مراقبة الأمن في الوقت الفعلي باستخدام الذكاء الاصطناعي وUltralytics YOLO11

تؤدي تقنيات المراقبة الذكية دورًا حيويًا في حماية الأشخاص والممتلكات والبنية التحتية في جميع أنحاء العالم. وتأتي أنظمة الكاميرات في صميم هذه الجهود، إذ تراقب الشوارع والمطارات والمدارس والمكاتب والأماكن العامة على مدار الساعة. ومع استخدام أكثر من مليار كاميرا مراقبة حول العالم، تتزايد كمية الفيديوهات المسجلة بسرعة غير مسبوقة.

تقليديًا، كانت مراجعة هذه اللقطات مهمة يدوية يتولاها مشغّلون بشريون يفحصون الشاشات بحثًا عن التهديدات المحتملة. ورغم أن هذا النهج قد ينجح في البيئات الصغيرة، فإنه يصبح مرهقًا وغير فعال على نطاقات أكبر. كما أنه يستغرق وقتًا طويلًا، وهو عيب كبير في البيئات سريعة الحركة أو المزدحمة.

تبدأ أنظمة المراقبة بالفيديو اليوم في الاعتماد على حلول الذكاء الاصطناعي (AI) لتوفير رؤى آنية تساعد على اتخاذ قرارات أكثر استنارة. ويُعد رؤية الحاسوب أحد العناصر الأساسية لهذا التقدم، وهي فرع من الذكاء الاصطناعي يتيح للآلات تفسير البيانات المرئية.

صُممت نماذج رؤية الحاسوب مثل Ultralytics YOLO11 للتعامل مع مجموعة متنوعة من مهام اكتشاف الصور والفيديو في الوقت الفعلي. ويمكنها اكتشاف الأفراد وتتبع الحركة ورصد السلوك غير المعتاد بسرعة ودقة. وحتى في البيئات المعقدة، تمكّن هذه النماذج فرق الأمن من البقاء يقظة وسريعة الاستجابة.

في هذا المقال، سنستكشف كيف يمكن لرؤية الحاسوب ونماذج مثل Ultralytics YOLO11 أن تساعد في تغيير أسلوب إدارة الأمن في بيئات مختلفة. لنبدأ!

دور رؤية الحاسوب والذكاء الاصطناعي في أنظمة السلامة العامة#

تتبنى صناعة الأمن رؤية الحاسوب بسرعة. ويمكن لأنظمة المراقبة الذكية التي تجمع بين رؤية الحاسوب والحوسبة الطرفية (التي تعالج البيانات محليًا بالقرب من مصدرها) وكاميرات CCTV أن تحلل الأشخاص والمركبات في الوقت الفعلي، مما يساعد فرق الأمن على اكتشاف التهديدات بكفاءة أكبر. ومع استمرار تطور تقنيات الذكاء الاصطناعي والكاميرات، يقترب تحليل الفيديو من حدة نظر الإنسان، مما يعيد تشكيل أساليب حماية الأماكن العامة.

يمكن لأنظمة رؤية الحاسوب تنفيذ مهام مثل اكتشاف الكائنات وتتبع الحركة والتعرف على الأنماط في مقاطع الفيديو. وهذا يعني أنها تستطيع تحديد الأشخاص واكتشاف السلوك غير المعتاد ومراقبة النشاط أثناء حدوثه. ويمكن لهذه القدرات أن تجعل أنظمة المراقبة أكثر تقدمًا وموثوقية في الأماكن العامة والخاصة على حد سواء. ونتيجة لذلك، من المتوقع أن ينمو سوق المراقبة بالفيديو باستخدام الذكاء الاصطناعي إلى 12.46 مليار دولار بحلول عام 2030.

الشكل 1. دور رؤية الحاسوب في أنظمة الأمن. الصورة من إعداد المؤلف.

