المراقبة الأمنية في الوقت الفعلي باستخدام الذكاء الاصطناعي وUltralytics YOLO11

تؤدي تقنيات المراقبة الذكية دورًا حيويًا في حماية الأشخاص والممتلكات والبنية التحتية في شتى أنحاء العالم. وتعتمد هذه الجهود أساسًا على أنظمة الكاميرات التي تراقب الشوارع والمطارات والمدارس والمكاتب والأماكن العامة على مدار الساعة. ومع استخدام أكثر من مليار كاميرا مراقبة حول العالم، تتزايد كمية مقاطع الفيديو المسجلة بوتيرة أسرع من أي وقت مضى.

تقليديًا، كانت مراجعة هذه اللقطات مهمة يدوية يتولاها مشغّلون بشريون يفحصون الشاشات بحثًا عن تهديدات محتملة. وقد ينجح هذا النهج في المواقع الصغيرة، لكنه يصبح مرهقًا وغير فعّال عند تطبيقه على نطاق واسع. كما أنه يستغرق وقتًا طويلًا، وهو عيب كبير في البيئات سريعة الحركة أو المزدحمة.

تعتمد أنظمة المراقبة بالفيديو اليوم على نحو متزايد على حلول الذكاء الاصطناعي (AI) لتوفير رؤى آنية تساعد على اتخاذ قرارات أكثر استنارة. ويُعد الذكاء الاصطناعي فرعًا من الذكاء الاصطناعي يتيح للآلات تفسير البيانات المرئية، وهو عنصر أساسي في هذا التقدم.

صُممت نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 للتعامل مع مهام متنوعة لاكتشاف الصور ومقاطع الفيديو في الزمن الحقيقي. فهي تستطيع اكتشاف الأفراد وتتبع الحركة ورصد السلوك غير المعتاد بسرعة ودقة. وحتى في البيئات المعقدة، تمكّن هذه النماذج فرق الأمن من البقاء متيقظة وسريعة الاستجابة.

في هذا المقال، سنستكشف كيف يمكن للرؤية الحاسوبية ونماذج مثل Ultralytics YOLO11 أن تساعد في تغيير أساليب إدارة الأمن في بيئات مختلفة. لنبدأ!

دور الرؤية الحاسوبية والذكاء الاصطناعي في أنظمة السلامة العامة#

تتبنى صناعة الأمن الرؤية الحاسوبية بسرعة. وأصبحت أنظمة المراقبة الذكية التي تجمع بين الرؤية الحاسوبية والحوسبة الطرفية (التي تعالج البيانات محليًا، بالقرب من مصدرها) وكاميرات CCTV قادرة الآن على تحليل الأشخاص والمركبات آنيًا، ما يساعد فرق الأمن على اكتشاف التهديدات بكفاءة أكبر. ومع استمرار تقدم تقنيات الذكاء الاصطناعي والكاميرات، يقترب تحليل الفيديو من دقة بشرية في العديد من المهام، ما يعيد تشكيل أساليب حماية الأماكن العامة.

تستطيع أنظمة الرؤية الحاسوبية تنفيذ مهام مثل اكتشاف الأجسام وتتبع الحركة والتعرف على الأنماط في مقاطع الفيديو. وهذا يعني أنها تستطيع تحديد الأشخاص واكتشاف السلوك غير المعتاد ومراقبة الأنشطة فور وقوعها. وقد تجعل هذه الإمكانات أنظمة المراقبة أكثر تطورًا وموثوقية في الأماكن العامة والخاصة على حد سواء. ونتيجة لذلك، يُتوقع أن ينمو سوق المراقبة بالفيديو المعتمدة على الذكاء الاصطناعي ليصل إلى 12.46 مليار دولار بحلول عام 2030.

الشكل 1. دور الرؤية الحاسوبية في أنظمة الأمن. الصورة من إعداد المؤلف.

كيف يمكن لـ Ultralytics YOLO11 تمكين أنظمة أمن أكثر ذكاءً#

والآن، لنلقِ نظرة عن كثب على Ultralytics YOLO11 والميزات التي تجعله أداة مؤثرة في تحليل الفيديو في الزمن الحقيقي.

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

وعلى غرار نماذج YOLO السابقة، يستطيع Ultralytics YOLO11 التعامل مع مهام الذكاء الاصطناعي البصري المعقدة مثل اكتشاف الأجسام (تحديد مواقع الأجسام والتعرف عليها)، وتقسيم الكائنات (إبراز أجسام محددة في الصورة ورسم حدودها)، وتتبع الأجسام (متابعة الأجسام بمرور الوقت)، وتقدير الوضعية (فهم مواضع الأجسام أو حركتها).

