Направление · Компьютерное зрение

Видеоаналитика и компьютерное зрение

Подключаемся к вашим камерам и учим модель видеть то, что нужно именно вам: брак на выходе линии, время от заказа до подачи блюда, форму и гигиену на кухне, наливы мимо чека, очереди на кассах, агрессию в торговом зале. Видео обрабатывается на месте, на edge-устройстве, в облако уходят только события — это снимает вопросы 152-ФЗ и трафика. Для производств, сетей ресторанов и ритейла, где на сотню камер приходится один оператор, который физически не может смотреть всё. Начинаем с аудита камер и расчёта окупаемости, пилот на одной точке — от трёх недель.

Обсудить задачу Написать в Telegram

Для кого

Производства с визуальным контролем качества, сети ресторанов от 3 точек, магазины и ТЦ — там, где камеры уже стоят, а смотрит их никто.

Что получаете

Событие в момент, когда его ещё можно исправить: алерт в Telegram или на пульт с кадром и привязкой к столу, чеку, смене или партии.

Первый результат

После аудита — честный ответ, где зрение окупится, а где нет. Пилот на одной точке — от 3 недель, с замером точности и ложных срабатываний.

Типовые задачи

Что видит система

Пять сцен, под которые уже есть отлаженные модели. Свою сцену обучаем на ваших кадрах.

Контроль качества на производстве

Камеры на выходе линии распознают дефекты — непровар, натёк, прожог, скол, недолив, неверную этикетку, — маркируют изделие и дают сигнал оператору или роботу. Порог решения настраиваем под ваш критерий брака, иначе начнутся споры о ложных срабатываниях.

Стандарты сервиса в ресторане

Путь гостя по камерам: когда подошёл хостес, когда официант, сколько прошло от заказа до подачи, убран ли стол. События привязаны к столу и чеку через iiko или r_keeper.

Кухня, бар и доставка

Форма и головные уборы, мытьё рук, стандарт подачи, комплектность заказа на упаковке, наливы мимо чека на баре — то, что человек на сотне камер не отследит.

Персонал и безопасность в ритейле

Очереди и открытые кассы, присутствие сотрудника в зоне, оставленные предметы, агрессия и оружие — сигнал охране за секунды, без распознавания лиц.

Считывание показаний и документов

Тест-полоски, стрелочные приборы, счётчики, этикетки и маркировка — числовой результат из фото по единому алгоритму вместо оценки на глаз.

Как это устроено

Как выглядит внедрение

Три этапа. Каждый заканчивается работающим результатом, а не презентацией, и после каждого можно остановиться.

1–2 недели · от 100 000 ₽

Аудит камер и сцен

Проверяем ракурсы, свет, разрешение и потоки; смотрим, какие события реально распознаются; считаем окупаемость по вашим цифрам брака или потерь.

Список сцен и событий
Что доставить: камеры, свет, edge-узел
Расчёт окупаемости
ТЗ на пилот с критериями приёмки

от 3 недель · от 250 000 ₽

Пилот на одной точке

Обучаем модель на ваших кадрах, ставим edge-устройство на объект, замеряем точность в бою. Не окупается — не масштабируем.

Модель на ваших данных
Алерты в Telegram / на пульт
Только события уходят с объекта
Замер точности и ложных срабатываний

от 200 000 ₽ за локацию · поддержка от 60 000 ₽/мес

Масштабирование и поддержка

Тиражируем на следующие точки, дообучаем под новые сцены и камеры, собираем отчёты по сменам и партиям.

Тираж по фиксированной цене за точку
Дообучение под новые сценарии
Отчёты по сменам, точкам, партиям
Код и модели остаются у вас

Цены — ориентиры «от», точная смета после аудита, когда понятно число камер, сцен и событий. Одной точке без сети или маленькому ресторану честно скажем, если не окупится.

Кейсы

Кейсы компьютерного зрения

Все кейсы

Клиентов не называем. Описываем нишу, что стояло из камер и систем, и что изменилось.

