Детекция и классификация объектов на камерах

Это инженерное руководство, а не юридическая консультация. Уточняйте детали у квалифицированного юриста.

Кратко

Обнаружение объектов (детекция) – это аналитика, которая находит объекты в кадре камеры и рисует вокруг каждого размеченную рамку: «человек здесь, авто там, сумка в углу» – и это фундамент, на котором строится любая более сложная аналитика наблюдения. Именно она позволяет системе сказать «оповести меня, только когда человек зайдёт в этот двор после закрытия» вместо срабатывания на каждую тень, лист и фары, как старая детекция движения, – поэтому переход с движения на детекцию объектов обычно убирает 80–95% ложных тревог. Её точность – всегда диапазон precision/recall, а не одно число: real-time детекторы дают примерно 38–55% на строгом бенчмарке COCO, но в фиксированной, хорошо освещённой сцене рабочие precision и recall гораздо выше, так что честный вопрос – «как она работает в моей сцене», а не «это 99%?». Статья объясняет, что такое детекция и классификация, как каждое обнаружение становится событием для поиска внутри Video Management System через стандарт ONVIF Profile M, где идёт обработка и почему простое обнаружение человека или авто – не то же самое, что биометрическая идентификация.

Почему это важно

Если вы проектируете или покупаете систему наблюдения, «ИИ-детекция объектов» – функция, которая делает больше всего работы за наименьшие деньги, и при этом её чаще всего понимают неверно. Сделаете правильно – операторы перестанут тонуть в ложных тревогах, архив станет искабельным, а любая аналитика, которую вы добавите позже, получит надёжную опору. Сделаете неверно – не та установка камеры, детектор, настроенный под демо, а не под вашу погрузочную зону в 2 часа ночи, или одно «число точности» от вендора, принятое на веру, – и вы платите за это каждую ночь потоком тревог, которым никто не верит. Статья написана для системного интегратора, продакт-менеджера или руководителя эксплуатации, которому нужно грамотно описать требования к детекции и говорить о ней с инженерами, не зная, как устроена нейросеть внутри. Старший видеоинженер тоже найдёт точность и стандарты корректными; но в первую очередь текст служит неспециалисту.

Что такое «обнаружение объектов» – и чем оно отличается от классификации

Начнём с двух слов, которые путают, а зря: от их различия зависит, что вы вообще сможете построить.

Классификация изображения отвечает на один вопрос обо всём кадре: что это за картинка? Покажите ей кадр – она ответит «на этом изображении есть авто»: одна метка на весь кадр, без понимания, где авто и сколько их. Это простейшая форма компьютерного зрения, и сама по себе она для наблюдения почти бесполезна, потому что сцена камеры никогда не бывает «картинкой одного объекта».

Обнаружение объектов отвечает на более трудную и полезную пару вопросов сразу: какие объекты здесь и где каждый из них? Оно рисует рамку (прямоугольник) вокруг каждого интересующего объекта и присваивает каждой рамке метку класса: человек, легковая, грузовик, велосипед, сумка, животное. То есть детекция – это локализация (рамка) плюс классификация (метка), выполняемые для каждого объекта в кадре одновременно. Удобный способ запомнить: классификация метит фото; детекция метит объекты в фото и говорит, где они.

Это «где» и есть весь смысл для наблюдения. «В кадре есть человек» – слегка интересно; «человек внутри огороженной зоны, которую вы велели охранять, в этих координатах, в 02:14» – это тревога, на которую можно реагировать. Детекция превращает камеру из того, что записывает, в то, что замечает.

Нажмите, чтобы увеличить

От рамки к событию для поиска

Сама по себе рамка живёт и умирает в одном кадре видео. Ценность появляется, когда система превращает рамку в событие – маленькую типизированную запись с меткой времени: класс объекта, координаты рамки, оценка уверенности и иногда простой атрибут вроде цвета. Эта запись и делает систему наблюдения способной к оповещению (поднять уведомление сейчас) и искабельной (найти спустя месяцы). Камера производит пиксели; детекция производит события; события – это и есть продукт.

