Чем ОКО отличается от GPU (например, NVIDIA Jetson)?

ОКО потребляет до 10 Вт против 120–600 Вт у GPU, весит ~200 г против ~600 г и занимает ~70 мм в длину против ~250 мм. Стоимость — от 50 тыс. ₽ против ~300 тыс. ₽ у Jetson-класса. При этом для задач компьютерного зрения производительность сопоставима: ОКО оптимизирован именно под нейросети, а не универсальные вычисления.

Какие модели нейросетей поддерживаются?

14+ архитектур из коробки: YOLOv5, YOLOX-Nano, ResNet50, Inception-v3, SqueezeNet, HRNet, 3D UNet, PointPillars, PSMNet, FADNet, RCAN, SESR-S, BERT, Movement. Принимает любые обученные ONNX-модели клиента.

Как модель загружается на плату?

Вы обучаете модель у себя, экспортируете в ONNX и загружаете через API платы. Встроенный квантизатор конвертирует её в INT8 под архитектуру DPU. Дальше плата отдаёт результаты через REST API или напрямую в ваше приложение.

В каких форм-факторах доступна ОКО?

Плата PCI-E для установки в сервер/ПК, модуль с Ethernet/PoE для подключения к сети, компактный ПАК для интеграции в роботов и БПЛА. Возможна кастомная интеграция под конкретный корпус/робота.

Нужен ли интернет для работы?

Нет. ОКО разработан именно для автономных сценариев: анализ идёт полностью на плате, в сеть уходят только результаты (события, метаданные) — и то по вашему усмотрению. Работает полностью off-grid.

Подходит ли для объектов КИИ и гос-сектора?

Да. Разработка российская, в процессе получение сертификатов ФСТЭК, включение в реестр российского ПО и Минпромторга. Компания — резидент Сколково и Иннополиса.

Можно ли протестировать перед закупкой?

Да. Текущая версия платы доступна для тестирования. Мы передаём плату с вашей ONNX-моделью на пилот 2–4 недели. Если результат устраивает — переходим к серийной поставке.

NPU · компьютерное зрение

Резидент Сколково · Иннополис

ОКО
видит, что нужно

Отечественная NPU-плата для автономного анализа изображений и видео. Работает на БПЛА, роботах, камерах — без передачи данных в облако. До 10 Вт энергопотребления, ONNX-совместимость, импортозамещение GPU.

Запросить пилот Технические характеристики

NPU

ОКО

live

Энергопотребление

до 10 Вт

12–60× меньше GPU

Форм-фактор

~70 × 50 мм · ~200 г

Ускоритель

DPU на ПЛИС Xilinx · INT8

Входные данные

ONNX · 14+ архитектур NN

Автономная работа

да, без сети

off-grid

Производство

РФ · Сколково · Иннополис

до 10 Вт

энергопотребление

~200 г

вес платы

14+

поддерживаемых архитектур

ONNX

любая ваша модель

Проблема

Классический путь — через облако и GPU

Нужны выделенные каналы связи для передачи видеопотока
GPU NVIDIA — 120–600 Вт на плату, стоимость ~300 тыс. ₽+
Санкции и сложности с импортом
Невозможность автономной работы в полях / под землёй / на борту
Задержки из-за сетевой передачи

ОКО

Анализ прямо на устройстве

До 10 Вт — ставится на борт БПЛА, робота, носимого устройства
Работает без интернета — нужен только источник питания
Стоимость в 2–6× ниже сопоставимого GPU-решения
Отечественное производство, стабильные поставки
Задержка < 200 мс end-to-end

Как работает

От вашей модели
до автономной аналитики

Ваша модель

ONNX

Квантование

INT8 DPU

ОКО

ПЛИС Xilinx

Видеопоток

PCI · PoE

Результаты

API

Подготовка моделей

Обучаете модель у себя или заказываете у нас. Поддерживаем 14+ готовых архитектур.

Загрузка на плату

Через API отдаёте ONNX-модель на плату. Встроенный квантизатор конвертирует её в INT8.

Подключение к видеофиксации

PCI-E в сервер, Ethernet/PoE к IP-камере, или прямой интерфейс к CMOS-сенсору.

Интеграция с автоматизацией

REST API отдаёт события (детектированные объекты, координаты, метаданные) в вашу систему.

Сценарии применения

Где ОКО заменяет человека и GPU

< 200 мс

реакция

Детекция возгораний

Камеры с ОКО распознают пламя и дым за секунды на промплощадке — без интернета и центрального сервера.

30 FPS

анализ потока

Поиск дефектов на производстве

Контроль качества продукции в реальном времени прямо на конвейере. ONNX-модель клиента работает локально.

10 Вт

на борт

Мониторинг БПЛА

Автономный анализ на дроне: патрулирование трубопроводов, территорий, сельхозугодий без канала связи.

~200 г

на робот

Роботизированные системы

Навигация и распознавание объектов в роботах, AGV, автономных платформах складских комплексов.

95%+

точность

Мониторинг транспорта

Распознавание номеров, классификация ТС, подсчёт потока прямо на камере без передачи видеопотока.

24/7

мониторинг

Инспекция строительства

Контроль соблюдения регламентов, СИЗ, этапов выполнения работ. Работает автономно на объекте.

