Платформа видеоаналитики реального времени
Подробнее о докладе
Другие доклады
- Один подход для разных систем: насколько универсальными стали IT-практики разработки?Даниил Подольский, Яна Тендляш, Артем Пузанков

- Как Cloud Native влияет на эффективность разработкиВиталий Хабаров

Спикеры
Инновационный центр «Безопасный транспорт»
Окончил СмолГу по направлению «Прикладная математика и информатика». С 2022 года работал на позиции дата инженера в Инновационном центре «Безопасный Транспорт». На текущий момент является начальником Отдела интеллектуальных систем и машинного обучения Инновационного центра «Безопасный транспорт». Занимается проектами по компьютерному зрению в транспортном комплексе Москвы, лидирует процесс разработки моделей платформы видеоаналитики по детекции транспортных средств, подсчету пассажиров, распознаванию средств индивидуальной мобильности.
Отзыв программного комитета
Как построить надёжный ML-сервис обработки видео: YOLO, трекинг, события в зонах и API. Разберём архитектуру и проблемы в проде: нестабильные RTSP-потоки, задержки, дефицит CPU/GPU и деградацию модели. Покажем, как ускорять ML-serving и контролировать качество по метрикам.
Кому полезно
Для кого доклад? - ML и MLOps инженеры, которые внедряют модели в реальные продукты. - Backend и Data инженеры, работающие с потоками данных и системами реального времени. - Тимлиды и техлиды, которым важно понимать стоимость и риски ML-сервисов.
О чём доклад
Доклад о построении системы обработки видео в реальном времени: от запуска модели YOLO и отслеживания объектов до подсчёта событий в нужных зонах, сохранения результатов, API и интерфейса для пользователей.
Главный акцент — решение реальных проблем, которые возникают при работе ML-сервиса: задержки, нестабильные видеопотоки (RTSP), нехватка CPU/GPU, качество бизнес-метрик, проверка результатов «глазами» и отслеживание ухудшения работы модели со временем.