3 месяца, 7 человек и 95% точность: как мы научили нейросеть следить за самокатами

Городские администрации вынуждены верить операторам кикшеринга на слово — данные о нарушениях контролирует только бизнес, и проверить их невозможно.

NetVision за 3-4 месяца создал платформу интеллектуального мониторинга, которая через компьютерное зрение фиксирует реальные нарушения: езду вдвоем, проезд переходов без спешивания, парковку в неположенных местах.

Команда из 7 человек собрала уникальный датасет, достигла точности распознавания 95% и дала городу инструмент для регулирования микромобильности на основе фактов.

Задача: дать городу объективный контроль над самокатами

Бизнес-задача — решить проблему «слепой зоны» в управлении городом, где операторы кикшеринга обладают монополией на данные о поездках. Городская администрация не имеет инструментов объективного контроля и вынуждена либо запрещать самокаты полностью, либо мириться с хаосом и нарушениями. Конфликт между городом и бизнесом строится на эмоциях, а не на фактах.

Техническая задача — создать систему мониторинга, которая через компьютерное зрение анализирует видеопоток с городских камер и фиксирует реальные нарушения правил использования средств индивидуальной мобильности. Система не должна полагаться на GPS-трекинг или датчики операторов, которые можно подкрутить. Только независимая детекция через видео. Результат — не просто штрафы, а аналитические дашборды для принятия управленческих решений в реальном времени.

Параметры проекта

Срок разработки: 3-4 месяца от идеи до работающего MVP с дашбордом в контуре потенциального клиента.

Команда: 7 человек (R&D-лид, ML-инженеры, стажёры, Backend-разработчики, Frontend-разработчик).

Точность детекции: 95% и выше на распознавании паттернов поведения.

Подход: гибридная разработка с разделением R&D для проверки гипотез с математиками и продакшн-доработки платформы Netvision.

Результат: собран огромный уникальный датасет городских инцидентов с СИМ.

Архитектура: компьютерное зрение вместо GPS

Платформа Netvision Micromobility Control построена на микросервисной архитектуре для гибкости и быстрого масштабирования:

→ Видеопоток с городских камер

→ Нейросетевые сервисы компьютерного зрения (кастомные модели + собственная топология)

→ Детекция паттернов нарушений (езда вдвоем, проезд перехода, парковка)

→ Backend на Rust, C#, Python для обработки данных

→ Аналитические модули на C++ для высокопроизводительных вычислений

→ Frontend с интерактивными дашбордами и геоаналитикой (карты, тепловые зоны)

Ключевое отличие — система не использует GPS и датчики операторов, которые можно манипулировать. Только независимый анализ видео через компьютерное зрение. Модели обучены на уникальном датасете реальных городских инцидентов, собранном командой.

Пять технических прорывов проекта

1. Детекция сложных паттернов в плотном потоке

Научить нейросеть распознавать «два человека на одном самокате» или «движение по переходу без спешивания» в плотном потоке людей — нетривиальная задача. Стандартные модели детекции объектов не справляются с перекрытиями, быстрыми движениями и специфическими углами камер.

Команда разработала кастомные модели компьютерного зрения, часть из которых имеют нестандартные реализации, а часть — полностью собственную топологию под конкретные городские сценарии.

Нейросеть распознаёт нарушение в плотном потоке людей

2. Сбор датасета в условиях закрытого контура

В защищенном контуре городской безопасности практически невозможно получить данные с дорожных камер, перекрестков и других источников видео. На первом этапе команда собирала данные в открытых источниках. Когда их стало не хватать, использовали обзорные камеры с общим доступом через интернет. Для первичной обработки применяли тяжелые vision-модели, которые составляли сырой датасет для последующей разметки под узкоспециализированные модели.

Когда данных с реальными нарушителями не хватало, команда оборудовала полигон большим количеством камер и, поднимая командный дух, устроила заезд на самокатах по безопасному участку. Так собрали edge cases и редкие паттерны поведения, которые критичны для высокой точности модели.

