ბოლო რამდენიმე წლის განმავლობაში ვიდეოანალიტიკამ, რომელიც ასევე ცნობილია როგორც ვიდეოკონტენტის ანალიზი ან ინტელექტუალური ვიდეოანალიტიკა, მზარდი ინტერესი გამოიწვია როგორც ინდუსტრიაში, ისე აკადემიურ სფეროში. ღრმა სწავლების (Deep Learning) პოპულარიზაციამ შესაძლებელი გახადა ისეთი ამოცანების ავტომატიზაცია, რომლებიც ადრე მხოლოდ ადამიანების მიერ სრულდებოდა.
ვიდეოანალიტიკის ბოლოდროინდელმა განვითარებამ მნიშვნელოვნად შეცვალა ამ სფეროს შესაძლებლობები. დღეს უკვე არსებობს აპლიკაციები, რომლებიც რეალურ დროში აკონტროლებენ საცობებს და გზავნიან გაფრთხილებებს, აანალიზებენ მომხმარებელთა ნაკადს საცალო ვაჭრობის ობიექტებში გაყიდვების გასაზრდელად, ახორციელებენ სახის ამოცნობას და მართავენ ჭკვიანი პარკირების სისტემებს.
ასეთი ტექნოლოგიები შთამბეჭდავად გამოიყურება, თუმცა მთავარი კითხვებია: როგორ მუშაობს ისინი და როგორ შეუძლია თქვენს ბიზნესს მათი გამოყენებით სარგებლის მიღება?
ამ სახელმძღვანელოში გაეცნობით ვიდეოანალიტიკის ძირითად კონცეფციებს, მის გამოყენებას რეალურ გარემოში პროცესების ავტომატიზაციისა და ღირებული ინფორმაციის მისაღებად, ასევე იმ საკითხებს, რომლებიც თქვენს ორგანიზაციაში ინტელექტუალური ვიდეოანალიტიკის გადაწყვეტილებების დანერგვისას უნდა გაითვალისწინოთ.
რა არის ინტელექტუალური ვიდეოანალიტიკა?
ვიდეოანალიტიკის მთავარი მიზანია ვიდეოში დროითი და სივრცითი მოვლენების ავტომატურად ამოცნობა. საეჭვოდ მოძრავი ადამიანი, საგზაო წესების დარღვევა, მოულოდნელად გაჩენილი ალი ან კვამლი — ეს მხოლოდ რამდენიმე მაგალითია იმისა, რისი აღმოჩენაც ვიდეოანალიტიკის სისტემას შეუძლია.
ვიდეოანალიტიკა რეალურ დროში და ვიდეომაინინგი
როგორც წესი, ასეთი სისტემები რეალურ დროში აკვირდებიან ობიექტებს, მათ მახასიათებლებს, მოძრაობისა და ქცევის ნიმუშებს, რომლებიც მონიტორინგის კონკრეტულ სივრცეს უკავშირდება. თუმცა ვიდეოანალიტიკა შეიძლება გამოყენებულ იქნეს უკვე დაგროვილი, ისტორიული მონაცემების გასაანალიზებლადაც, დამატებითი ინფორმაციისა და კანონზომიერებების გამოსავლენად.
ასეთი შემდგომი ანალიზი განსაკუთრებით გამოსადეგია ისეთი ბიზნესკითხვების საპასუხოდ, როგორიცაა:
როდის არის ჩემს მაღაზიაში მომხმარებელთა ყველაზე დიდი ნაკადი და როგორია მათი ასაკობრივი განაწილება?
რამდენჯერ გადიან ავტომობილები წითელ შუქნიშანზე და რომელი მარკის მანქანები არღვევენ ამ წესს ყველაზე ხშირად?
ზოგიერთი ცნობილი გამოყენების სფერო
ვიდეოანალიტიკის ზოგიერთი გამოყენება ფართო საზოგადოებისთვის კარგად არის ცნობილი. ერთ-ერთი ყველაზე გავრცელებული მაგალითია ვიდეომეთვალყურეობა, რომელიც დაახლოებით ნახევარი საუკუნეა გამოიყენება. იდეა მარტივია: კამერები მონტაჟდება სტრატეგიულ ადგილებში, რათა ოპერატორს მაქსიმალურად სრული წარმოდგენა ჰქონდეს იმაზე, თუ რა ხდება ოთახში, უბანში ან საჯარო სივრცეში.
პრაქტიკაში ეს ამოცანა გაცილებით რთულია. როგორც წესი, ერთი ოპერატორი ერთზე მეტ კამერას აკონტროლებს, ხოლო სხვადასხვა კვლევამ აჩვენა, რომ მონიტორინგისთვის კამერების რაოდენობის ზრდა ოპერატორის მუშაობის ეფექტიანობაზე უარყოფითად მოქმედებს. სხვა სიტყვებით რომ ვთქვათ, დიდი რაოდენობით ვიდეოსიგნალის ხელმისაწვდომობაც კი არ ნიშნავს, რომ ადამიანი მათ ეფექტიანად დაამუშავებს — ადამიანის ყურადღებასა და შესაძლებლობებს ბუნებრივი შეზღუდვები აქვს.
ვიდეოანალიზის პროგრამულ უზრუნველყოფას შეუძლია მნიშვნელოვანი წვლილი შეიტანოს დიდი მოცულობის ინფორმაციის სწრაფ, ზუსტ და თანმიმდევრულ დამუშავებაში.
ვიდეოანალიტიკა და Deep Learning
მანქანური სწავლებისა და, განსაკუთრებით, ღრმა სწავლების (Deep Learning) სწრაფმა განვითარებამ ვიდეოანალიტიკაში ნამდვილი რევოლუცია მოახდინა.
