поскольку мы заложили возможность обработки данных с нескольких десятков тысяч камер в единой системе», – сказал Дырмовский.

Высокий спрос на «умную» видеоаналитику способствует росту числа и разнообразия решений, предлагаемых разработчиками. В сентябре 2025 г. «Ростелеком» представил свои решения в области видеоаналитики для российских регионов. Продукты позволяют анализировать поведение людей, обнаруживать запрещенные предметы, распознавать нарушения правил дорожного движения, сообщал разработчик.

Спрос на «умное» видеонаблюдение есть и за пределами госсектора. В сегменте коммерческих решений одна из главных тенденций рынка – переход к бесконтактному контролю доступа, то есть биометрическим турникетам. По данным британского аналитического агентства IHS Markit, в ближайшие пять лет доля такой продукции увеличится на 7%.

Такие решения развиваются и в России – у нас их называют системами контроля и управления доступом (СКУД). К примеру, решение «Визирь.СКУД» обеспечивает возможность прохода на предприятия и в бизнес-центры «по улыбке», без предъявления пропуска. Это в том числе позволяет исключить возможность подлога пропуска, подчеркнул Дырмовский. Он пояснил, что для разработчиков биометрических систем важно обеспечить соответствие решений новым требованиям законодательства, включая внедрение и оценку корректности встраивания средств криптографической защиты информации. Реагируя на запрос, мы открыли российскому рынку возможность внедрения биометрического прохода «по лицу», с помощью улыбки, в офисы, бизнес-центры, на предприятия. «Мы интегрировали биометрическую систему контроля и управления доступом «Визирь.СКУД» с биометрической системой «Сбера». Таким образом, «Визирь.СКУД» стал первым на рынке решением среди СКУД, которое полностью соответствует 572-му Федеральному закону», – отметил гендиректор ЦРТ.

Директор дивизиона «Биометрия» Сбербанка Олег Евсеев поясняет, что наравне с биометрическим сервисом «Сбера» «Оплата улыбкой» биометрический доступ по лицу позволяет сделать повседневную жизнь еще проще и комфортнее. «Например, «Визирь.СКУД» поможет больше не беспокоиться о забытом пропуске на работу или оставленной гостевой карте в фитнес-зал», – рассказал Евсеев. Решение «Визирь.СКУД» активно развивается через готовые API и расширение партнерской экосистемы и позволяет предоставить бизнесу повышенную безопасность, снижение операционных затрат и эффективный контроль доступа, добавил он.

Есть и другие примеры подобных проектов. В апреле 2025 г. курорт «Мрия» в Крыму первым среди российских курортов внедрил для туристов биометрию при заселении. А в мае в Москве запустили пилотный проект сервиса заселения в гостиницы по биометрии на основе решения компании «Мигом». Городские власти сообщали, что за счет технологии длительность процедуры регистрации в отелях сократилась с 5 минут до 20 секунд.

Компьютерное зрение широко используется в ритейле. X5 Group разработала систему «умных» камер, чтобы анализировать метрики, влияющие на клиентский опыт: они отслеживают трафик, образование очередей на кассах, заканчивающиеся товары на полках, а также предпочтения покупателей.

Согласно прогнозу Allied Market Research, рынок видеоаналитики с использованием искусственного интеллекта к 2034 г. вырастет до $42,2 млрд с $7,8 млрд в 2024 г.

Развиваются различные сценарии использования «умного» видеонаблюдения. К примеру, на Кольской АЭС работает система видеоанализа от концерна «Росэнергоатом», которая следит, чтобы сотрудники носили средства защиты и соблюдали технику безопасности. Она может выявлять 26 разных нарушений по 19 параметрам, сообщал производитель.

В «Северстали» решения на базе технологий компьютерного зрения и машинного обучения дают рекомендации по управлению промышленными агрегатами. «Экономический эффект в 2024 г. составил более 2 млрд руб. Из наиболее свежих примеров – решение, которое управляет технологической частью непрерывно-травильного агрегата № 4 ЧерМК. Благодаря ему производительность оборудования выросла на 4%», – уточнил руководитель центра искусственного интеллекта и машинного обучения «Северстали» Андрей Голов.

Источник: https://www.vedomosti.ru/technologies/trendsrub/articles/2025/12/01/1158674-menyayut-goroda-proizvodstva