{"id":13878,"date":"2025-04-17T22:10:00","date_gmt":"2025-04-17T12:10:00","guid":{"rendered":"https:\/\/digifort.global\/explorando-os-beneficios-em-termos-de-custo-beneficio-das-tecnologias-de-analise-de-imagens-de-cftv\/"},"modified":"2026-06-18T08:42:43","modified_gmt":"2026-06-17T22:42:43","slug":"explorando-os-beneficios-em-termos-de-custo-beneficio-das-tecnologias-de-analise-de-imagens-de-cftv","status":"publish","type":"post","link":"https:\/\/digifort.global\/pt-br\/blog\/explorando-os-beneficios-em-termos-de-custo-beneficio-das-tecnologias-de-analise-de-imagens-de-cftv\/","title":{"rendered":"Explorando os benef\u00edcios em termos de custo-benef\u00edcio das tecnologias de an\u00e1lise de imagens de CFTV"},"content":{"rendered":"\n
<\/div>\n\n

Existem tr\u00eas grandes tipos de tecnologia de an\u00e1lise de v\u00eddeo dispon\u00edveis em solu\u00e7\u00f5es baseadas em servidor, VMS e CFTV.<\/p>\n\n

<\/div>\n\n
\"\"<\/figure>\n\n
<\/div>\n\n

Por ordem de precis\u00e3o e capacidade, temos a An\u00e1lise Neural; depois, a An\u00e1lise de Aprendizado Profundo e Intelig\u00eancia Artificial (DL e IA); e, por fim, o Objeto Bin\u00e1rio de Grande Tamanho, ou BLOB.<\/p>\n\n

A Digifort \u00e9 compat\u00edvel com os tr\u00eas tipos, al\u00e9m de se integrar \u00e0s ferramentas de an\u00e1lise de NVRs de terceiros, dispositivos de an\u00e1lise \u201ctudo em um\u201d e c\u00e2meras. Por isso, pedimos a Nick Bowden, diretor-geral da Digifort UK, para falar sobre as vantagens em termos de custo-benef\u00edcio. <\/p>\n\n

A op\u00e7\u00e3o de an\u00e1lise mais precisa e avan\u00e7ada \u00e9 a an\u00e1lise neural. Essa \u00e9 a op\u00e7\u00e3o mais cara de implementar, porque o software custa mais e exige hardware de alto desempenho para funcionar. As outras op\u00e7\u00f5es de an\u00e1lise podem ser menos avan\u00e7adas, mas s\u00e3o perfeitamente adequadas para muitas aplica\u00e7\u00f5es de CFTV, onde os or\u00e7amentos s\u00e3o mais apertados. <\/p>\n\n

A Digifort \u00e9 parceira de tecnologia da Nvidia. Seu software de an\u00e1lise est\u00e1 otimizado para rodar em Unidades de Processamento Gr\u00e1fico (GPUs) da Nvidia. Elas s\u00e3o instaladas em um servidor junto com o processador do sistema operacional (SO). O \u201cdesempenho\u201d do servidor VA \u00e9 medido em n\u00facleos CUDA, o que \u00e9 parecido com a pot\u00eancia em cavalos (BHP) nos carros. GPUs com 4.000 n\u00facleos CUDA ou mais s\u00e3o comuns e acess\u00edveis. Esse \u201cor\u00e7amento\u201d de desempenho da GPU \u00e9 distribu\u00eddo por v\u00e1rios canais de an\u00e1lise, e a funcionalidade de an\u00e1lise \u00e9 alocada aos canais de v\u00eddeo necess\u00e1rios \u2014 com a flexibilidade de ser realocada para outros canais de v\u00eddeo no sistema, se necess\u00e1rio. NVRs, solu\u00e7\u00f5es de an\u00e1lise em caixa e c\u00e2meras com an\u00e1lise integrada simplesmente n\u00e3o t\u00eam essa \u201cpot\u00eancia\u201d de desempenho nem essa flexibilidade de implanta\u00e7\u00e3o do sistema. As placas de GPU est\u00e3o se desenvolvendo rapidamente, com o desempenho de processamento dobrando a cada ano, pelo mesmo custo. Portanto, podemos esperar nos beneficiar de melhorias ainda maiores de desempenho e redu\u00e7\u00f5es de custo nos sistemas de CFTV baseados em servidor daqui para frente. Al\u00e9m disso, dedicar os n\u00facleos da GPU \u00e0 an\u00e1lise e os n\u00facleos do servidor ao sistema operacional e ao processamento de v\u00eddeo \u00e9 uma boa pr\u00e1tica para otimizar o desempenho do servidor, j\u00e1 que cada um acessa seus respectivos recursos de processamento de maneira diferente. <\/p>\n\n

