门店 AI 视觉智能化落地：用摄像头 + 轻量模型做客流统计与区域安防

摘要：门店想做客流统计、货架巡查、禁区安防，不一定要上昂贵的云方案。本文用一台边缘小主机 + 开源模型，把普通摄像头变成会"看"的智能化节点，覆盖硬件选型、部署步骤与业务对接。

小企业为什么要做视觉智能化

对零售、餐饮、便利店来说，摄像头早就装了，但大多只用来"出事后回放"。视觉智能化的价值在于把画面变成可统计、可告警的数据：

• 客流统计：每天进店多少人、高峰在几点，比拍脑袋排班准得多。
• 区域安防：收银台、仓库、消防通道是否有人长时间逗留或闯入禁区。
• 货架/合规：商品是否被挪空、员工是否按要求戴口罩/工服（特定行业）。

关键认知：这些需求大多不需要把视频传到云端，在本地边缘设备上跑模型既快又省流量，还规避了上云的隐私顾虑。

方案选型：云端 API vs 本地模型

维度	云端视觉 API	本地边缘模型
成本	按调用量持续付费	一次性硬件投入
延迟	受网络影响	本地毫秒级
隐私	视频出公网	数据不出店
运维	简单	需一点部署

结论：单店或少量门店，本地边缘方案更划算也更稳。本文就以本地方案为主线。

硬件：选对摄像头比选算法更重要

• 用 RTSP 协议的 IPC：海康、大华、TP-Link 等主流 IPC 基本支持 RTSP 取流，避免只能走厂商私有 App 的封闭摄像头。
• 分辨率与角度：客流统计用 1080P 足够，装在高处俯拍门口，覆盖完整进门线；区域安防按需布点。
• 边缘主机：一台 N100 小主机（带核显）足以跑 4–8 路 1080P 推理，功耗仅 6W 左右，比常年开高配服务器省钱。

部署：用 Docker 跑 Frigate + YOLO 的落地步骤

我选 Frigate（开源 NVR + 目标检测）配合本地模型，部署极简：

1. 在边缘主机装好 Docker 与 Docker Compose。
2. 编写 docker-compose.yml，挂载 /dev/dri（调用 Intel 核显做硬件解码），配置 cameras 的 RTSP 地址与检测区域（mask/zone）。
3. 启用 OpenVINO 或 TensorFlow 加速的 detector，对象类型勾选 person，模型用官方提供的轻量 YOLO 变体。
4. 在 Web UI 里画"进门计数线"和"禁区框"，保存后实时推理即生效。

实测 N100 上单路 1080P 检测 CPU 占用约 15%–25%，画面里的人形框稳定、计数准确。

把识别结果接到业务：客流看板与告警

光有画面不够，要把数据用起来：

• 客流看板：Frigate 的 MQTT 事件（有人经过计数线）订阅到 Node-RED，按小时聚合写入 InfluxDB，Grafana 出"今日客流/分时曲线"，老板手机上看一眼就懂。
• 区域告警：禁区检测到人 → Node-RED 调企业微信/钉钉机器人 webhook → 店长秒收消息。比回放找事故快得多。
• 数据沉淀：每日客流落库，周报自动生成，直接支撑排班与进货决策。

隐私与合规：门店场景不能踩的线

1. 公示告知：在入口张贴"店内启用了智能监控"提示，尊重顾客知情权。
2. 不采集人脸身份：客流只统计"人数与轨迹"，避免做人脸识别比对，规避个人信息合规风险。
3. 本地存储：视频与推理结果留在本店主机，不外流；定期自动清理超过 retention 的录像。
4. 权限隔离：看板账号只读，配置账号仅店长持有。

小结

门店 AI 视觉智能化并不高不可攀：一台 N100 小主机、几个 RTSP 摄像头、一套 Frigate + Node-RED 组合，几百元投入就能把"只能回放"的监控升级为"会统计、会告警"的经营工具。先从一个进门计数场景跑通，再逐步扩展到区域安防，是小企业最稳的智能化路径。