ღრმა ნეირონული ქსელების (DNN) გამოყენებამ შესაძლებელი გახადა ისეთი ვიდეოანალიზის სისტემების შექმნა, რომლებიც გარკვეული ამოცანების შესრულებისას ადამიანის აღქმასა და ქცევას ბაძავენ. ეს სფერო დაიწყო კლასიკური კომპიუტერული ხედვის ტექნიკებით — მაგალითად, გაფრთხილების გააქტიურებით, თუ კამერის გამოსახულება დაბნელდებოდა ან მკვეთრად შეიცვლებოდა — და განვითარდა სისტემებამდე, რომლებსაც კონკრეტული ობიექტების აღმოჩენა და მათი მოძრაობის ტრაექტორიის თვალყურის დევნება შეუძლიათ.
მაგალითად, ოპტიკური სიმბოლოების ამოცნობა — Optical Character Recognition (OCR) — ათწლეულებია გამოიყენება სურათებიდან ტექსტის ამოსაღებად. პრინციპში, OCR ალგორითმი შეიძლება საკმარისი იყოს ავტომობილის სანომრე ნიშნის ნომრის წასაკითხად, თუ კამერა ისეა განთავსებული, რომ სანომრე ნიშანი მკაფიოდ და საკმარისი დროის განმავლობაში ჩანს.
ამის პრაქტიკული მაგალითია სანომრე ნიშნების ამოცნობა პარკირების ობიექტებზე, სადაც კამერა ჭიშკართან ან ბარიერთან არის განთავსებული და შეუძლია გაჩერებული ავტომობილის სანომრე ნიშნის მკაფიოდ დაფიქსირება. თუმცა გზის კამერიდან მიღებულ მთელ კადრზე OCR-ის მუდმივი გამოყენება ყოველთვის სანდო არ არის: თუ OCR ტექსტს დააბრუნებს, აუცილებელია ვიცოდეთ, ნამდვილად სანომრე ნიშნიდან იქნა ეს ტექსტი წაკითხული თუ არა.
ახალი მიდგომით, Deep Learning-ზე დაფუძნებულ მოდელებს შეუძლიათ ჯერ ზუსტად განსაზღვრონ გამოსახულების ის არეალი, სადაც სანომრე ნიშანია განთავსებული. ამის შემდეგ OCR გამოიყენება მხოლოდ ამ კონკრეტულ რეგიონზე, რაც შედეგის სანდოობას მნიშვნელოვნად ზრდის.
ინდუსტრიული გამოყენებები
ჯანდაცვა
ისტორიულად, ჯანდაცვის დაწესებულებები მნიშვნელოვან რესურსს აბანდებდნენ ვიდეომეთვალყურეობის სისტემებში პაციენტების, პერსონალისა და ვიზიტორების უსაფრთხოების უზრუნველსაყოფად. უსაფრთხოების მოთხოვნები ხშირად მკაცრი რეგულაციებითაც არის განსაზღვრული. ქურდობა, ჩვილის გატაცება და მედიკამენტების ან ნარკოტიკული ნივთიერებების უკანონო გადატანა იმ პრობლემებს შორისაა, რომელთა პრევენციასა და გამოვლენაში სათვალთვალო სისტემები გამოიყენება.
ვიდეოანალიტიკა არა მხოლოდ მეთვალყურეობის პროცესს ამარტივებს, არამედ შეგროვებული მონაცემების ბიზნეს და საოპერაციო მიზნებისთვის გამოყენების საშუალებასაც იძლევა. მაგალითად, სისტემას შეუძლია გამოავლინოს შემთხვევა, როდესაც პაციენტი საჭირო სიხშირით არ მოწმდება, და ამის შესახებ პერსონალს ავტომატურად აცნობოს. პაციენტებისა და ვიზიტორების ნაკადის ანალიზი ასევე სასარგებლოა ლოდინის დროის შემცირებისა და სასწრაფო დახმარების ზონებში თავისუფალი წვდომის შენარჩუნებისთვის.
ხანდაზმულებისა და ჯანმრთელობის პრობლემების მქონე ადამიანების სახლში მონიტორინგი ვიდეოანალიტიკის კიდევ ერთი მნიშვნელოვანი გამოყენების სფეროა. მაგალითად, დაცემა ხანდაზმულებში ტრავმისა და სიკვდილიანობის ერთ-ერთი მთავარი მიზეზია. მართალია, პერსონალურ სამედიცინო მოწყობილობებს დაცემის აღმოჩენა შეუძლიათ, მაგრამ მათი ეფექტიანობა დამოკიდებულია იმაზე, ატარებს თუ არა მომხმარებელი მოწყობილობას. ვიდეოანალიტიკის სისტემას კი შეუძლია სახლის კამერებიდან მიღებული სიგნალების დამუშავება და რეალურ დროში განსაზღვრა, დაეცა თუ არა ადამიანი. სათანადო კონფიგურაციის შემთხვევაში, სისტემა შეიძლება გამოყენებულ იქნეს სხვა მოქმედებების დასაფიქსირებლადაც, მაგალითად, მიიღო თუ არა ადამიანმა საჭირო მედიკამენტი განსაზღვრულ დროს.
ფსიქიკური ჯანმრთელობა კიდევ ერთი სფეროა, სადაც ვიდეოანალიტიკას მნიშვნელოვანი როლი შეიძლება ჰქონდეს. შესაძლებელია შეიქმნას სისტემები, რომლებიც აანალიზებენ სახის გამომეტყველებას, სხეულის პოზას და მზერის მიმართულებას, რათა სპეციალისტებს პაციენტის შეფასებაში დაეხმარონ. ასეთმა სისტემამ შეიძლება სხეულის ენასა და მიკროგამომეტყველებებში ემოციური ნიშნები ამოიცნოს და კლინიცისტს დამატებითი ობიექტური ინფორმაცია მიაწოდოს, რომელიც არსებულ ჰიპოთეზას დაადასტურებს ან ახალ მინიშნებებს მისცემს.