Для шага «становится событием» есть отраслевой стандарт, и это та часть, которой владеет именно курс по наблюдению, а не курс по ИИ. ONVIF – это общий язык, позволяющий камерам и софту разных производителей понимать друг друга, и один профиль ONVIF создан специально для аналитики. ONVIF Profile M стандартизирует общую классификацию объектов плюс метаданные для авто, автомобильного номера, лица и тела человека, а также интерфейсы событий, например для подсчёта объектов, – и позволяет этим метаданным идти внутри видеопотока, через сервис событий ONVIF или по MQTT, лёгкому протоколу обмена сообщениями, распространённому в системах подключённых устройств (ONVIF, Profile M, спец. v1.1). Важная для покупателя деталь: продукт с Profile M может быть камерой, локальным сервером или облачным сервисом, а потребитель – VMS, сетевым видеорегистратором (NVR) или облачным приложением, – так что один язык событий о классах объектов работает независимо от того, где прошла детекция (ONVIF). Рамки, точка центра тяжести, метки классов и простые атрибуты сериализуются как данные ONVIF «Scene Description», передаваемые с потоком.

Как всегда с ONVIF, совместимость – это базовый уровень, а не гарантия всех функций. Два продукта с Profile M надёжно обменяются стандартными событиями классификации объектов; но особый атрибут вендора – частный подкласс, проприетарная модель уверенности – всё ещё может потребовать его собственного SDK. Держите в голове отдельно «совместим с ONVIF» и «полнофункционален поверх ONVIF». Стандартный слой под этим – в статье события, метаданные и интерфейс аналитики ONVIF; коммерческий обзор того, как Profile M прекращает хаос мультивендорных метаданных, – в разборе Profile M от Фора Софт.

Нажмите, чтобы увеличить

Реальность точности: диапазон, а не число

Вот правило, на котором стоит весь раздел, применённое к детекции: точность – всегда диапазон, привязанный к сцене, свету, ракурсу и настройке, и она никогда не «100%». Это объясняют две идеи.

Первая – метрики. Качество детекции описывают тремя связанными числами. Precision – доля тревог детектора, которые реальны: если он отметил 100 «людей» и 90 действительно люди, precision = 90%. Recall – доля реальных объектов, которые он поймал: если прошло 100 людей, а он нашёл 75, recall = 75%. Они в компромиссе: повысите чувствительность – recall растёт, но precision падает (больше ложных меток); понизите – наоборот. Чтобы оценить детекторы одним числом, исследователи используют mean average precision (mAP) – она сворачивает precision и recall по порогам уверенности и классам объектов в одну цифру, оценивая, насколько хорошо предсказанная рамка перекрывает истинную; эта мера называется Intersection over Union (IoU) (Roboflow; Encord).

Вторая – сами числа, и почему низкая на вид оценка – не плохая новость. На стандартном академическом бенчмарке (набор COCO), при строгой настройке mAP@0.5:0.95, которая требует плотных рамок по 80 классам объектов и многим размерам, современные real-time детекторы попадают примерно в полосу 38–55%. Как конкретные примеры 2026 года: компактный YOLOv12-N даёт около 40,6% mAP при ~1,6 мс на кадр на тестовом GPU, а самый большой YOLOv12-X достигает около 55,2%, и трансформерные детекторы вроде RT-DETR/RF-DETR лежат на той же границе (YOLOv12, arXiv 2502.12524; Roboflow). Это звучит низко лишь потому, что бенчмарк намеренно суровый. В фиксированной сцене наблюдения, следящей за немногими классами (человек, авто) при известном свете, настроенный детектор достигает гораздо более высоких рабочих precision и recall – опубликованные работы по наблюдению сообщают mAP@0.5 около 96% для средних объектов и 85% для мелких после дообучения на кадрах сцены (ScienceDirect, 2025). Бенчмарк измеряет трудную общую задачу; ваша камера решает более лёгкую частную.

Честный вывод для покупателя: никогда не принимайте одно «99% точности». Требуйте precision и recall в ваших условиях – высота камеры, свет, размеры объектов, которые вам важны, – и спрашивайте, что происходит с мелкими или далёкими объектами, где детекторы испытывают наибольшие трудности.

Нажмите, чтобы увеличить

Почему детекция бьёт детекцию движения: математика ложных тревог

Самая весомая практическая причина любить детекцию объектов – то, что она делает с ложными тревогами. Технология, которую она заменяет, – классическая детекция движения – сравнивает пиксели между кадрами и срабатывает, когда достаточно их меняется. Она не отличит человека от качающейся ветки, кошки, тени облака или фар, скользящих по стене, – и срабатывает на всё это. По широко приводимым данным, традиционные системы по движению дают долю ложных тревог выше 90% (отраслевые анализы, 2026). Оператор, переставший верить тревогам, – это оператор, пропускающий настоящую; это и есть ключевой режим отказа наблюдения.

