Jetson Nano / Orin и AI-агент ASI Biont: автоматизация компьютерного зрения на стройке без ручного мониторинга

Введение

Представьте: стройка, десятки камер, сотни гигабайт видео в день. Инженер вручную просматривает записи, чтобы найти нарушения техники безопасности — отсутствие касок, неправильное складирование материалов, проход в опасные зоны. Это неэффективно, дорого и чревато ошибками. А что, если довести эту задачу AI-агенту, который сам анализирует видеопоток с Jetson Nano / Orin и шлёт уведомления в Telegram? Именно такую интеграцию мы сегодня разберём.

Jetson Nano и Jetson Orin — одноплатные компьютеры NVIDIA, оптимизированные для задач компьютерного зрения и AI на периферии. Они способны запускать нейросети в реальном времени, обрабатывать видео с нескольких камер и работать автономно. Подключив их к AI-агенту ASI Biont, вы получаете возможность управлять детекцией, получать оповещения и менять логику работы без написания кода с нуля — всё через чат.

1. Зачем подключать Jetson Nano / Orin к AI-агенту?

Сам по себе Jetson — мощный вычислитель, но его настройка требует знаний: нужно написать скрипты на Python, настроить SSH-доступ, организовать логику сбора данных и уведомлений. AI-агент ASI Biont устраняет этот барьер. Он подключается к устройству по SSH (если оно в локальной сети) или через облако (если устройство за NAT), пишет и запускает код прямо на Jetson, а результаты отправляет в чат.

Основные преимущества:
- Экономия времени: не нужно вручную писать интеграцию — AI генерирует её за секунды.
- Гибкость: можно менять алгоритмы детекции, добавлять новые классы объектов, изменять пороги срабатывания просто описав задачу в чате.
- Автоматизация: AI сам следит за видеопотоком, логирует события и уведомляет вас в Telegram, Slack или email.

2. Как AI-агент подключается к Jetson?

ASI Biont использует SSH как основной способ подключения к одноплатникам. Для этого AI пишет Python-скрипт с библиотекой paramiko и выполняет его в sandbox-окружении на сервере ASI Biont. Скрипт подключается к Jetson по SSH, запускает на нём нужные команды (например, запуск детекции через OpenCV), собирает результаты и возвращает их AI-агенту.

Пользователь просто описывает в чате:
- IP-адрес Jetson (например, 192.168.1.100)
- логин и пароль (или SSH-ключ)
- задачу («подключи камеру, детектируй отсутствие касок, шли уведомления»)

AI сам генерирует код, подключается и начинает работу.

Важно: Если Jetson находится за NAT и прямого SSH-доступа нет, можно использовать Hardware Bridge (bridge.py) — он устанавливается на ПК в локальной сети и подключается к ASI Biont через WebSocket. Тогда AI отправляет команды через industrial_command с протоколом ssh://, bridge запускает paramiko на своём компьютере и транслирует команды на Jetson.

3. Сценарий: детекция нарушений на стройке с уведомлениями в Telegram

Разберём конкретный пример. У нас есть:
- Jetson Nano с подключённой USB-камерой (или камерой по CSI-интерфейсу)
- Установленный Python 3.8+, OpenCV, библиотека для Telegram-бота (requests)
- AI-агент ASI Biont

Шаг 1. Подготовка Jetson

На Jetson нужно установить необходимые библиотеки. AI может сделать это удалённо через SSH, выполнив команду:

pip install opencv-python numpy requests

Также нужно проверить, что камера определилась:

import cv2
cap = cv2.VideoCapture(0)
if not cap.isOpened():
    print("Камера не найдена")
else:
    print("Камера работает")

Шаг 2. AI пишет скрипт детекции

Пользователь пишет в чат: «Подключись к Jetson по SSH, запусти детекцию людей без касок, при обнаружении отправляй фото в Telegram». AI генерирует Python-скрипт, который:
- подключается к камере
- каждые N секунд делает кадр
- использует предобученную модель YOLO (например, yolov8n.pt) для детекции объектов
- если обнаружен человек без каски (класс 'person' и отсутствие класса 'helmet' в bounding box'е) — отправляет фото через Telegram Bot API

Пример кода, который AI сгенерирует и загрузит на Jetson:

import cv2
import numpy as np
import requests
import time
from ultralytics import YOLO