რეალური მაგალითი
ბუფალოს უნივერსიტეტმა შეიმუშავა სმარტფონის აპლიკაცია, რომელიც ბავშვებში აუტიზმის სპექტრის აშლილობის (ASD) ნიშნების გამოსავლენად შეიქმნა. მხოლოდ სმარტფონის კამერის გამოყენებით აპლიკაცია აკვირდება ბავშვის სახის გამომეტყველებასა და მზერის მიმართულებას მაშინ, როდესაც ის სოციალური სცენების ამსახველ სურათებს უყურებს. აპლიკაცია თვალის მოძრაობას აანალიზებს და შეუძლია ASD-ის მქონე ბავშვებისთვის დამახასიათებელი განსხვავებული მზერის ნიმუშების გამოვლენა.
ჭკვიანი ქალაქები და ტრანსპორტი
ვიდეომეთვალყურეობის კამერები მნიშვნელოვან როლს ასრულებს ტრანსპორტის მართვაში და ჭკვიანი ქალაქების განვითარებას უწყობს ხელს.
ტრანსპორტის ინტენსივობის ზრდამ, განსაკუთრებით ქალაქებში, შესაბამისი მართვის მექანიზმების გარეშე შეიძლება ავარიებისა და საცობების მატება გამოიწვიოს. ასეთ პირობებში ინტელექტუალური ვიდეოანალიზის სისტემებს გადამწყვეტი მნიშვნელობა შეიძლება ჰქონდეს.
მოძრაობის ანალიზი შეიძლება გამოყენებულ იქნეს შუქნიშნების მართვის სისტემების დინამიკური რეგულირებისა და საცობების მონიტორინგისთვის. ის ასევე სასარგებლოა რეალურ დროში სახიფათო სიტუაციების გამოსავლენად — მაგალითად, ავტომაგისტრალზე აკრძალულ ადგილას გაჩერებული ავტომობილის, საპირისპირო მიმართულებით მოძრავი მანქანის ან საგზაო შემთხვევის დასაფიქსირებლად. ინციდენტის შემთხვევაში ასეთი სისტემებიდან მიღებული მასალა შეიძლება მნიშვნელოვანი იყოს გამოძიებისა და სასამართლო დავებისთვის მტკიცებულებების შესაგროვებლად.
Tryolabs-ში შეიქმნა ვიდეოანალიტიკის პლატფორმა, რომელიც ქუჩის ვიდეოკადრებში ფეხით მოსიარულეთა არასათანადო ქცევის გამოსავლენად და დიდი მოცულობის მონაცემების დასამუშავებლად გამოიყენებოდა. პროექტმა კლიენტს მისცა შესაბამისი სტატისტიკა და შესაძლებლობა, კონკრეტულ ადგილებში მიზნობრივი ღონისძიებები გაეტარებინა, სადაც არასათანადო ქცევა სატრანსპორტო პრობლემებს ხშირად იწვევდა.
ავტომობილების დათვლა და მათი ტიპის მიხედვით კლასიფიკაცია — მაგალითად, სატვირთო მანქანად, ავტობუსად, ტაქსად და სხვ. — მნიშვნელოვან სტატისტიკურ ინფორმაციას გვაძლევს სატრანსპორტო ნაკადების შესახებ. სიჩქარის კონტროლის კამერები მძღოლების სისტემურ მონიტორინგს იძლევა, ხოლო სანომრე ნიშნების ავტომატური ამოცნობა შესაძლებელს ხდის სამართალდამრღვევი, ძებნილი ან დანაშაულთან დაკავშირებული ავტომობილების იდენტიფიცირებას.
ვიდეოანალიტიკაზე დაფუძნებული ჭკვიანი პარკირების სისტემა უსაფრთხოების კამერების გამოსახულებებს აანალიზებს და მძღოლებს თავისუფალი პარკირების ადგილის პოვნაში ეხმარება.
ეს მხოლოდ რამდენიმე მაგალითია იმისა, თუ რა წვლილი შეუძლია ვიდეოანალიზის ტექნოლოგიას შეიტანოს უფრო უსაფრთხო და უკეთ მართვადი ქალაქების შექმნაში.
რეალური მაგალითი
ვიდეოანალიტიკის რეალურ გარემოში გამოყენების კარგი მაგალითია ნიუ-იორკი. ძირითადი საგზაო მოვლენების უკეთ გასაანალიზებლად ნიუ-იორკის ტრანსპორტის დეპარტამენტმა ვიდეოანალიტიკა და მანქანური სწავლება გამოიყენა საცობების, ამინდის პირობებთან დაკავშირებული ნიმუშებისა და პარკირების დარღვევების გამოსავლენად. კამერები აფიქსირებენ აქტივობებს, სისტემები ამუშავებენ მონაცემებს და შესაბამის სიგნალებს რეალურ დროში უგზავნიან ქალაქის პასუხისმგებელ სამსახურებს.
საცალო ვაჭრობა
მანქანური სწავლებისა და, კერძოდ, ვიდეოანალიტიკის გამოყენება საცალო ვაჭრობაში ბოლო წლების ერთ-ერთი მნიშვნელოვანი ტექნოლოგიური მიმართულებაა.
ფიზიკურ მაღაზიებს შეუძლიათ ვიდეოანალიტიკა გამოიყენონ იმის გასაგებად, ვინ არიან მათი მომხმარებლები და როგორ იქცევიან ისინი სავაჭრო სივრცეში.
თანამედროვე ალგორითმებს შეუძლიათ სახეების ამოცნობა და ადამიანების ზოგიერთი ძირითადი მახასიათებლის, მაგალითად ასაკობრივი ჯგუფისა და სქესის, შეფასება. ასევე შესაძლებელია მომხმარებლის გადაადგილების მარშრუტის თვალყურის დევნება და სიარულის ნიმუშების ანალიზი. მზერის მიმართულების შეფასების დამატებით საცალო მოვაჭრეებს შეუძლიათ დაადგინონ, რამდენ ხანს უყურებს მომხმარებელი კონკრეტულ პროდუქტს და უკეთ უპასუხონ მნიშვნელოვან კითხვას: სად უნდა განთავსდეს პროდუქტი, რათა გაიზარდოს გაყიდვები და გაუმჯობესდეს მომხმარებლის გამოცდილება?
