CAM Video Analytics

AI video analytics with object detection, tracking, face/LPR recognition, and user-guided fine-tuning.

Stack

Component	Technology
Containerization	Podman (RHEL) / Docker
Database	PostgreSQL 17 with pgvector
MQTT	Mosquitto
Object detection	YOLOv11 (Ultralytics)
Tracking	DeepSORT (Kalman + IoU)
Face recognition	InsightFace (ArcFace)
License plates	PaddleOCR
Vehicle make	CLIP zero-shot
UI	Bootstrap 5, vanilla JS

Architecture

Two-model approach:

YoloDetector — base yolo11m (COCO 80 classes) — runs only on motion frames
CropClassifier — fine-tuned.pt (custom classes) — classifies cropped objects

COCO detection and name classification run on crops. Training is done separately; resulting fine-tuned.pt is uploaded to the server.

Quick Start

Docker

# 1. Copy and configure
cp config/cameras.yaml.example config/cameras.yaml
cp config/settings.yaml.example config/settings.yaml
cp config/triggers.yaml.example config/triggers.yaml
cp .env.example .env
# edit .env

# 2. Run
docker compose up -d

# 3. Check
curl http://localhost:8090/health

Podman (RHEL 9/10)

bash scripts/install-deps.sh
cp .env.example .env && vim .env
WITH_LOCAL_PG=yes WITH_MQTT=yes bash scripts/deploy.sh
curl http://localhost:8090/health

Configuration

All configs in config/:

cameras.yaml — RTSP cameras (copy from .example, set your rtsp_url)
settings.yaml — detection thresholds, motion, tracker, LPR, face, VMR
triggers.yaml — triggers and actions (webhook/mqtt/log)

Most settings are available via the web UI (gear icon in top right). Changes apply via PUT /config with hot-reload — no restart needed.

UI Modes

View 👁

Image 70% + compact table 30%
Only name and last seen time
Suitable for monitoring

Edit ✏

Full table with detail panel on the right
Search / filters / grouping
Rename objects, assign classes
Ignore and delete

Toggle button in the top right of the navbar.

Fine-Tuning

Assign names to objects via UI
In "Дообучение" tab (Settings → 6th tab) download dataset ZIP
On a machine with GPU: run training/train.bat
Replace fine-tuned.pt on the server
Click "Загрузить модель" in UI or restart the container

train.py automatically creates a combined dataset from all named classes.

Environment Variables (.env)

Variable	Default	Description
`DB_HOST`	`postgres` (docker)	PostgreSQL host
`DB_PORT`	`5432`	Port
`DB_NAME`	`cam`	Database name
`DB_USER`	`cam`	User
`DB_PASSWORD`	`change_me`	Password
`MQTT_HOST`	`mosquitto` (docker)	MQTT host
`MQTT_PORT`	`1883`	MQTT port
`HEALTH_PORT`	`8090`	Health endpoint port
`TZ`	`Europe/Moscow`	Time zone
`WITH_LOCAL_PG`	`no`	Podman: PG in same pod
`WITH_GPU`	`no`	Podman: NVIDIA GPU passthrough
`OMP_NUM_THREADS`	`4`	CPU threads for OpenMP

API

Endpoints (port 8090)

curl http://localhost:8090/health              # status + summary
curl http://localhost:8090/stats               # aggregated stats
curl http://localhost:8090/objects?limit=20    # object list
curl http://localhost:8090/objects/{id}        # object details
curl http://localhost:8090/filters             # available filters
curl http://localhost:8090/config              # config (GET/PUT)
curl http://localhost:8090/config/reload       # hot-reload

Scripts

Script	Purpose
`scripts/deploy.sh`	Deploy podman pod
`scripts/build-push.sh`	Build + push to registry
`scripts/test-stream.sh`	Check RTSP/ONVIF cameras
`scripts/health-check.sh`	Health monitoring
`training/train.py`	Fine-tune YOLO
`training/train.bat`	Same (Windows)

Project Structure

cam/
├── config/                # configuration
│   ├── cameras.yaml       # RTSP cameras
│   ├── settings.yaml      # global settings
│   ├── triggers.yaml      # triggers
│   └── mqtt/              # Mosquitto config
├── docker/                # Containerfiles
├── src/                   # source code
│   ├── detection/         # YOLO + CropClassifier
│   ├── recognition/       # LPR, Face, VMR
│   ├── tracking/          # DeepSORT
│   ├── storage/           # PostgreSQL + repository
│   ├── pipeline.py        # main pipeline
│   └── main.py            # aiohttp server
├── training/              # fine-tuning
├── ui/                    # web interface
├── docker-compose.yml     # Docker Compose
└── .env.example           # env template

CAM Video Analytics

Система видеоаналитики с AI-обнаружением, трекингом, распознаванием лиц/номеров и дообучением на пользовательских данных.

Стек

Компонент	Технология
Контейнеризация	Podman (RHEL) / Docker
БД	PostgreSQL 17 с pgvector
MQTT	Mosquitto
Обнаружение объектов	YOLOv11 (Ultralytics)
Трекинг	DeepSORT (Kalman + IoU)
Распознавание лиц	InsightFace (ArcFace)
Распознавание номеров	PaddleOCR
Распознавание марок	CLIP zero-shot
UI	Bootstrap 5, vanilla JS

Архитектура

Проект использует двухмодельный подход:

YoloDetector — базовая yolo11m (COCO 80 классов) — работает только на кадрах с движением
CropClassifier — fine-tuned.pt (пользовательские классы) — классифицирует вырезанные объекты

Детекция COCO и классификация имён выполняются на crop'ах. Дообучение производится отдельно, результат (fine-tuned.pt) загружается на сервер.