Детекция объектов чинит это фильтрацией по классу. Правило меняется с «оповести при изменении пикселей» на «оповести, когда здесь появится человек (или авто)» – а теней, листвы и погоды в этих классах просто нет. Вендоры и интеграторы сообщают, что переход с движения на ИИ-детекцию объектов убирает порядка 80–95% ложных тревог (несколько источников 2026). Это разница между потоком тревог, который человек способен смотреть, и тем, который он игнорирует.

Но – и это число решает, пригоден ли проект к работе – даже очень хороший детектор может утопить операторов, если объём достаточно велик. Немного арифметики показывает почему. Возьмём объект на 30 камер, который суммарно по всем камерам выдаёт около 100 000 кандидатных обнаружений в день (загруженный смешанный объект внутри/снаружи легко столько даёт). Допустим, детектор работает с долей ложных срабатываний 1% – цифра, которую вендор назвал бы «99% точности»:

ложные тревоги в день = 1% × 100 000 кандидатов = 1 000 ложных тревог.

Если число реальных событий, достойных реакции, скажем, 10 в день, операторы видят около 1 010 тревог, чтобы найти 10 значимых – так что precision, которую они реально ощущают, такова:

precision ≈ 10 реальных ÷ 1 010 всего ≈ 1%.

Детектор «99% точности» выдал поток тревог полезностью 1%. Это проблема базовой ставки, и именно поэтому раздел отказывается от фразы «100% точности»: в масштабе пригодность определяет не то, как часто детектор прав на одном кадре, а сколько ложных тревог доживает до человека. Решение – многослойная схема, которую делает возможной детекция: лёгкий дешёвый детектор фильтрует кандидатов, чтобы более тяжёлая аналитика и ваши операторы видели только немногие значимые. Как настроить этот ползунок – тема честного итогового разбора блока, настройка аналитики: ложные тревоги, точность и реальность оператора.

Нажмите, чтобы увеличить

Где идёт детекция и чего стоит в вычислениях

Полезное свойство детекции объектов – она достаточно лёгкая, чтобы идти на самой камере. Современные камеры наблюдения несут небольшой ИИ-чип – нейропроцессор, или NPU, измеряемый в триллионах операций в секунду (TOPS). Массовый кремний камер от вендоров вроде Ambarella, Hisilicon, Novatek и Rockchip даёт примерно 1–6 TOPS, чего хватает на квантованный (облегчённый) детектор при 15–30 кадрах в секунду на камере (отраслевой анализ, 2026). Грубая иерархия: детекция тела человека – самая лёгкая задача, классификация авто хочет около 2 TOPS и выше, а более богатая поведенческая аналитика хочет 3–4 TOPS и больше; чипы верхнего уровня теперь достигают 20–60+ TOPS для многопоточной или многоаналитичной работы.

У запуска детекции на камере – на уровне края (edge) – три следствия, которые покупателю стоит взвесить. Это держит задержку низкой (нет похода на сервер), резко режет трафик (камера шлёт крошечное событие, а не полный видеопоток, когда ничего не происходит) и оставляет сырое видео на устройстве, что дружелюбнее к приватности. Плата за это – модель на камере меньше и потому чуть менее точна, чем тяжёлая серверная, и вы ограничены аналитикой, которую тянет чип камеры. Где идёт аналитика – камера, локальный сервер или облако – это отдельное решение со своими задержкой, трафиком и приватностью, и оно подробно разобрано в статьях аналитика на краю против облака и edge-AI на камере. Эта статья владеет тем, что делает детекция и как она попадает в систему; те – тем, где.

Модель живёт в другом разделе – намеренно

Одна осознанная граница держит эту статью честной. Как устроен детектор – архитектура сети, обучающие данные, компромиссы точности на бюджет вычислений семейства YOLO, трансформерных и open-vocabulary детекторов – это территория нашего раздела AI for Video Engineering. Там разбирают инженерию модели. Эта статья по наблюдению владеет применением: как детекция подключается к камере, VMS и хранению и что она даёт на практике. Разделение намерений простое – тот раздел проектирует детектор; этот встраивает его в работающую систему наблюдения.