ვიდეოანალიტიკის საშუალებით შესაძლებელია მრავალი პრაქტიკული მონაცემის შეგროვება, მათ შორის მომხმარებელთა რაოდენობის, მათი ძირითადი მახასიათებლების, ვიზიტის ხანგრძლივობისა და გადაადგილების მარშრუტის შესახებ. ეს მონაცემები შეიძლება გაანალიზდეს დროის ფაქტორის გათვალისწინებითაც — კვირის დღეების, სეზონების ან სადღესასწაულო პერიოდების მიხედვით. შედეგად, საცალო მოვაჭრეებს შეუძლიათ გაცილებით ზუსტად გაიგონ, ვინ არიან მათი მომხმარებლები, როდის სტუმრობენ მაღაზიას და როგორ იქცევიან შიგნით.
მაღაზიაში შესული და გასული მომხმარებლების დათვლის ტიპური ალგორითმი სასარგებლო მონაცემს გვაძლევს ისეთი მნიშვნელოვანი მაჩვენებლების გამოსათვლელად, როგორიცაა კონვერსიის მაჩვენებელი (conversion rate). ამ მიდგომის გამოყენება ხშირად უკვე დამონტაჟებული უსაფრთხოების კამერებითაც არის შესაძლებელი, რაც დანერგვის პროცესს შედარებით სწრაფსა და ეკონომიურს ხდის.
ვიდეოანალიტიკა ასევე ეფექტიანია ქურდობის საწინააღმდეგო მექანიზმებისთვის. მაგალითად, სახის ამოცნობის ალგორითმებს შეუძლიათ მაღაზიაში ადრე იდენტიფიცირებული დამნაშავეების ამოცნობა ან რეალურ დროში ისეთი ქცევის გამოვლენა, როგორიცაა ნივთის ჩანთაში დამალვა.
ამასთან, ვიდეოანალიტიკიდან მიღებული ინფორმაცია შეიძლება გამოყენებულ იქნეს მანქანური სწავლების მოდელების შესატან მონაცემებადაც. მაგალითად, მომხმარებელთა გადაადგილების ნიმუშები და მაღაზიაში ადამიანების რაოდენობა შეიძლება მნიშვნელოვანი იყოს მოთხოვნის პროგნოზირების, ფასების ოპტიმიზაციისა და მარაგების დაგეგმვის სისტემებისთვის.
რეალური მაგალითი
Amazon Go აჩვენებს, როგორ შეიძლება ტექნოლოგიით გამარტივდეს სავაჭრო პროცესი. მაღაზიის კონცეფცია მომხმარებელს საშუალებას აძლევს, პროდუქტი აიღოს და სალაროს რიგში დგომის გარეშე დატოვოს სივრცე, ხოლო გადასახდელი თანხა ავტომატურად განისაზღვროს და ჩამოიჭრას. სისტემა იყენებს რამდენიმე კამერაზე დაფუძნებულ ვიდეოანალიზს მომხმარებელთა ქცევის დასაკვირვებლად. ეს პროგრამული უზრუნველყოფა, მაღაზიაში განთავსებულ სხვა სენსორებთან ერთად, სისტემას საშუალებას აძლევს განსაზღვროს, რომელი პროდუქტი აიღო კონკრეტულმა მომხმარებელმა და შესაბამისი თანხა დააკისროს.
უსაფრთხოება
ვიდეომეთვალყურეობა უსაფრთხოების სფეროს ერთ-ერთი კლასიკური ამოცანაა. თუმცა იმ პერიოდთან შედარებით, როდესაც სისტემებს მხოლოდ ადამიანები აკონტროლებდნენ, ვიდეოანალიტიკის შესაძლებლობები მნიშვნელოვნად გაფართოვდა.
სახისა და სანომრე ნიშნების ამოცნობის (LPR) ტექნოლოგიები შეიძლება გამოყენებულ იქნეს ადამიანებისა და ავტომობილების რეალურ დროში იდენტიფიცირებისა და შესაბამისი გადაწყვეტილებების მისაღებად. მაგალითად, შესაძლებელია ეჭვმიტანილის ძებნა როგორც პირდაპირ ეთერში, ისე ძველ ვიდეოჩანაწერებში, ან უფლებამოსილი თანამშრომლის ამოცნობა და მისთვის დაცულ ტერიტორიაზე დაშვების მიცემა.
ბრბოს მართვა უსაფრთხოების სისტემების კიდევ ერთი მნიშვნელოვანი ფუნქციაა. თანამედროვე ვიდეოანალიზის ინსტრუმენტები განსაკუთრებით სასარგებლოა სავაჭრო ცენტრებში, საავადმყოფოებში, სტადიონებსა და აეროპორტებში. მათ შეუძლიათ რეალურ დროში შეაფასონ ადამიანების რაოდენობა და გააგზავნონ გაფრთხილება, როდესაც დასაშვებ ზღვარს მიაღწევს ან გადააჭარბებს. ასევე შესაძლებელია ადამიანთა ნაკადის ანალიზი და არასასურველი ან აკრძალული მიმართულებით მოძრაობის გამოვლენა.
ადამიანების რეალურ დროში ამოცნობა საფუძველს ქმნის უფრო რთული ანალიტიკისთვისაც. მაგალითად, შესაძლებელია ყოველდღიურად გამავალი ადამიანების რაოდენობის დათვლა, ისტორიულ მონაცემებზე დაყრდნობით კვირის დღისა და დროის მიხედვით „ჩვეულებრივი ნაკადის“ განსაზღვრა და უჩვეულო აქტივობის შემთხვევაში გაფრთხილების გენერირება. თუ მონიტორინგის სივრცე მხოლოდ ფეხით მოსიარულეთათვის არის განკუთვნილი, სისტემა შეიძლება გაწვრთნილი იყოს არასანქცირებული ობიექტების, მაგალითად მოტოციკლის ან ავტომობილის, გამოსავლენად.