Сетевой ресторанный бизнес

Зрение, которое видит путь гостя, кухню и бар

YOLO11 / OpenCVByteTrackNVIDIA Jetson (edge)Go + Redisiiko Cloud APITelegram

Контекст: В сети всё решают скорость подачи и соблюдение стандартов. Управляющий физически не следит за десятками камер на каждой точке, а ручные проверки дают срез раз в месяц, а не картину в моменте.

Что сделали: Подключились к камерам и построили компьютерное зрение, которое видит весь путь гостя — когда подошёл хостес и официант, сколько прошло от заказа до подачи, убран ли стол. На кухне система следит за гигиеной и стандартом подачи, на доставке проверяет комплектность, на баре ловит наливы мимо чека. Видео обрабатывается локально на edge-устройстве, в облако уходят только события. Алерты падают в Telegram и привязаны к столу, чеку и смене через iiko. В текущей сборке Go-сервис держит 10+ RTSP-потоков на одном узле, модель детекции блюд — mAP50 около 0,92 на тестовой выборке.

10+ камер

на одном edge-узле в реальном времени

0,92

mAP50 модели детекции блюд

0 видео

уходит с объекта — только события

Медтех · университетский проект

Компьютерное зрение для считывания тест-полосок

PythonComputer VisionМобильная съёмка

Контекст: Результат экспресс-тестов считывался глазом оператора: интерпретация зависела от человека, освещения и условий съёмки, и это давало разброс между операторами.

Что сделали: Построили систему, которая распознаёт тест-полоску по фото с телефона и переводит её в численный результат по единому алгоритму — независимо от того, кто и где делает снимок.

Результат

Стабильное считывание вместо субъективной оценки на глаз: меньше разброса между операторами, выше воспроизводимость результата.

Отраслевые страницы: Видеоаналитика для ресторанов · Ритейл и безопасность

Вопросы

Частые вопросы

В большинстве случаев подойдут обычные IP-камеры с RTSP-потоком и разрешением от 1080p. На аудите проверяем ракурсы и освещение: для контроля качества на линии часто нужны одна-две дополнительные камеры и свет в нужной точке, для зала ресторана обычно хватает существующих. Менять всю систему видеонаблюдения не нужно.

Видео обрабатывается на объекте, на edge-устройстве рядом с камерами. В облако или на ваш сервер уходят только события: время, тип, кадр-подтверждение, привязка к столу, чеку или смене. Лица не распознаём, биометрию не собираем. Если требования строже — весь контур ставим внутри вашей сети.

Модель обучаем на ваших кадрах и до запуска в бой замеряем точность и долю ложных срабатываний на пилотной точке. Порог решения согласуем с вами: система должна считать браком то же, что и ваш технолог, иначе начнутся споры. Реальные цифры пилота — часть акта приёмки.

От трёх недель на одной точке: неделя на сбор и разметку кадров, одна-две недели на обучение и установку, неделя на замер в бою. На производстве срок зависит от того, как быстро накопится достаточно примеров брака — редкий дефект учить дольше.

Аудит камер и сцен — от 100 000 ₽, пилот на одной точке — от 250 000 ₽, каждая следующая локация — от 200 000 ₽, поддержка и дообучение — от 60 000 ₽ в месяц. Точная смета — после аудита, когда понятно количество камер, сцен и событий. Если у вас одна точка и зрение не окупится, скажем об этом на аудите.

Да. События отдаём по API или вебхуком: в iiko или r_keeper для привязки к столу и чеку, в Telegram управляющему, на пульт охраны, в 1С или MES для учёта брака по партиям. Отчёты по сменам, точкам и типоразмерам собираем в дашборд.

Кто делает

«Хороший ИИ видно в отчёте о прибыли. Всё остальное — просто красивые презентации».

Илья Потоцкий — основатель Floxio. Сам ведёт аудит и архитектуру каждого проекта, собирает решения на Claude Code. До этого — 10 лет в крупнейших банках страны и собственный e-commerce с выручкой 1 млрд ₽. Пишет о внедрениях без прикрас в Telegram-канале.

Об авторе

Обсудить задачу

Расскажите, что должны увидеть камеры, — за неделю скажем, распознаётся ли это и что даст в деньгах

Или напишите в Telegram — отвечает Илья, не бот