<\/div>\n\n

1. An\u00e1lise Neural<\/strong><\/h3>\n\n

A an\u00e1lise neural \u00e9 uma novidade relativamente recente no mundo do CFTV convencional. Assim como no reconhecimento humano, v\u00e1rios objetos diferentes dentro do campo de vis\u00e3o da c\u00e2mera s\u00e3o identificados a partir de um banco de dados de objetos conhecidos, com novos objetos espec\u00edficos sendo \u201cintroduzidos\u201d no sistema e outros objetos aprendidos pelo sistema ao longo do tempo. \u00c9 poss\u00edvel aplicar regras a objetos individuais ou a combina\u00e7\u00f5es deles, com alarmes ou eventos em tempo real acionados para que o operador reaja. A Digifort oferece tr\u00eas redes neurais \u00e0 sua escolha: <\/p>\n\n

    \n
  • Objetos \u201cgerais\u201d, como ve\u00edculos e pessoas.<\/li>\n\n\n\n
  • Crime, por identificar armas, posi\u00e7\u00f5es suspeitas dos bra\u00e7os e movimentos (como apontar uma arma).<\/li>\n\n\n\n
  • Industrial, para identificar pessoas usando capacetes, m\u00e1scaras, \u00f3culos de prote\u00e7\u00e3o e EPI.<\/li>\n<\/ul>\n\n

    A an\u00e1lise neural \u00e9 ideal para aplica\u00e7\u00f5es do tipo \u201cocupa\u00e7\u00e3o\u201d, como o n\u00famero de carros em um estacionamento ou de pessoas em uma fila. Ela reconhece os objetos \u201cvis\u00edveis\u201d no campo de vis\u00e3o da c\u00e2mera, ou em uma zona, e os conta. V\u00e1rias zonas captadas por uma ou v\u00e1rias c\u00e2meras podem ser agregadas para uma contagem no local. Os fundos das cenas s\u00e3o ignorados, j\u00e1 que n\u00e3o s\u00e3o objetos reconhecidos, o que reduz os alarmes falsos. <\/p>\n\n

    <\/div>\n\n
    \"\"<\/figure>\n\n
    <\/div>\n\n

    2. Aprendizado Profundo e Intelig\u00eancia Artificial (AP e IA)<\/strong><\/h3>\n\n

    A an\u00e1lise de DL e IA tamb\u00e9m pode incluir um componente neural e, geralmente, reconhece pessoas, vans, bicicletas, carros, caminh\u00f5es, grupos de pessoas, bolsas, ciclistas e muito mais, inclusive com um perfil espec\u00edfico de cores. \u00c0 medida que a cena captada pela c\u00e2mera \u00e9 \u201caprendida\u201d, a an\u00e1lise de DL\/IA se autocalibra para reconhecer os fundos da cena, minimizando os alarmes falsos. V\u00e1rias regras podem ser aplicadas individualmente ou ao mesmo tempo, como presen\u00e7a, entrada, sa\u00edda, aparecimento e desaparecimento de um objeto; dire\u00e7\u00e3o e filtros contra seguir muito pr\u00f3ximo; contagem ao cruzar uma linha; e objetos parados, vagando, abandonados ou removidos. A an\u00e1lise da Digifort tamb\u00e9m usa uma estrutura de relat\u00f3rios de metadados que permite a busca forense em v\u00eddeos gravados por diferentes objetos, de acordo com as configura\u00e7\u00f5es originais. <\/p>\n\n

    Muitos NVRs, solu\u00e7\u00f5es de an\u00e1lise em dispositivos dedicados e c\u00e2meras com an\u00e1lise integrada usam vers\u00f5es desse tipo de an\u00e1lise, geralmente sem o elemento neural, mas muitas vezes n\u00e3o t\u00eam a capacidade de processamento necess\u00e1ria para maximizar seu potencial, j\u00e1 que n\u00e3o \u00e9 pr\u00e1tico nem econ\u00f4mico instalar GPUs da Nvidia nos NVRs.<\/p>\n\n

