防犯カメラの映像をクラウドAIに送って解析する運用には、通信量・遅延・そして「映像そのものを外部に送ってよいか」という懸念がつきまといます。物体検知（人物・車両の検知程度のタスク）はローカルで完結させやすいタスクです。当サイトが実測したRaspberry Pi 5＋AI HAT2+（Hailo-10H）のデータを基に、低コストな構成を整理します。
結論
- 人物・車両検知はローカルで十分実用的です。Hailo-10H搭載のRaspberry Pi 5で、YOLOv8mが76.25 FPSまで加速します（CPU実行時は約3〜5 FPS）。
- 画像分類（ResNet50・汎用CNN処理能力の目安）は307.64 FPS。監視カメラの用途では過剰なほどの余力です。
- 機材はRaspberry Pi 5＋AI HAT2+の2点構成で、Jetson等の上位機材は不要です。
- 映像はローカルで処理が完結し、外部への常時アップロードが要りません。ただし検知結果や記録の扱いは別問題で、個人情報保護法・各種ガイドラインの確認は必要です（後述）。
なぜ防犯カメラの物体検知はローカルに向くか
防犯・警備カメラのAI活用で最も一般的なのは、「人が映ったら通知する」「車両を検知する」といった物体検知です。この処理には次の3つの理由でローカルが向いています。
- 映像を外に出したくない: 敷地内・施設内の映像には来訪者や従業員が映り込み、個人情報に該当し得ます（後述）。クラウドへの常時アップロードは情報漏洩リスクと保存先の管理コストを増やします。
- 常時稼働でも通信量が発生しない: 24時間の映像をクラウドへ送り続けると通信量・API費用がかさみます。ローカルなら検知結果（テキストやイベントログ）だけを必要な時に送れば済みます。
- 遅延が小さい: 現場での即時通知（侵入検知等）は、クラウド往復の遅延がない分、ローカル処理の方が有利です。
クラウドAI運用
カメラ → 常時アップロード → クラウドで検知
- ・映像そのものが外部サーバーに送られる
- ・通信量・API費用が稼働時間に比例して増える
- ・検知結果が届くまでの往復遅延がある
ローカルAI運用（本記事の構成）
カメラ → Hailo-10Hで検知 → 該当時のみ通知
- ・映像は現地の機材内で処理が完結する
- ・送信するのは検知結果（通知）のみで通信量が小さい
- ・クラウド往復がないぶん通知までが速い
検知結果・録画データそのものの保存・共有方法は別途の設計が必要（本記事「導入時の注意点」参照）。
物体検知はLLMのテキスト生成とは全く別のワークロードで、CNN（畳み込みニューラルネットワーク）に最適化されたNPUが素直に効きます。
実測: CPU実行 vs Hailo-10H
Raspberry Pi 5にAI HAT2+（Hailo-10H・40TOPS）を装着した状態での実測です。
| タスク | なし（CPU） | あり（Hailo） | 効果 |
|---|---|---|---|
| 物体検出 YOLOv8m | 約3〜5 FPS | 76.25 FPS | 約15〜25倍速い |
| 画像分類 ResNet50 | 数十FPS級（経験則） | 307.64 FPS | 大幅に速い |
| LLM｜ollama標準（Qwen2.5 1.5B） | 10.6 tok/s | 10.6 tok/s | Hailo不使用＝不変 |
| LLM｜Hailo GenAI SDK（同上） | — | 4.75 tok/s / 2.5W | CPUより遅いが超低電力 |
画像（CNN）はAI HAT2+で激変、LLMの速度には効かない。これがTOPS神話の核心です。最下行が決定的で、Hailo専用のGenAI SDKでLLMを実際に動かしても 4.75 tok/s＝CPUの10.6 tok/sより遅い（ただし2.5WとCPU 7.9Wより省電力でCPUを解放）。つまり40 TOPSは画像には効く（308 FPS）が、LLMの速度には効かない。ollama/llama.cppはそもそもHailoを使わずCPU実行（=AI HATの有無で不変）。Hailo・LLMとも当サイトの自前実測（Hailo LLMはHailoRT 5.1.1＋v5.2.0 HEF・end-to-end計測で公称~9.5 tok/sは下回るが「CPU比で速くない」結論は不変）、CPUのYOLOは外部ベンチ（根拠: Seeed Studio Wiki 等）。要検証。
YOLOv8m（人物・車両等の物体検知でよく使われるモデル）は約15〜25倍速くなり、画像分類（ResNet50・汎用CNN処理能力の目安）は307.64 FPSに達します。防犯カメラ用途で必要なフレームレート（数FPS〜十数FPS程度あれば十分なことが多い）に対しては、Hailo-10Hは十分すぎる余力があります。
なお同じ機材でLLM（文章生成）を動かすと事情が変わり、Hailoの効果はほぼ出ません。理由はTOPS神話の検証で解説した通り、LLMの逐次生成はメモリ帯域律速でCNN向けNPUと相性が悪いためです。「映像はNPUで速く、文章生成はCPU/GPUで」という役割分担が実態に合っています。
構成例と機材
- 本体: Raspberry Pi 5 8GB
- NPU: AI HAT2+（Hailo-10H・40TOPS）
- 想定用途: 敷地内カメラの人物・車両検知、通知トリガー、通行人数のカウント（個人識別を伴わない匿名集計）
上位のJetson・GPUマシンを使わずとも、この2点構成で物体検知は実用速度に達します。機材はRaspberry Pi 5とAI HAT2+の2点のみで、初期コストを抑えられます。手元の機材で他のモデルがどう動くかは動くか診断、機材選び全般は機材の選び方をどうぞ。
導入時の注意点
- 映像処理をローカルで完結させても、検知結果・録画データの扱いは別途整理が必要です。個人情報保護法・各種ガイドラインへの適合は、用途（住宅・店舗・公共施設等）によって求められる対応が異なります。導入前に一次情報・専門家への確認をおすすめします。
- 本記事は人物・車両の検知程度の一般的な物体検知を対象にしています。顔認識など個人を特定する処理は、検知よりも慎重な法的整理が必要な領域です。
精度等について
- 実測はYOLOv8m・ResNet50の2モデルのみです。防犯カメラで使われる他のモデル（軽量な顔検知モデル等）での実測ではありません。
- CPU実行時のYOLOv8m基準値（約3〜5 FPS）は自社実測ではなく外部ベンチの参考値です（Seeed Studio Wiki）。
- 実際のカメラ映像（実運用の解像度・フレームレート・同時接続台数）での検証ではなく、単体モデルの推論速度の実測です。実運用ではカメラ台数・解像度に応じた検証が別途必要です。
- 法令・ガイドラインに関する記述は一般的な留意点の整理であり、法的助言ではありません。
バーチカルAI全体の考え方はバーチカルAIにローカルAIをどう組み込むか、他業種の実装例も順次追加予定です。
この機材を入手する
- Raspberry Pi 5 8GB：Amazonで見る広告・Amazon／楽天で見る広告・楽天
- AI HAT2+（Hailo-10H）：Amazonで見る広告・Amazon／楽天で見る広告・楽天
実売価格は変動するため、最新の価格はリンク先で確認してください。