كيف يمكن لـ Ultralytics YOLO11 تمكين أنظمة أمن أكثر ذكاءً#

بعد ذلك، دعونا نلقِ نظرة أقرب على Ultralytics YOLO11 والميزات التي تجعله أداة مؤثرة في تحليل الفيديو في الوقت الفعلي.

استنادًا إلى أحدث التطورات في الذكاء الاصطناعي ورؤية الحاسوب، يوفر Ultralytics YOLO11 معالجة أسرع ودقة أعلى ومرونة أكبر لتطبيقات مثل أنظمة الأمن المعتمدة على الفيديو.

على غرار نماذج YOLO السابقة، يستطيع Ultralytics YOLO11 التعامل مع مهام رؤية الذكاء الاصطناعي المعقدة، مثل اكتشاف الكائنات (تحديد مواقع الكائنات والتعرف عليها)، وتقسيم المثيلات (تمييز كائنات محددة في الصورة ورسم حدودها)، وتتبع الكائنات (متابعة الكائنات بمرور الوقت)، وتقدير الوضعية (فهم كيفية تموضع الكائنات أو حركتها).

يتميز YOLO11 أيضًا بكفاءة أعلى بكثير من النماذج السابقة. فمع عدد معلمات أقل بنسبة 22% مقارنةً بـ Ultralytics YOLOv8m، يحقق متوسط دقة متوسطًا أعلى (mAP) على مجموعة بيانات COCO، ما يعني أن YOLO11m يكتشف الكائنات بدقة أكبر مع استخدام موارد أقل. وإضافة إلى ذلك، يوفر سرعات معالجة أعلى، ما يجعله مناسبًا تمامًا للتطبيقات في الوقت الفعلي التي تكون فيها سرعة الاكتشاف والاستجابة أمرًا بالغ الأهمية وتكون كل ميلي ثانية محسوبة.

الشكل 2. يتفوق YOLO11 على نماذج YOLO السابقة عبر اختبارات معيارية متنوعة.

استخدام Ultralytics YOLO11 ورؤية الحاسوب في تطبيقات الأمن#

بعد أن أصبح لدينا فهم أفضل لكيفية عمل رؤية الحاسوب في أنظمة الأمن والمراقبة، دعونا نلقي نظرة أقرب على بعض التطبيقات الأمنية الواقعية التي يمكن أن يؤدي فيها Ultralytics YOLO11 دورًا محوريًا.

اكتشاف التسلل باستخدام رؤية الحاسوب وUltralytics YOLO11#

يُعد الحفاظ على أمن المناطق المحظورة أمرًا ضروريًا لضمان السلامة وحماية الممتلكات. وسواء أكان الموقع خاصًا أو مستودعًا أو منشأة للنقل العام، فإن اكتشاف الدخول غير المصرح به يمكن أن يمنع وقوع حوادث خطيرة.

يمكن أن يساعد Ultralytics YOLO11 في اكتشاف التسلل في الوقت الفعلي من خلال تحديد الأشخاص والمركبات أو الكائنات المتحركة الأخرى عبر خلاصات الفيديو. ويمكن تحديد حدود افتراضية، تُسمى السياجات الجغرافية، ضمن مجال رؤية الكاميرا. وعندما يعبر كائن إلى منطقة محظورة، يستطيع YOLO11 اكتشاف التسلل وإطلاق تنبيه أو تمرير بيانات الاكتشاف إلى نظام أمني متكامل لاتخاذ مزيد من الإجراءات.

تُبرز الكائنات المكتشفة باستخدام مربعات إحاطة، مما يوفر مؤشرًا مرئيًا واضحًا على النشاط. وهذا يقلل الحاجة إلى المراقبة البشرية المستمرة ويزيد فرص اكتشاف الحوادث أثناء وقوعها.