    <\/div>\n\n

    3. Objeto bin\u00e1rio de grande porte \/ BLOB<\/strong><\/h3>\n\n

    Esse \u00e9 o n\u00edvel mais b\u00e1sico de an\u00e1lise, que reconhece o tamanho dos objetos (n\u00famero de pixels) e o comportamento com base na detec\u00e7\u00e3o de movimento e em algumas an\u00e1lises simples, como a travessia de linhas. Muitos NVRs usam esse tipo de an\u00e1lise. \u00c9 uma op\u00e7\u00e3o de baixo custo, ideal para acionar a grava\u00e7\u00e3o por movimento ou por evento em um sistema VMS, a fim de economizar espa\u00e7o de armazenamento. <\/p>\n\n

    <\/div>\n\n

    Desempenho da an\u00e1lise e sobrecarga de hardware<\/strong><\/h3>\n\n

    O Neural Analytics usa fluxos de v\u00eddeo D1 (720×576 pixels) para processamento, mesmo que o fluxo \u201cprobat\u00f3rio\u201d gravado no VMS seja de 4 MP, 8 MP ou mais. Alguns tipos de an\u00e1lise bem espec\u00edficos usam 1080p (1920×1080 pixels), geralmente na an\u00e1lise de comportamentos humanos. Para se ter uma ideia da capacidade, uma GPU de 3.000 n\u00facleos que custa menos de \u00a3500 costuma processar cerca de 40 canais neurais. <\/p>\n\n

    S\u00f3 pra te avisar: algumas solu\u00e7\u00f5es de an\u00e1lise em caixa s\u00f3 gravam o fluxo de processamento de an\u00e1lise \u2014 que pode ser em D1 ou menos \u2014, sem um fluxo simult\u00e2neo de alta resolu\u00e7\u00e3o como prova. Isso significa que o v\u00eddeo de an\u00e1lise muitas vezes pode ser gravado em baixa resolu\u00e7\u00e3o \u2014 ent\u00e3o, d\u00e1 uma conferida se voc\u00ea decidir usar uma solu\u00e7\u00e3o de an\u00e1lise em caixa. <\/p>\n\n

    Cada tipo de an\u00e1lise tem seu lugar, quando se leva em conta o custo e o desempenho. No entanto, a an\u00e1lise neural supera todas as outras em termos de precis\u00e3o e capacidade; seu custo de implanta\u00e7\u00e3o est\u00e1 diminuindo \u00e0 medida que os custos dos servidores e das GPUs caem; e ela est\u00e1 preparada para o futuro, permitindo atualiza\u00e7\u00f5es de GPUs e de desempenho\/precis\u00e3o em sintonia com o desenvolvimento cont\u00ednuo do software de an\u00e1lise neural. <\/p>\n","protected":false},"excerpt":{"rendered":"

    Existem tr\u00eas grandes tipos de tecnologia de an\u00e1lise de v\u00eddeo dispon\u00edveis em solu\u00e7\u00f5es baseadas em servidor, VMS e CFTV. Por ordem de precis\u00e3o e capacidade, temos a An\u00e1lise Neural; depois, a An\u00e1lise de Aprendizado Profundo e Intelig\u00eancia Artificial (DL e IA); e, por fim, o Objeto Bin\u00e1rio de Grande Tamanho, ou BLOB. A Digifort \u00e9 […]<\/p>\n","protected":false},"author":5,"featured_media":13879,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_angie_page":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"page_builder":"","_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[195,196],"tags":[],"class_list":["post-13878","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog","category-artigos"],"jetpack_featured_media_url":"https:\/\/digifort.global\/wp-content\/uploads\/2026\/06\/CCTV-ANALYTICS.png","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/digifort.global\/pt-br\/wp-json\/wp\/v2\/posts\/13878","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/digifort.global\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/digifort.global\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/digifort.global\/pt-br\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/digifort.global\/pt-br\/wp-json\/wp\/v2\/comments?post=13878"}],"version-history":[{"count":2,"href":"https:\/\/digifort.global\/pt-br\/wp-json\/wp\/v2\/posts\/13878\/revisions"}],"predecessor-version":[{"id":13941,"href":"https:\/\/digifort.global\/pt-br\/wp-json\/wp\/v2\/posts\/13878\/revisions\/13941"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/digifort.global\/pt-br\/wp-json\/wp\/v2\/media\/13879"}],"wp:attachment":[{"href":"https:\/\/digifort.global\/pt-br\/wp-json\/wp\/v2\/media?parent=13878"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/digifort.global\/pt-br\/wp-json\/wp\/v2\/categories?post=13878"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/digifort.global\/pt-br\/wp-json\/wp\/v2\/tags?post=13878"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}