Быстрый старт

Docker

# 1. Скопировать и настроить конфиги
cp config/cameras.yaml.example config/cameras.yaml
cp config/settings.yaml.example config/settings.yaml
cp config/triggers.yaml.example config/triggers.yaml
cp .env.example .env
# заполнить .env

# 2. Запустить
docker compose up -d

# 3. Проверить
curl http://localhost:8090/health

Podman (RHEL 9/10)

bash scripts/install-deps.sh
cp .env.example .env && vim .env
WITH_LOCAL_PG=yes WITH_MQTT=yes bash scripts/deploy.sh
curl http://localhost:8090/health

Конфигурация

Все конфиги в config/:

cameras.yaml — RTSP-камеры (копия из .example, вписать свои rtsp_url)
settings.yaml — пороги детекции, motion, трекер, LPR, face, VMR
triggers.yaml — триггеры и действия (webhook/mqtt/log)

Большинство настроек доступно через веб-интерфейс (шестерёнка в правом верхнем углу). Изменения применяются через PUT /config и hot-reload — без перезапуска.

Режимы UI

Просмотр 👁

Картинка 70% + компактная таблица 30%
Только имя и время последнего появления
Подходит для мониторинга

Редактирование ✏

Полная таблица с детальной панелью справа
Поиск / фильтры / группировка
Переименование объектов, назначение классов
Игнорирование и удаление

Переключение — кнопка в правом верхнем углу навбара.

Дообучение

Через UI задать имена объектам
На вкладке "Дообучение" (Settings → 6-я вкладка) скачать ZIP с датасетом
На машине с GPU: training/train.bat
Полученный fine-tuned.pt заменить на сервере
Через UI нажать "Загрузить модель" или перезапустить контейнер

train.py автоматически создаёт единый датасет из всех именованных классов.

Переменные окружения (.env)

Переменная	По умолчанию	Описание
`DB_HOST`	`postgres` (docker)	Хост PostgreSQL
`DB_PORT`	`5432`	Порт
`DB_NAME`	`cam`	Имя БД
`DB_USER`	`cam`	Пользователь
`DB_PASSWORD`	`change_me`	Пароль
`MQTT_HOST`	`mosquitto` (docker)	Хост MQTT
`MQTT_PORT`	`1883`	Порт MQTT
`HEALTH_PORT`	`8090`	Порт health endpoint
`TZ`	`Europe/Moscow`	Часовой пояс
`WITH_LOCAL_PG`	`no`	Podman: PG в том же pod
`WITH_GPU`	`no`	Podman: проброс NVIDIA GPU
`OMP_NUM_THREADS`	`4`	Число потоков CPU для OpenMP

API

Основные эндпоинты (порт 8090)

curl http://localhost:8090/health              # статус + сводка
curl http://localhost:8090/stats               # агрегированная статистика
curl http://localhost:8090/objects?limit=20    # список объектов
curl http://localhost:8090/objects/{id}        # детали объекта
curl http://localhost:8090/filters             # доступные фильтры
curl http://localhost:8090/config              # текущая конфигурация (GET/PUT)
curl http://localhost:8090/config/reload       # hot-reload

Скрипты

Скрипт	Назначение
`scripts/deploy.sh`	Развёртывание podman pod
`scripts/build-push.sh`	Сборка + push в registry
`scripts/test-stream.sh`	Проверка RTSP/ONVIF камер
`scripts/health-check.sh`	Мониторинг здоровья
`training/train.py`	Дообучение YOLO
`training/train.bat`	То же (Windows)

Структура проекта

cam/
├── config/                # конфигурация
│   ├── cameras.yaml       # RTSP-камеры
│   ├── settings.yaml      # глобальные настройки
│   ├── triggers.yaml      # триггеры
│   └── mqtt/              # конфиг Mosquitto
├── docker/                # Containerfile'ы
├── src/                   # исходный код
│   ├── detection/         # YOLO + CropClassifier
│   ├── recognition/       # LPR, Face, VMR
│   ├── tracking/          # DeepSORT
│   ├── storage/           # PostgreSQL + репозиторий
│   ├── pipeline.py        # основной пайплайн
│   └── main.py            # aiohttp сервер
├── training/              # дообучение
├── ui/                    # веб-интерфейс
├── docker-compose.yml     # Docker Compose
└── .env.example           # шаблон переменных

Name		Name	Last commit message	Last commit date
Latest commit History 101 Commits
config		config
docker		docker
migrations		migrations
scripts		scripts
src		src
tools		tools
ui		ui
.env.example		.env.example
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
alembic.ini		alembic.ini
docker-compose.yml		docker-compose.yml
requirements.txt		requirements.txt
run.py		run.py

Folders and files

Latest commit

History

Repository files navigation

CAM Video Analytics

Stack

Architecture

Quick Start

Docker

Podman (RHEL 9/10)

Configuration

UI Modes

View 👁

Edit ✏

Fine-Tuning

Environment Variables (.env)

API

Endpoints (port 8090)

Scripts

Project Structure

CAM Video Analytics

Стек

Архитектура

Быстрый старт

Docker

Podman (RHEL 9/10)

Конфигурация

Режимы UI

Просмотр 👁

Редактирование ✏

Дообучение

Переменные окружения (.env)

API

Основные эндпоинты (порт 8090)

Скрипты

Структура проекта

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages