ЖУРНАЛ СТА №2/2026

В этом контексте в статье рассматри- вается интеллектуальная система ви- деонаблюдения для обнаружения, под- счёта и отслеживания людей в реаль- ном времени на встраиваемой аппа- ратной системе с использованием но- вых аппаратных модулей – процессо- ров обработки изображений. Эта систе- ма может быть легко установлена и на- строена для работы в качестве узлов с умными камерами в распределённой системе видеонаблюдения. В качестве примера подобной систе- мы для задачи отслеживания и обнару- жения людей рассмотрим архитектуру MobileNet-SSD, оценим производитель- ность системы, сравнив её с другими алгоритмами, оценим потребление энергии граничного узла для конвей- ерной архитектуры, способной обраба- тывать до 12 видеопотоков одновре- менно. Обзор технологий встраиваемого ИИ Для оценки выполнения задач ИИ на встраиваемых устройствах необходи- мо проанализировать возможности производительности устройств с огра- ниченными ресурсами в реальном вре- мени. На рынке существует множество устройств, позволяющих внедрять ис- кусственный интеллект «на борту». Наиболее известным сопроцессором ускорения является графический про- цессор (GPU). Большинство GPU пред- назначены для использования в соста- ве настольных компьютеров, но в по- следние годы появились различные встраиваемые комплекты разработ- ки, включающие GPU, такие как Jetson AGX Xavier или Jetson Nano, в основном ориентированные на автономные си- стемы. Другой тип технологии аппаратного ускорения – семейство Coral от Google. Это набор устройств, которые можно подключить через порт USB и создать систему ускорения для архитектур, ориентированных на тензорные вы- числения. Новейшей технологией для разра- ботки систем видеонаблюдения яв- ляется Vision Processing Unit (VPU), раз- работанная Intel и ориентированная на параллельную обработку нейронных сетей. VPU ориентированы на высоко- скоростную обработку вывода с очень низким энергопотреблением, что поз- воляет внедрять такие устройства во встраиваемые системы. Встраиваемый ИИ: аппаратные платформы и тенденции Термин «встраиваемый искусствен- ный интеллект» охватывает широкий спектр аппаратных и программных ре- шений, предназначенных для выпол- нения задач машинного обучения не- посредственно на устройстве, без не- обходимости постоянной связи с обла- ком или центральным сервером. Ключевые преимущества встраивае- мого ИИ: 1) низкая задержка: решения принима- ются локально, что критично для си- стем реального времени (наблюдение, автономные транспортные средства); 2) конфиденциальность данных: видео- потоки и другие чувствительные дан- ные не покидают устройство; 3) надёжность: работа продолжается при отсутствии или ухудшении сете- вого соединения. 4) энергоэффективность: специализи- рованные процессоры оптимизиро- ваны для выполнения операций ней- ронных сетей с минимальным энер- гопотреблением. Основные классы аппаратных ускорителей для встраиваемого ИИ 1. Vision Processing Units (VPU): специа- лизированные процессоры, такие как Intel Movidius Myriad X, спроектиро- ванные для высокоэффективного вы- полнения операций вывода нейрон- ных сетей. Их архитектура включает множество маломощных вычисли- тельных ядер (SHAVE), оптимизиро- ванных для потоковой обработки данных компьютерного зрения. По- требляемая мощность часто состав- ляет менее 5 Вт, что делает их иде- альными для автономных устройств. 2. Tensor Processing Units (TPU): разрабо- танные Google, эти ASIC (специализи- рованные интегральные схемы) оп- тимизированы исключительно для матричных умножений, лежащих в основе нейронных сетей. Edge TPU, как в устройствах Coral, предлагают высокую производительность при очень низком энергопотреблении для задач вывода. 3. Графические процессоры (GPU) для встраиваемых систем: платформы, такие как NVIDIA Jetson (Nano, AGX Xavier), объединяют мощные GPU ар- хитектуры CUDA с процессорами ARM в форм-факторе, подходящем для встраиваемых и робототехнических применений. Они обеспечивают бо́ль- шую гибкость для разработки и вы- полнения сложных моделей, но, как правило, имеют более высокое энер- гопотребление, чем VPU/TPU. 4. Нейроморфные процессоры: иннова- ционные чипы, такие как Intel Loihi, имитируют структуру и работу био- логического мозга (спайковые нейро- нные сети). Они обещают на порядки более высокую энергоэффективность для определённых классов задач, осо- бенно связанных с обработкой сен- сорных потоков данных в реальном времени, и являются перспективным направлением для встраиваемого ИИ будущего. В статье рассмотрим платформу UpSquared2 с VPU Myriad X, что являет- ся компромиссом между высокой про- изводительностью в задачах компью- терного зрения, крайне низким энерго- потреблением и относительно низкой стоимостью, что соответствует требо- ваниям массового развёртывания в си- стемах видеонаблюдения. Обнаружение людей Обнаружение объектов определяется как способность распознавать и лока- лизовать определённый тип объекта на изображении. В этом контексте ли- тература, связанная с обнаружением людей в приложениях видеонаблюде- ния, очень обширна. Среди различных предложенных методов можно выде- лить две большие группы: основанные на классических методах, которые ис- пользуют математические техники и моделирование особенностей людей, и современные подходы, основанные на глубоком обучении. Принадлежащий к классическим ме- тодам распознавания образов на изоб- ражении алгоритм, определяющий осо- бенности изображения с использова- нием гистограммы ориентированных градиентов, а затем применяющий классификатор на основе метода опор- ных векторов, является одним из са- мых популярных. В алгоритме предпо- лагается использование признаков для обнаружения головы и плеч людей в сочетании с классификатором на осно- ве анализа главных компонент. В последние годы увеличилось ис- пользование камер RGBD, которые пре- доставляют как RGB-изображения, так и информацию о глубине с использова- нием различных технологий, таких как стереоскопическое зрение или вре- мя пролёта (время, необходимое свету ОБ ЗОРЫ СТА 2/2026 47 www.cta.ru