Production ML для RTSP-камер: как построить реалтайм-платформу видеоаналитики

Доклад о том, как построить production-систему видеоаналитики для обработки потоков с RTSP-камер в реальном времени: от запуска ML-модели и трекинга объектов до расчета бизнес-событий, хранения результатов, API и пользовательского интерфейса.

В центре доклада не сама модель, а вся система вокруг нее. На примере pipeline с YOLO, трекингом, линиями, зонами и полигонами разберем, как детекции превращаются в полезные метрики: пересечения линий, присутствие объектов, заполняемость зон, подсчет транспорта, людей или СИМ.

Отдельный акцент будет на проблемах, которые появляются после перехода от эксперимента к реальному ML-сервису: задержки обработки, нестабильные RTSP-потоки, поворот или загрязнение камер, разные ракурсы и качество изображения, нехватка CPU/GPU, нагрузка на базу данных, ложные срабатывания и деградация качества модели со временем.

Участники узнают, как проектировать такую систему так, чтобы она работала быстрее и дешевле: как выбирать частоту обработки кадров, использовать batching, распределять нагрузку между CPU и GPU, контролировать FPS и задержки, не перегружать базу данных и не терять данные при сбоях видеопотоков.

Также обсудим мониторинг production ML: какие технические и ML-метрики нужно собирать, как проверять качество детекций «глазами», как замечать ухудшение модели, как настраивать алерты по состоянию потоков, ошибкам фоновых задач, TTL ссылок, падению FPS и изменению confidence.

Доклад будет полезен ML- и MLOps-инженерам, которые внедряют модели в реальные продукты, backend- и data-инженерам, работающим с потоками данных и системами реального времени, а также тимлидам и техлидам, которым важно понимать стоимость, риски и эксплуатационные ограничения ML-сервисов.