3. Computer Vision вместо трекинга операторов

Принципиальное решение — не полагаться на GPS-трекинг или данные с IoT-датчиков самокатов, которые контролируют операторы. Такие данные можно подкрутить или не передавать. Система анализирует только видеопоток — независимый источник правды. Это делает мониторинг объективным и дает городу реальный инструмент контроля, не зависящий от воли бизнеса.

4. Data-Driven регулирование через аналитику

Система превращает видео не просто в штрафы, а в аналитические дашборды для принятия управленческих решений. Администрация видит тепловые карты трафика самокатов, зоны концентрации нарушений, динамику по времени суток и дням недели. На основе этих данных можно аргументированно вводить «медленные зоны», выделять парковки, регулировать правила — не вслепую, а evidence-based.

Аналитический дашборд Netvision Micromobility Control

5. Гибридный подход к разработке

Команда применила гибридный подход, разделив R&D для проверки гипотез с математиками и продакшн-доработку платформы для умных городов Netvision. Это ускорило Time-to-Market: пока математики тестировали новые модели на экспериментальных данных, продакшн-команда интегрировала проверенные решения в платформу. Параллельная работа двух треков позволила выйти на MVP за 3-4 месяца вместо полугода.

Главная трудность: доступы и сбор данных

🔴 Проблема: Закрытый контур городской безопасности

Получить доступ к данным с дорожных камер, перекрестков и других источников видео в защищенном контуре городской безопасности практически невозможно. Без реальных данных обучить модель на городских сценариях нельзя. Открытые датасеты не покрывают специфику российских городов, плотность трафика, углы установки камер.

✅ Решение: Многоступенчатый сбор от открытых источников до собственного полигона

• Первый этап — сбор данных из открытых источников и обзорных камер с доступом через интернет.
• Второй этап — использование тяжелых vision-моделей для первичной обработки и составления сырого датасета, который затем размечался под узкоспециализированные модели.
• Третий этап — команда оборудовала полигон большим количеством камер и устроила заезд на самокатах, фиксируя различные паттерны поведения и нарушения. Это дало редкие edge cases и повысило точность модели до 95%. Такой подход превратил ограничение в преимущество — датасет получился уникальным и идеально заточенным под российские городские условия.

Результаты: от споров к фактам

Точность определения паттернов поведения на уровне 95% и выше позволяет использовать систему для реального контроля, а не только экспериментов. Собран огромный уникальный датасет реальных городских инцидентов с участием средств индивидуальной мобильности.

Выявлено значительное преобладание проезда переходов на самокате без спешивания — конкретные цифры дали администрации аргументы для регулирования правил. Инициирован многосторонний диалог между городом и операторами кикшеринга на основе объективных данных, а не эмоций.

Продукт меняет парадигму взаимодействия «Город — Кикшеринг». Вместо эмоциональных споров и взаимных обвинений появляются факты. Администрация получает аргументы для введения «медленных зон» или выделения парковок, основанные на реальной статистике нарушений и трафика. Для рынка это шаг к цивилизованной микромобильности: безопасность повышается без тотальных запретов отрасли, которые убивают бизнес и лишают горожан удобного транспорта.

Это «Умный Город» с человеческим лицом — технологии берегут жизни и здоровье пешеходов и самокатчиков, сохраняя при этом удобство передвижения по городу. Баланс между безопасностью и свободой передвижения достигается через данные, а не через запреты.

Планы развития

NetVision развивает платформу по трем направлениям: интеграция в умные камеры для вычислений непосредственно на борту через edge computing, что снизит нагрузку на серверы и ускорит реакцию системы; расширение набора распознаваемых паттернов поведения — детекция парковки в неположенных местах, движения против потока, использования самокатов детьми без сопровождения; возможная интеграция с внешними системами, включая операторов кикшеринга, для автоматического информирования о нарушениях и создания единой экосистемы управления микромобильностью.

Участник Продуктовой Премии Tproger 2025