ამ მიდგომის ერთ-ერთი მთავარი უპირატესობა მოქნილობაა: ვიდეოკონტენტის ანალიზის სისტემა შეიძლება სპეციალურად მომზადდეს კონკრეტული მოვლენების გამოსავლენად, ზოგჯერ საკმაოდ მაღალი სიზუსტით. მაგალითად, შესაძლებელია ხანძრის ადრეული ნიშნების გამოვლენა, აეროპორტში აკრძალულ ზონაში შესვლის დაფიქსირება, მგზავრთა დადგენილი მოძრაობის საწინააღმდეგო მიმართულებით გადაადგილების ამოცნობა ან საჯარო სივრცეში უპატრონოდ დატოვებული ბარგის აღმოჩენა.
კლასიკური ამოცანები, როგორიცაა შემოჭრის ან არასანქცირებული მოძრაობის გამოვლენა, თანამედროვე ალგორითმებით უფრო საიმედოდ სრულდება, რადგან სისტემებს შეუძლიათ ქარის, წვიმის, თოვლის ან ცხოველების მიერ გამოწვეული მოძრაობის გაფილტვრა.
ინტელექტუალური ვიდეოანალიზის ფუნქციონალი უსაფრთხოების სფეროში მუდმივად ფართოვდება და ეს ტენდენცია მომავალშიც გაგრძელდება.
რეალური მაგალითი
დანიური საფეხბურთო კლუბი Brøndby 2019 წელს ერთ-ერთი პირველი საფეხბურთო კლუბი გახდა, რომელმაც მატჩების დღეებში უსაფრთხოების გასაუმჯობესებლად ოფიციალურად დანერგა სახის ამოცნობის ტექნოლოგია. სისტემა სტადიონზე შესვლისას იდენტიფიცირებდა პირებს, რომლებსაც მატჩებზე დასწრება აკრძალული ჰქონდათ, და პერსონალს მათ შეჩერებაში ეხმარებოდა.
სპორტი
მონაცემთა ანალიზი სპორტში დიდი ხანია გამოიყენება. ფეხბურთის მწვრთნელებიდან პერსონალურ ტრენერებამდე, პროფესიონალი სპორტსმენებიდან დამწყებებამდე — მონაცემებს ყველა იყენებს უკეთესი შედეგების მისაღწევად.
ფეხბურთის მატჩების სტატისტიკა, როგორიცაა ბურთის ფლობა ან პასების რაოდენობა, მწვრთნელებისთვის გუნდის თამაშის ანალიზის სტანდარტულ ინსტრუმენტად იქცა. ჩატარებულა კვლევებიც, რომლებიც უეფას ჩემპიონთა ლიგის მატჩებში ბურთის ფლობის მნიშვნელობას აანალიზებდა. ერთ-ერთი ასეთი კვლევის მიხედვით, გუნდებმა, რომლებსაც ბურთის ფლობის უფრო მაღალი მაჩვენებელი ჰქონდათ, მატჩების 49,2% მოიგეს, 22,0% ფრედ დაასრულეს და 28,7% წააგეს.
სპორტული ვარჯიშის დროს სპორტსმენის პოზისა და მოძრაობის სწორად შეფასება ტექნიკის გასაუმჯობესებლად აუცილებელია. ვიდეოანალიტიკის გადაწყვეტილებებს შეუძლია ეს ინფორმაცია სპორტსმენსა და მწვრთნელს მიაწოდოს. პოზისა და მოძრაობის ანალიზი ასევე შეიძლება გამოყენებულ იქნეს ტრავმის რისკის შესამცირებლად და იმის დასადგენად, არის თუ არა კონკრეტული მოძრაობა სარისკო.
ვიდეოანალიტიკის საშუალებით შესაძლებელია მოწინააღმდეგე გუნდის თამაშის შესწავლაც. ასეთი ანალიზი შეიძლება დაეხმაროს გუნდს მეტოქის სტრატეგიის უკეთ გააზრებასა და შესაბამისი თავდაცვითი ან შეტევითი გეგმის შემუშავებაში. გადაწყვეტილებები შეიძლება მოიცავდეს მატჩში მნიშვნელოვანი ეპიზოდების ავტომატურ შერჩევას, სტატისტიკის გენერირებას და მოწინააღმდეგის სუსტი მხარეების გამოვლენას.
რეალური მაგალითი
დიდ ბრიტანეთში საფეხბურთო გუნდები ერთმანეთს არა მხოლოდ მოედანზე, არამედ მონაცემთა ხარისხისა და ანალიტიკური შესაძლებლობებითაც ეჯიბრებიან. კლუბები სულ უფრო ხშირად ქირაობენ ინჟინრებს, მათემატიკოსებს, ფიზიკოსებს, სტატისტიკოსებსა და ალგორითმების სპეციალისტებს.
ზოგიერთ გუნდს, მაგალითად Arsenal-ს, საკუთარი შიდა მონაცემთა ანალიტიკის მიმართულება აქვს, ხოლო ბევრი სხვა კლუბი მესამე მხარის კომპანიების მიერ მიწოდებულ ინფორმაციას ეყრდნობა. ასეთი მონაცემები გამოიყენება მრავალ გადაწყვეტილებაში — მოთამაშეებისა და მწვრთნელების შერჩევიდან დაწყებული, თითოეული ფეხბურთელისთვის მოედანზე ოპტიმალური პოზიციის განსაზღვრით დამთავრებული.
როგორ მუშაობს ვიდეოანალიტიკა?