يفيد هذا النهج أيضًا في سياقات السلامة العامة. فعلى سبيل المثال، تشير الخطوط الصفراء على أرصفة القطارات إلى المناطق التي ينبغي ألا يعبرها الركاب لأسباب تتعلق بالسلامة. وفي مثل هذه السيناريوهات، يمكن استخدام Ultralytics YOLO11 لمراقبة خط الحدود واكتشاف تجاوز شخص له. ويمكن للنظام بعد ذلك تغيير لون مربع الإحاطة لإبراز مصدر قلق محتمل متعلق بالسلامة. وبفضل قدرات كهذه، يتيح YOLO11 اكتشافًا أكثر استجابة وموثوقية للتسلل في البيئات عالية المخاطر.

اكتشاف الأجسام المتروكة في المراقبة باستخدام Ultralytics YOLO11#

يمكن لحقيبة مهملة في مطار أو محطة قطار مزدحمة أن تثير مخاوف أمنية بسرعة. وفي الأماكن العامة المكتظة، يصعب على أفراد الأمن رصد هذه الأجسام بسرعة، ولا سيما أثناء نوبات العمل الطويلة أو ساعات الذروة. وقد يؤدي التأخر في اكتشافها إلى حالة من الهلع غير الضرورية أو إلى مخاطر على السلامة.

يمكن لنماذج رؤية الحاسوب مثل Ultralytics YOLO11 تحسين المراقبة من خلال اكتشاف الأجسام غير المراقبة وتقسيمها وتتبعها في خلاصات الفيديو في الوقت الفعلي. وإذا حُددت حقيبة أو طرد على أنه بقي ثابتًا في مكان واحد فترة طويلة دون وجود شخص قريب منه، فيمكن للنظام وضع علامة عليه باعتباره متروكًا على الأرجح. وتساعد طبقة التحليل الإضافية هذه على تمييز الكائنات بدقة أكبر وتقليل الحاجة إلى المراقبة البشرية المستمرة، مما يتيح استجابات أسرع وأكثر تركيزًا.

الشكل 3. استخدام Ultralytics YOLO11 لاكتشاف حقيبة سفر.

عدّ حالات الدخول والخروج باستخدام نماذج الذكاء الاصطناعي مثل Ultralytics YOLO11#

تُعد معرفة عدد الأشخاص الذين يدخلون إلى مساحة ما ويخرجون منها أمرًا حيويًا للسلامة والكفاءة التشغيلية على حد سواء. وفي أماكن مثل مراكز التسوق ومباني المكاتب ومحطات القطارات، يمكن لهذه المعلومات أن تسهّل إدارة الحشود الكبيرة وتحسين التخطيطات والحفاظ على سلاسة العمليات اليومية.

قبل اعتماد رؤية الحاسوب، كان الموظفون يجرون العد عادةً باستخدام عدادات يدوية أو مستشعرات بسيطة عند الأبواب. وتنجح هذه الأساليب، لكنها ليست فعالة عند التعامل مع حشود أكبر. كما أنها لا تكون موثوقة دائمًا في المنشآت التي تضم مداخل ومخارج متعددة.

يمكن استخدام دعم Ultralytics YOLO11 لاكتشاف الكائنات وتتبعها من أجل عدّ الأشخاص أو الكائنات ضمن منطقة اهتمام محددة. ويمكنه المساعدة في عدّ عمليات الدخول والخروج في الوقت الفعلي، حتى عند التعامل مع مساحات كبيرة أو مزدحمة. فعلى سبيل المثال، يمكن لمتاجر التجزئة استخدام هذه الطريقة لتتبع حركة الزوار عبر نقاط دخول متعددة، مما يساعد المديرين على تعديل أعداد الموظفين خلال ساعات الذروة.

يمكن لبيانات الدخول والخروج الدقيقة أن تدعم التخطيط طويل الأجل أيضًا. وتساعد الرؤى المستخلصة من هذه البيانات المديرين على دراسة أنماط حركة الزوار بمرور الوقت، مما يتيح لهم تحديد المناطق ذات الكثافة العالية وتقرير أماكن وضع اللافتات أو إعادة تهيئة المداخل لتحسين الراحة والسلامة.