# Параметры
TELEGRAM_TOKEN = "ваш_токен"
CHAT_ID = "ваш_chat_id"
MODEL_PATH = "yolov8n.pt"  # можно заменить на модель, обученную на касках

# Загрузка модели
model = YOLO(MODEL_PATH)

# Подключение к камере
cap = cv2.VideoCapture(0)
if not cap.isOpened():
    print("Ошибка открытия камеры")
    exit()

while True:
    ret, frame = cap.read()
    if not ret:
        break

    # Детекция
    results = model(frame, conf=0.5)

    # Проверяем, есть ли люди без касок
    # Здесь упрощённая логика: если есть 'person' и нет 'helmet' в той же области
    # В реальности нужно анализировать IoU и классы
    persons = []
    helmets = []
    for box in results[0].boxes:
        cls = int(box.cls[0])
        if cls == 0:  # person
            persons.append(box.xyxy[0].tolist())
        elif cls == 1:  # helmet (если модель обучена на касках)
            helmets.append(box.xyxy[0].tolist())

    # Если есть люди и нет касок — отправляем уведомление
    if persons:
        # Сохраняем кадр
        cv2.imwrite("alert.jpg", frame)
        # Отправляем в Telegram
        with open("alert.jpg", "rb") as f:
            requests.post(
                f"https://api.telegram.org/bot{TELEGRAM_TOKEN}/sendPhoto",
                data={"chat_id": CHAT_ID, "caption": "Обнаружен работник без каски!"},
                files={"photo": f}
            )
        # Ждём 30 секунд, чтобы не спамить
        time.sleep(30)

    time.sleep(5)  # кадр каждые 5 секунд

Примечание: В реальной интеграции AI адаптирует код под конкретную модель (например, обученную датасету Safety Helmet Detection) и может использовать не YOLO, а TensorRT для ускорения на Jetson.

Шаг 3. Запуск на Jetson

AI отправляет на Jetson команду запуска скрипта в фоне:

nohup python3 detect_helmet.py &

После этого AI может проверить, что процесс запущен, и сообщить пользователю: «Детекция запущена. При обнаружении нарушений фото будет отправлено в Telegram».

Шаг 4. Мониторинг и управление через чат

Пользователь может в любой момент написать в чат:
- «Покажи последние нарушения» — AI подключается по SSH, читает лог-файл и выводит последние события.
- «Измени порог детекции на 0.7» — AI отправляет команду на Jetson, изменяет параметр в конфигурационном файле и перезапускает скрипт.
- «Останови детекцию» — AI отправляет kill процессу.

4. Почему это выгодно?

• Не нужно писать код вручную: AI генерирует скрипты под вашу задачу за секунды. Даже если вы не программист, достаточно описать задачу на русском.
• Мгновенная реакция: AI сам подключается к Jetson, настраивает окружение, запускает детекцию и шлёт уведомления. Всё, что нужно — указать IP и учётные данные.
• Гибкость: Можно быстро менять логику — добавить детекцию дыма, огня, открытых люков. Просто опишите новую задачу в чате.
• Экономия на инженерах: Вам не нужен отдельный разработчик для написания интеграции. AI делает это сам.

5. Другие сценарии с Jetson Nano / Orin

6. Подводные камни и как их обойти

• SSH-доступ: Если Jetson за NAT, используйте Hardware Bridge (bridge.py). Скачайте его из дашборда ASI Biont, укажите токен и порты. AI подключится через WebSocket и будет транслировать команды.
• Производительность: Модели YOLO могут быть тяжёлыми для Jetson Nano. AI может порекомендовать использовать TensorRT или модель Nano. Если нужно — AI сам сконвертирует модель.
• Ограничения sandbox: AI-агент выполняет скрипты в sandbox-окружении, которое имеет таймаут 30 секунд. Для длительных задач (например, непрерывная детекция) AI запускает скрипт на самом Jetson через SSH, а не в sandbox.

Заключение

Jetson Nano / Orin — идеальная платформа для компьютерного зрения на периферии. А AI-агент ASI Biont делает работу с ним простой и доступной: достаточно описать задачу в чате, и AI сам напишет код, подключится к устройству и начнёт мониторинг. Никаких панелей управления, никаких кнопок «добавить устройство» — только диалог с AI.

Готовы попробовать? Зайдите на asibiont.com, создайте API-ключ, скачайте bridge (если нужно) и напишите AI-агенту: «Подключи мою Jetson Nano, настроить детекцию нарушений на стройке». Увидите, как всё заработает за минуту.