განვიხილოთ ზოგადი სქემა, თუ როგორ მუშაობს ვიდეოანალიტიკის გადაწყვეტა. კონკრეტული გამოყენების სცენარის მიხედვით არქიტექტურა შეიძლება განსხვავდებოდეს, თუმცა ძირითადი პრინციპები უცვლელია.
ვიდეოკონტენტის ანალიზი შეიძლება განხორციელდეს ორი ძირითადი გზით: რეალურ დროში — როდესაც სისტემა კონფიგურირებულია კონკრეტულ მოვლენებსა და მიმდინარე ინციდენტებზე გაფრთხილების გასაგზავნად — ან შემდგომი დამუშავების რეჟიმში, როდესაც უკვე ჩაწერილ მასალაში გაფართოებული ძიება და სასამართლო ანალიზი ხორციელდება.
სისტემაში მონაცემების მიწოდება
გასაანალიზებელი მონაცემები შეიძლება მოდიოდეს სხვადასხვა ვიდეოწყაროდან. ყველაზე გავრცელებულია CCTV კამერები, საგზაო კამერები და ონლაინ ვიდეონაკადები. თუმცა სისტემაში შესაძლებელია ნებისმიერი ვიდეოწყაროს ინტეგრირება, თუ ის იყენებს თავსებად პროტოკოლს, მაგალითად RTSP-ს (Real-Time Streaming Protocol) ან HTTP-ს.
მთავარი მიზანია მონიტორინგის სივრცის სრულფასოვანი დაფარვა. სისტემას უნდა ჰქონდეს მკაფიო ხედვა იმ ტერიტორიასა და სხვადასხვა კუთხეზე, სადაც მონიტორინგისთვის მნიშვნელოვანი მოვლენა შეიძლება მოხდეს. ზოგადად, რაც უფრო ხარისხიანი და სრულია მონაცემი, მით უკეთესი საფუძველი აქვს სისტემას ზუსტი ანალიზისთვის.
ცენტრალიზებული დამუშავება და Edge Processing
ვიდეოანალიზის პროგრამული უზრუნველყოფა შეიძლება გაეშვას ცენტრალიზებულ სერვერებზე, რომლებიც, როგორც წესი, მონიტორინგის სადგურში ან მონაცემთა ცენტრში მდებარეობს. ამ მიდგომას ცენტრალიზებული დამუშავება ეწოდება. მეორე ვარიანტია დამუშავების ნაწილის ან მთლიანად კამერაში ან მასთან ახლოს შესრულება — ეს მიდგომა ცნობილია როგორც Edge Processing.
გადაწყვეტის შემუშავებისას კამერების შერჩევა ყურადღებით უნდა მოხდეს. ბევრი ძველი სისტემა მხოლოდ ცენტრალიზებულ დამუშავებაზე იყო აგებული, თუმცა ბოლო წლებში ჰიბრიდული გადაწყვეტილებები სულ უფრო ფართოდ გამოიყენება.
ჰიბრიდული მიდგომისას კამერაში ან Edge მოწყობილობაში შესრულებული პირველადი დამუშავება ამცირებს ცენტრალურ სერვერზე გადასაცემი და დასამუშავებელი მონაცემების მოცულობას. ეს განსაკუთრებით მნიშვნელოვანია კამერების რაოდენობის ზრდისას, რადგან ამცირებს გამოთვლით დატვირთვასა და ქსელის გამტარუნარიანობის მოთხოვნას. ასევე შესაძლებელია სისტემის ისე კონფიგურაცია, რომ ცენტრალურ სერვერზე გადაიგზავნოს მხოლოდ საეჭვო ან მნიშვნელოვანი მოვლენების შესახებ ინფორმაცია, რაც ქსელის ტრაფიკსა და შენახვის საჭიროებას კიდევ უფრო ამცირებს.
მეორე მხრივ, სასამართლო ანალიზისთვის მონაცემების ცენტრალიზებულად შენახვა საშუალებას იძლევა გამოყენებულ იქნეს მრავალფეროვანი საძიებო და ანალიტიკური ინსტრუმენტები — ზოგადი ალგორითმებიდან სპეციალურად კონკრეტული ამოცანისთვის შექმნილ გადაწყვეტებამდე. ეს მიდგომა განსაკუთრებით მოქნილია, რადგან საჭიროების შემთხვევაში შესაძლებელია საკუთარი ალგორითმების დამატებაც.
სცენარებისა და მოდელების განსაზღვრა
ფიზიკური არქიტექტურის დაგეგმვისა და ინსტალაციის შემდეგ აუცილებელია განისაზღვროს, კონკრეტულად რომელი სცენარების ან მოვლენების აღმოჩენაზე უნდა ფოკუსირდეს სისტემა, შემდეგ კი მომზადდეს შესაბამისი მოდელები.
ავტოავარია? ბრბოს ნაკადი? სახის ამოცნობა საცალო მაღაზიაში ცნობილი ქურდის გამოსავლენად? თითოეული სცენარი რამდენიმე საბაზისო ამოცანად იშლება, რომელთა შესრულებაც სისტემას უნდა შეეძლოს.
მაგალითად, ავტოსაგზაო შემთხვევის აღმოსაჩენად სისტემამ შეიძლება ჯერ ავტომობილები აღმოაჩინოს, შემდეგ განსაზღვროს მათი ტიპი — მოტოციკლი, მსუბუქი ავტომობილი, სატვირთო და სხვ. — თვალყური ადევნოს მათ მოძრაობის ტრაექტორიას კადრებში და ბოლოს ამ ტრაექტორიების ცვლილებები გააანალიზოს შესაძლო შეჯახების გამოსავლენად.