0 SLA

сеть не нужна

Промышленная безопасность

Детекция нарушений регламента, входа в опасные зоны, наличия СИЗ. Мгновенная сигнализация оператору.

авто

патруль

Мониторинг распределённых объектов

Нефтегазовые трубопроводы, ЛЭП, протяжённые периметры — обработка на борту, отчёт по событию.

Сравнение

ОКО против GPU

Для задач компьютерного зрения — сопоставимая производительность при кратно меньшей стоимости и энергии.

Параметр

GPU

ОКО

Энергопотребление

120–600 Вт

до 10 Вт

Масса

~600 г

~200 г

Длина

~250 мм

~70 мм

Стоимость (от)

~80–300 тыс. ₽

от 50 тыс. ₽

Автономная работа

ограничено

да, без сети

Производство

зарубежное, санкции

РФ, стабильные поставки

Сертификация ФСТЭК

нет гарантий

в процессе

Форм-факторы

Три варианта исполнения

Подбираем интеграцию под ваше оборудование. Возможна кастомная разработка под уникальный корпус.

PCI-E плата

Для установки в сервер или промышленный ПК. Классический форм-фактор видеокарты.

Разъём PCI-E x4/x8
Пассивное охлаждение
До 4 плат на сервер

Ethernet / PoE модуль

Подключается напрямую к IP-камере или коммутатору. Питание по одному кабелю (PoE+).

PoE+ 30 Вт
1 Gbps
Промышленный корпус

Встраиваемый SoM

Компактный модуль для интеграции в роботов, БПЛА, IoT-устройства. Минимальный вес и размер.

~200 г
70 × 50 мм
Кастомный корпус под задачу

Архитектуры нейросетей

14+ архитектур из коробки

Или любая ваша обученная модель в формате ONNX — встроенный квантизатор сконвертирует её под DPU.

YOLOv5

Detection · 34.7G

YOLOX-Nano

Detection · 1.0G

ResNet50

Classification · 1.3G

Inception-v3

Classification · 8.0G

SqueezeNet

Classification · 1.1G

HRNet

Pose · 1.5G

3D UNet

Segmentation · 1065G

PointPillars

3D Detection · 11G

PSMNet

Depth/Stereo · 696G

FADNet

Depth · 154G

RCAN

Super-res · 40.5G

SESR-S

Super-res · 10.2G

Movement

Tracking · 0.5G

BERT

NLP on-device · 70G

Под капотом

Ядро — DPU на ПЛИС Xilinx

Плата построена на базе Xilinx Zynq UltraScale+ MPSoC. Ядро разработки — собственный модуль ускорения нейронных свёрточных сетей DPU (Deep Learning Processing Unit) с квантованием INT8, оптимизированный под задачи компьютерного зрения.

Платформа

Xilinx Zynq UltraScale+

Ускоритель

Собственный DPU

Квантование

INT8

Формат моделей

ONNX

API

REST · gRPC

Корпус

MPSoC · PCI-E · PoE

// Pipeline inference

inputframe ← camera.read() // 1920×1080 @ 30 FPS

preproctensor ← resize(640×640) + normalize()

DPU · INT8detections ← yolov5.infer(tensor) // ~7 мс

postprocnms + filter(conf > 0.5)

outputPOST /api/events { boxes: [...] } // 3 ms

end-to-end≈ 11 мс · 90 FPS

Сертификация и развитие

Этапы и статус

2023
готово
Анализ потребностей российского рынка
Глубокое исследование требований в условиях импортозамещения.
Весна 2023
готово
Проектирование архитектуры
Архитектура с учётом регуляторных требований и задач компьютерного зрения.
Лето 2024
готово
Разработка ядра системы
Создание DPU-модуля, импортёр ONNX, CLI-инструменты.
Лето 2025
готово
Аппаратная часть + резидентство
Получены статусы резидента Сколково и Иннополис. Начат процесс лицензирования.
2025–2026
в процессе
Реестр российского ПО
Регистрация в Едином реестре российских программ для ЭВМ.
2025–2026
в процессе
Сертификация ФСТЭК
Прохождение сертификации для использования на объектах КИИ.

FAQ

Частые вопросы

Не нашли ответа? Напишите — ответим в течение рабочего дня.

Задать вопрос

Протестируйте на своей задаче

Передадим плату с вашей ONNX-моделью на пилот 2–4 недели. Если результат устраивает — переходим к серийной поставке.

Заказать пилот +7 (495) 648-68-37

ОКО видит, что нужно

Классический путь — через облако и GPU

Анализ прямо на устройстве

От вашей модели до автономной аналитики

Где ОКО заменяет человека и GPU

ОКО против GPU

Три варианта исполнения

14+ архитектур из коробки

Ядро — DPU на ПЛИС Xilinx

Этапы и статус

Частые вопросы

Чем ОКО отличается от GPU (например, NVIDIA Jetson)?

Какие модели нейросетей поддерживаются?

Как модель загружается на плату?

В каких форм-факторах доступна ОКО?

Нужен ли интернет для работы?

Подходит ли для объектов КИИ и гос-сектора?

Можно ли протестировать перед закупкой?

Протестируйте на своей задаче

ОКО
видит, что нужно

От вашей модели
до автономной аналитики