Computer vision на VPS: детекция объектов

Детекция объектов — основа умного видеонаблюдения, подсчета людей и модерации контента. С YOLO на своем VPS ты анализируешь фото и видеопотоки без облачных лимитов и с полным контролем над данными.

Что умеет современный CV

Компьютерное зрение решает несколько типов задач: детекция (где на кадре объект и что это), классификация (что изображено целиком), сегментация (пиксельная маска объекта). Для практики самое востребованное — детекция: подсчет людей, номера машин, товары на полке, модерация.

Рабочая лошадка сегодня — YOLO (You Only Look Once): одна нейросеть находит все объекты за один проход, работает и на CPU, и на GPU.

Модель возвращает для каждого найденного объекта класс (что это), координаты рамки (где) и уверенность (насколько модель убеждена). Из этих трех величин строится все прикладное: подсчет людей в кадре — это число рамок класса person, контроль зоны — проверка, попала ли рамка в заданный прямоугольник, а модерация — реакция на появление нежелательного класса.

Установка YOLO (Ultralytics)

Ставим окружение и пакет ultralytics, который включает готовые предобученные модели:

apt update && apt install -y python3 python3-venv libgl1 libglib2.0-0
python3 -m venv ~/cv-venv
source ~/cv-venv/bin/activate
pip install ultralytics torch torchvision --index-url https://download.pytorch.org/whl/cpu
pip install ultralytics

libgl1 и libglib2.0-0 нужны для OpenCV, на который опирается обработка изображений.

Детекция на картинке

Проверяем детекцию из командной строки — модель скачается автоматически:

yolo predict model=yolov8n.pt source=street.jpg

Модель yolov8n (nano) — самая легкая, идеальна для CPU. Результат с рамками сохранится в runs/detect. Из Python получаем структурированные данные:

from ultralytics import YOLO
model = YOLO("yolov8n.pt")
res = model("street.jpg")
for box in res[0].boxes:
    cls = model.names[int(box.cls)]
    conf = float(box.conf)
    print(f"{cls}: {conf:.2f}")

Обработка видео

YOLO принимает видеофайл или RTSP-поток с камеры и обрабатывает кадр за кадром:

yolo predict model=yolov8n.pt source="rtsp://camera-ip/stream" stream=True

Для видео важна не только скорость CPU, но и быстрый ввод-вывод: кадры читаются, промежуточные результаты пишутся. NVMe у MAATRIX здесь снимает задержки, а многоядерный AMD EPYC позволяет держать несколько потоков детекции параллельно.

API-сервис детекции

Оборачиваем модель в эндпоинт, который принимает картинку и возвращает список объектов:

from fastapi import FastAPI, UploadFile
from ultralytics import YOLO
import io
from PIL import Image

app = FastAPI()
model = YOLO("yolov8n.pt")

@app.post("/detect")
async def detect(file: UploadFile):
    img = Image.open(io.BytesIO(await file.read()))
    res = model(img)
    objs = [
        {"class": model.names[int(b.cls)], "conf": float(b.conf)}
        for b in res[0].boxes
    ]
    return {"objects": objs}

pip install fastapi uvicorn python-multipart
uvicorn app:app --host 127.0.0.1 --port 8004

Дальше этот эндпоинт легко наращивается прикладной логикой: считать только людей, слать вебхук при появлении класса, фильтровать по уверенности выше 0.5. Модель грузится в память один раз при старте, поэтому важен запас RAM и быстрый диск под кеш весов — связка AMD EPYC + NVMe у MAATRIX держит и разовые запросы, и постоянный поток кадров.

Оптимизация и частые ошибки

На CPU выбирай легкие модели (yolov8n, yolov8s) и уменьшай разрешение входа через imgsz=480 — это заметно ускоряет обработку. Для видеопотоков не обязательно детектить каждый кадр, обрабатывай каждый 3–5-й.

res = model("video.mp4", imgsz=480, vid_stride=3)

• ImportError libGL — поставь libgl1 и libglib2.0-0.
• Медленно на видео — бери nano-модель, снижай imgsz, увеличивай vid_stride.
• Пропускает мелкие объекты — наоборот, подними imgsz до 1280 ценой скорости.

Частые вопросы