ვიდეოანალიტიკაში ყველაზე გავრცელებული ძირითადი ამოცანებია:
გამოსახულების კლასიფიკაცია — სურათის მიკუთვნება წინასწარ განსაზღვრულ კატეგორიას, მაგალითად: მანქანა, ადამიანი, ცხენი, მაკრატელი ან ქანდაკება;
ლოკალიზაცია — გამოსახულებაში ობიექტის მდებარეობის განსაზღვრა, ჩვეულებრივ მის გარშემო შემოსაზღვრული ჩარჩოს მონიშვნით;
ობიექტის აღმოჩენა — გამოსახულებაში ობიექტების პოვნა და მათი კლასიფიკაცია;
ობიექტის იდენტიფიკაცია — კონკრეტული სამიზნე ობიექტის ყველა შესაბამისი შემთხვევის აღმოჩენა გამოსახულებაში, მაგალითად ყველა ფეხბურთელის პოვნა;
ობიექტის თვალყურის დევნება — ვიდეოში დროთა განმავლობაში მოძრავი ობიექტის ტრაექტორიის კონტროლი.
ნულიდან მოდელის გაწვრთნა დიდ ძალისხმევასა და მონაცემებს მოითხოვს. საბედნიეროდ, არსებობს მრავალი რესურსი, რომელიც ამ პროცესს ამარტივებს.
გამოსახულებების მონაცემთა ნაკრებები, როგორიცაა ImageNet და Microsoft Common Objects in Context (COCO), ახალი მოდელების მომზადებისთვის ფართოდ გამოყენებული რესურსებია.
ასევე არსებობს წინასწარ გაწვრთნილი მოდელები ისეთი ამოცანებისთვის, როგორიცაა გამოსახულების კლასიფიკაცია, ობიექტების აღმოჩენა და სახის ამოცნობა. გადატანითი სწავლების (transfer learning) გამოყენებით შესაძლებელია მათი ადაპტაცია და დახვეწა კონკრეტული გამოყენების სცენარისთვის, რაც ხშირად გაცილებით ნაკლებ რესურსს მოითხოვს, ვიდრე მოდელის თავიდან გაწვრთნა.
ბოლო წლებში ღია კოდის პროექტებიც სულ უფრო ხშირად ქვეყნდება და პერსონალიზებული ვიდეოანალიზის სისტემების შექმნას ამარტივებს. კომპიუტერული ხედვის ბიბლიოთეკების გამოყენება, რომელთაგან რამდენიმე ქვემოთ არის განხილული, მნიშვნელოვნად აჩქარებს გადაწყვეტილებების შემუშავებას.
ადამიანის მონაწილეობა
პრაქტიკულად ყველა შემთხვევაში საჭიროა ადამიანი, რომელიც ვიდეოანალიზის სისტემის მიერ გენერირებულ სიგნალებს შეაფასებს და გადაწყვეტს, რა მოქმედებაა საჭირო. ამ თვალსაზრისით, ასეთი სისტემები ოპერატორის მხარდამჭერ ინსტრუმენტებად მუშაობენ: ისინი ეხმარებიან ადამიანს ისეთი მოვლენების აღმოჩენაში, რომლებიც სხვა შემთხვევაში შეიძლება შეუმჩნეველი დარჩენილიყო ან ხელით აღმოჩენას დიდი დრო დასჭირვებოდა.
ღია კოდის პროექტები
ამჟამად ვიდეოანალიტიკისთვის ერთიანი, სრულად ჩამოყალიბებული უნივერსალური ბიბლიოთეკა არ არსებობს. ზოგიერთი ხელმისაწვდომი პროექტი კონკრეტული კვლევის ნაწილია და პრაქტიკულ გარემოში მისი გამოყენება რთულია, ზოგი კი მარტივად გამოსაყენებელია, თუმცა შეზღუდული შესაძლებლობები ან არასაკმარისი ეფექტიანობა აქვს.
ხშირად უკეთესი მიდგომაა საჭირო კომპონენტების — მაგალითად, ობიექტების ან პოზების თვალყურის დევნების ბიბლიოთეკების — შერჩევა და მათზე დაფუძნებით კონკრეტულ ამოცანაზე მორგებული სისტემის შექმნა.
OpenCV
OpenCV (Open Source Computer Vision Library) ერთ-ერთი ყველაზე ცნობილი კომპიუტერული ხედვის ბიბლიოთეკაა. იგი შეიცავს ალგორითმებისა და ინსტრუმენტების ფართო კომპლექტს ისეთი ამოცანებისთვის, როგორიცაა გამოსახულების კლასიფიკაცია, სახის ამოცნობა, ობიექტების აღმოჩენა და თვალყურის დევნება. მას ფართოდ იყენებენ კომპანიები და კვლევითი ჯგუფები. OpenCV-ის გამოყენება შესაძლებელია C++-ის ძირითადი ინტერფეისით, ასევე Java-სა და Python-ის საშუალებით.
ვინაიდან OpenCV ზოგადი დანიშნულების კომპიუტერული ხედვის ბიბლიოთეკაა, მისი გამოყენებით ვიდეოანალიზის სისტემის შექმნა შესაძლებელია. თუმცა ის სპეციალურად ვიდეოანალიტიკისთვის შექმნილი ბიბლიოთეკა არ არის, ამიტომ კონკრეტული ამოცანის მიხედვით სხვა ინსტრუმენტები შეიძლება უფრო მოსახერხებელი იყოს. ზოგადად, OpenCV განსაკუთრებით ძლიერია კლასიკური კომპიუტერული ხედვის, წინასწარი დამუშავებისა და შემდგომი დამუშავების ამოცანებში.
Norfair
Norfair არის მსუბუქი და კონფიგურირებადი Python ბიბლიოთეკა, რომელიც რეალურ დროში რამდენიმე ობიექტის თვალყურის დევნებისთვის გამოიყენება. მისი საშუალებით ნებისმიერი ობიექტის დეტექტორს თვალყურის დევნების ფუნქცია კოდის შედარებით მცირე მოცულობით შეიძლება დაემატოს.