الشكل 4. مثال على عداد دخول وخروج في الوقت الفعلي مدعوم بواسطة YOLO11.

إيجابيات وسلبيات أنظمة المراقبة المدعومة بالذكاء الاصطناعي#

فيما يلي بعض الفوائد الرئيسية لاستخدام رؤية الحاسوب في أنظمة الأمن الذكية:

• الكفاءة من حيث التكلفة بمرور الوقت: رغم أن الإعداد الأولي قد يكون مكلفًا، يمكن لأنظمة الذكاء الاصطناعي تقليل النفقات طويلة الأجل المرتبطة بالتوظيف والتدريب وأوجه القصور التشغيلية.
• قابلية التوسع: تتسم حلول المراقبة بالذكاء الاصطناعي بسهولة التوسع، مما يجعلها مناسبة لكل شيء بدءًا من مكتب صغير ووصولًا إلى شبكة كاميرات تغطي مدينة بأكملها.
• سهولة التكامل مع البنية التحتية الحالية: صُممت العديد من نماذج الذكاء الاصطناعي، بما فيها Ultralytics YOLO11، للتكامل بسلاسة مع أنظمة CCTV والأمن الحالية، مما يقلل الاضطرابات.

على الرغم من المزايا المتنوعة للمراقبة المدعومة بالذكاء الاصطناعي، هناك أيضًا بعض القيود التي ينبغي أخذها في الاعتبار. فيما يلي بعض التحديات الرئيسية المرتبطة بأنظمة المراقبة الذكية:

• المخاوف الأخلاقية ومخاوف الخصوصية: عند استخدام رؤية الحاسوب في الأماكن العامة، من المهم معالجة الأسئلة المتعلقة بالموافقة وتخزين البيانات وكيفية التعامل مع اللقطات لضمان احترام الخصوصية.
• الاعتماد على بيانات تدريب عالية الجودة: يعتمد أداء نماذج رؤية الحاسوب بدرجة كبيرة على مجموعات بيانات منسقة جيدًا ومتنوعة. ويمكن أن تؤدي بيانات التدريب الرديئة أو المتحيزة إلى اكتشافات غير دقيقة أو تحديد خاطئ أو نتائج تمييزية.
• العوامل البيئية: يمكن لعوامل مثل الإضاءة السيئة والطقس أو العوائق البصرية أن تؤثر في أداء الاكتشاف، ولا سيما في الأماكن الخارجية.

أهم النقاط المستخلصة#

يسهم Ultralytics YOLO11 في تحسين حلول الأمن في الوقت الفعلي من خلال المساعدة على اكتشاف الأشخاص والكائنات والأنشطة غير المعتادة بسرعة ودقة أكبر. وهو يدعم تطبيقات مثل اكتشاف التسلل وتتبع الكائنات والتنبيهات المتعلقة بالتسكع، مما يجعله مفيدًا في المناطق العامة وأماكن العمل ومراكز النقل.

ومن خلال تقليل الحاجة إلى المراقبة اليدوية المستمرة، يتيح Ultralytics YOLO11 لفرق الأمن الاستجابة بسرعة وثقة أكبر. وتوضح قدرته على تحليل الحشود وعدّ الأشخاص كيف تعمل رؤية الذكاء الاصطناعي على تشكيل مستقبل السلامة. ومع تقدم التكنولوجيا، من المرجح أن يواصل دعم أنظمة مراقبة أكثر ذكاءً وموثوقية.

كن جزءًا من مجتمعنا واستكشف مستودعنا على GitHub للتعمق في عالم الذكاء الاصطناعي. واستكشف التطبيقات المبتكرة لـرؤية الحاسوب في قطاع السيارات والذكاء الاصطناعي في الخدمات اللوجستية على صفحات حلولنا. ألقِ نظرة على خيارات الترخيص لدينا وابدأ الآن!