Рассматривается задача повышения эффективности нейросетевых детекторов транспортных средств в системах видеомониторинга мегаполиса за счёт адаптивного выбора разрешения входного изображения. Предложен классификатор сложности дорожной сцены на основе четырёх низкоуровневых признаков: средней яркости, контраста, плотности краёв (оператор Кэнни) и средней локальной дисперсии текстуры. Оценка проведена на наборе данных городского трафика Open Images v6 (5 283 изображения, 12 007 объектов) с детектором YOLOv8s на двух платформах: CPU и GPU NVIDIA RTX 5060 (архитектура Blackwell). На CPU при оптимальном пороге T* = 0,60 достигается прирост производительности в 2,2 раза (18,7 FPS против 8,5 FPS) при улучшении F1-меры на 14 %. На GPU различия между режимами не превышают 2 %, что подтверждает платформозависимость эффекта.