Norfair მოქნილი და მოდულარულია: მომხმარებელს შეუძლია საკუთარი მანძილის ფუნქციების განსაზღვრა, ბიბლიოთეკის ჩაშენება უფრო რთულ ვიდეოდამუშავების მილსადენებში და სხვადასხვა ტიპის ობიექტთან მუშაობა. სისტემის საერთო სიჩქარე დიდწილად დამოკიდებულია იმ დეტექტორზე, რომელიც ობიექტების აღმოჩენისთვის გამოიყენება.
Norfair-ს შეუძლია არა მხოლოდ შემოსაზღვრული ჩარჩოების, არამედ საკვანძო წერტილებისა და 3D ობიექტების თვალყურის დევნებაც. კამერის მოძრაობის შეფასების ფუნქციით შესაძლებელია ობიექტების სტაბილური თვალყურის დევნება მაშინაც, როდესაც თავად კამერა მოძრაობს, ბრუნავს, იხრება ან მასშტაბირებს გამოსახულებას. ასევე მხარდაჭერილია ხელახალი იდენტიფიკაცია (ReID), რაც უფრო გამძლე თვალყურის დევნების სისტემის შექმნას უწყობს ხელს.
YOLO
2016 წელს ჯოზეფ რედმონმა და მისმა თანაავტორებმა CVPR კონფერენციაზე წარმოადგინეს ერთსაფეხურიანი ობიექტის დეტექტორი — You Only Look Once: Unified, Real-Time Object Detection. YOLO თავიდანვე შექმნილი იყო სიჩქარისა და სიზუსტის ბალანსის გათვალისწინებით და ამიტომ ობიექტების აღმოჩენის ერთ-ერთ ყველაზე პოპულარულ მიდგომად იქცა პრაქტიკულ გარემოში.
YOLO მხოლოდ ერთი მოდელი არ არის — ეს ობიექტების აღმოჩენის მოდელების ოჯახია. წლების განმავლობაში თავდაპირველი არქიტექტურა მრავალჯერ შეიცვალა და გაუმჯობესდა. YOLOv4, YOLOv5, YOLOv7 და YOLOX ამ ოჯახის ცნობილი ვარიაციებია.
YOLOv7-ის ავტორებმა 2022 წელს PyTorch-ზე დაფუძნებული ღია კოდის იმპლემენტაცია გამოაქვეყნეს. წინასწარ გაწვრთნილი ობიექტების აღმოჩენის მოდელების გამოყენება ვიდეოანალიტიკის გადაწყვეტილებების შედარებით სწრაფად შექმნის საშუალებას იძლევა. YOLOv7-ის იმპლემენტაციის კიდევ ერთი უპირატესობაა მისი გაფართოების შესაძლებლობა პოზის შეფასებისა და ობიექტების სეგმენტაციის ამოცანებისთვის.
ვიდეოანალიტიკის გადაწყვეტილებები
ვიდეოანალიტიკის სფეროში არსებობს მრავალი მზა გადაწყვეტა — კლასიკური უსაფრთხოების სისტემებიდან დაწყებული, უფრო რთული სცენარებით, როგორიცაა ჭკვიანი სახლი ან ჯანდაცვის აპლიკაციები.
თუ თქვენი გამოყენების შემთხვევას ერთ-ერთი სტანდარტული პროდუქტი სრულად აკმაყოფილებს, მზა გადაწყვეტა შესაძლოა საუკეთესო არჩევანი იყოს. თუმცა უნდა გაითვალისწინოთ, რომ ხშირად საჭიროა პროგრამული უზრუნველყოფის გარკვეული ადაპტაცია, პარამეტრების მორგება და არსებულ ინფრასტრუქტურასთან ინტეგრაცია, ხოლო პერსონალიზაციის შესაძლებლობა პროდუქტიდან პროდუქტამდე განსხვავდება.
მეორე მხრივ, ბევრი კომპანია ვიდეოანალიტიკისგან კონკრეტული, ინდივიდუალური ამოცანის გადაწყვეტას ელოდება. ასეთ შემთხვევაში შეიძლება საჭირო გახდეს მეტად მორგებული და ოპტიმიზებული პროგრამული უზრუნველყოფა. სპეციალიზებულ კომპანიასთან თანამშრომლობით შექმნილი ინდივიდუალური გადაწყვეტა, როგორც წესი, უკეთ ერგება კონკრეტულ ბიზნესპროცესსა და გარემოს და შესაძლოა უფრო მაღალი სიზუსტეც უზრუნველყოს.
დასკვნა
ვიდეოანალიტიკის გადაწყვეტილებები ყოველდღიური პროცესების ავტომატიზაციისა და უფრო ეფექტიანი მართვისთვის მნიშვნელოვან შესაძლებლობებს გვთავაზობს. ამ ტექნოლოგიით სარგებლობა მრავალ სექტორს შეუძლია, განსაკუთრებით იმის გათვალისწინებით, რომ მისი გამოყენების სცენარები ბოლო წლებში სულ უფრო მრავალფეროვანი და კომპლექსური ხდება.
ჭკვიანი ქალაქებიდან და სატრანსპორტო სისტემებიდან დაწყებული, საავადმყოფოებსა და აეროპორტებში უსაფრთხოების კონტროლით და საცალო სივრცეებში მომხმარებელთა ნაკადის ანალიზით დამთავრებული, ვიდეოანალიტიკა პროცესებს უფრო ეფექტიანს, ნაკლებად დამღლელს და ხშირ შემთხვევაში უფრო ეკონომიურს ხდის.
ვიმედოვნებთ, ეს მასალა დაგეხმარათ უკეთ გაგეგოთ, რა არის ვიდეოანალიტიკა, როგორ მუშაობს ის და როგორ შეიძლება მისი გამოყენება ორგანიზაციაში პროცესების ავტომატიზაციის, ოპერაციული ეფექტიანობის გაზრდისა და უკეთ დასაბუთებული გადაწყვეტილებების მისაღებად.