Чёткая граница: обнаружить человека – не значит опознать его

Это стоит сказать прямо. Детекция объектов, которая классифицирует рамку как «человек» или «авто», говорит вам, что там и какого рода, – она не говорит, кто. Она не строит шаблон лица и не читает номер. Сама по себе простая детекция человека или авто – поэтому аналитика низкого веса для приватности, и она, как правило, не является «биометрическими данными», которые GDPR ЕС относит к особой категории (GDPR ст. 9), и не биометрическая идентификация, ограниченная EU AI Act и иллинойсским законом о биометрической приватности (BIPA, 740 ILCS 14).

Две аналитики, построенные поверх детекции, эту границу переходят. Распознавание лиц измеряет лицо в числовой шаблон, чтобы ответить «это Личность X?», а распознавание автомобильных номеров читает номер в текст, привязанный к зарегистрированному владельцу, – обе это юридический барьер прежде, чем функция, и обе получают свои статьи: распознавание лиц в видеонаблюдении и разбор LPR, с полным правом в Блоке 6. Даже небиометрическая детекция может набрать вес для приватности, как только начинает питать трекинг и реидентификацию – слежение за одним человеком по камерам строит трассу перемещения даже без имени, – это тема статьи трекинг и реидентификация объектов. Чистое правило: детекция – фундамент; юридический барьер стоит у аналитик, которые превращают «человека» в «этого человека». Это инженерное руководство, а не юридическая консультация.

Нажмите, чтобы увеличить

Детекция вкратце

Таблица 1. Классификация, детекция и детекция-плюс-трекинг по тому, что важно покупателю. Детекция – строка, на которой держится бóльшая часть ценности наблюдения; трекинг (статья 4.3) и биометрические аналитики (4.4, 4.5) надстраиваются над ней.

Распространённая ошибка

Самый дорогой паттерн, что мы видим, – описывать требования к детекции одним числом точности из даташита вместо precision и recall в реальной сцене. «99%» вендора где-то измерялись – редко на камере вашей высоты, в вашем свете, против важных вам размеров объектов. Близкий второй – ставить камеру ради красивой картинки, а не ради детектора: камера под широкий приятный человеку обзор часто даёт модели крошечные, косые объекты, которые она не классифицирует надёжно, тогда как чуть ниже и плотнее установка преображает recall. Точность детекции задаётся установкой камеры и контролем сцены не меньше, чем моделью. Требуйте короткий пилот на объекте с отчётом по precision и recall на вашем видео, прежде чем выбрать платформу.

Где здесь Фора Софт

Фора Софт строит ПО реального времени для видео, стриминга и компьютерного зрения с 2005 года, на счету 250+ выпущенных проектов, и детекция объектов – аналитика, которую мы настраиваем чаще всего, потому что именно здесь разрыв между демо и боевым внедрением самый широкий. К нам приходят, когда коробочная детекция платформы срабатывает слишком часто (операторы перестают верить) или слишком редко (пропускает значимое), и решение почти никогда не «модель получше» в абстракции – это правильная модель под камеру, квантованная под чип края, настроенная под сцену и подключённая к VMS так, чтобы события действительно искались. Мы всегда ведём с того, как система ведёт себя под реальной нагрузкой: реалистичные precision и recall на ваших высотах и свете, доля ложных тревог, с которой будут жить операторы, – и только потом возможности. Детектор, которому операторы верят, бьёт тот, что красиво показывает себя на демо.

Главное

• Детекция рисует размеченную рамку вокруг каждого объекта; классификация лишь метит весь кадр.
• Рамка – промежуточный шаг; продукт – типизированное искабельное событие.
• Переход с движения на детекцию объектов убирает примерно 80–95% ложных тревог.
• Точность – диапазон precision/recall: ~38–55% строгой COCO mAP, выше при настройке в фикс. сцене, никогда 100%.
• Детекция идёт на NPU камеры и попадает в VMS через ONVIF Profile M.
• Обнаружить человека – не значит опознать его: простая детекция – низкий вес приватности.

Что почитать дальше

• Карта видеоаналитики: что умеет детектировать система видеонаблюдения
• Трекинг и реидентификация объектов между камерами
• Настройка аналитики: ложные тревоги, точность и реальность оператора