كما أن YOLO11 أكثر كفاءة بكثير من النماذج السابقة. فمع عدد معاملات أقل بنسبة 22% من Ultralytics YOLOv8m، يحقق متوسط دقة متوسط أعلى (mAP) على مجموعة بيانات COCO، ما يعني أن YOLO11m يكتشف الأجسام بدقة أكبر مع استخدام موارد أقل. وإضافة إلى ذلك، يوفر سرعات معالجة أعلى، ما يجعله ملائمًا تمامًا للتطبيقات الآنية التي تتطلب سرعة الكشف والاستجابة ويكون لكل جزء من الثانية أهميته.

الشكل 2. يتفوق YOLO11 على نماذج YOLO السابقة في اختبارات أداء معيارية متعددة.

استخدام Ultralytics YOLO11 والرؤية الحاسوبية في تطبيقات الأمن#

بعد أن تكوّنت لدينا صورة أوضح عن كيفية عمل الرؤية الحاسوبية في أنظمة الأمن والمراقبة، لنلقِ نظرة عن كثب على بعض التطبيقات الأمنية الواقعية التي يمكن أن يؤدي فيها Ultralytics YOLO11 دورًا رئيسيًا.

اكتشاف التسلل باستخدام الرؤية الحاسوبية وUltralytics YOLO11#

يُعد تأمين المناطق المحظورة أمرًا أساسيًا لضمان السلامة وحماية الممتلكات. وسواء أكانت المنطقة موقعًا خاصًا أم مستودعًا أم مرفقًا للنقل العام، فإن اكتشاف الدخول غير المصرح به يمكن أن يمنع حوادث خطيرة.

يمكن أن يساعد Ultralytics YOLO11 في اكتشاف التسلل آنيًا، من خلال تحديد الأشخاص أو المركبات أو الأجسام المتحركة الأخرى عبر تدفقات الفيديو. ويمكن تحديد حدود افتراضية تُسمى السياجات الجغرافية ضمن مجال رؤية الكاميرا. وعندما يعبر جسم ما إلى منطقة محظورة، يستطيع YOLO11 اكتشاف التسلل وإطلاق تنبيه، أو تمرير بيانات الاكتشاف إلى نظام أمن متكامل لاتخاذ إجراءات إضافية.

تُبرز الأجسام المكتشفة بمربعات إحاطة، ما يوفر مؤشرًا مرئيًا واضحًا على النشاط. ويقلل ذلك الحاجة إلى المراقبة البشرية المستمرة ويزيد فرص رصد الحوادث فور وقوعها.

يفيد هذا النهج أيضًا في سياقات السلامة العامة. فعلى سبيل المثال، تشير الخطوط الصفراء على أرصفة محطات القطار إلى مناطق ينبغي ألا يتجاوزها الركاب حفاظًا على سلامتهم. وفي مثل هذه الحالات، يمكن استخدام Ultralytics YOLO11 لمراقبة خط الحدود واكتشاف تجاوز أي شخص له. ويمكن للنظام حينئذ تغيير لون مربع الإحاطة لإبراز مخاطر محتملة على السلامة. وبفضل إمكانات كهذه، يتيح YOLO11 اكتشافًا أكثر استجابة وموثوقية للتسلل في البيئات عالية المخاطر.

اكتشاف الأجسام المتروكة في أنظمة المراقبة باستخدام Ultralytics YOLO11#

قد تثير حقيبة تُركت دون مراقبة في مطار أو محطة قطار مزدحمة مخاوف أمنية بسرعة. ويصعب على أفراد الأمن رصد مثل هذه الأجسام بسرعة في الأماكن العامة المكتظة، خصوصًا خلال نوبات العمل الطويلة أو ساعات الذروة. وقد يؤدي التأخر في اكتشافها إلى ذعر لا داعي له أو مخاطر على السلامة.

يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 تحسين المراقبة عبر اكتشاف الأجسام المتروكة وتقسيمها وتتبعها في بث الفيديو الآني. فإذا رُصدت حقيبة أو طرد ثابت في مكانه مدة طويلة من دون وجود شخص بالقرب منه، يمكن للنظام الإشارة إلى احتمال تركه. وتتيح هذه الطبقة الإضافية من التحليل تمييز الأجسام بدقة أكبر وتقليل الحاجة إلى المراقبة البشرية المستمرة، ما يسمح باستجابة أسرع وأكثر تركيزًا.

الشكل 3. استخدام Ultralytics YOLO11 لاكتشاف حقيبة سفر.

احتساب الدخول والخروج باستخدام نماذج الذكاء الاصطناعي مثل Ultralytics YOLO11#

يُعد معرفة عدد الأشخاص الذين يدخلون إلى مكان ما ويغادرونه أمرًا حيويًا للسلامة والكفاءة التشغيلية على حد سواء. وفي أماكن مثل مراكز التسوق ومباني المكاتب ومحطات القطار، يمكن لهذه المعلومات أن تسهّل إدارة الحشود الكبيرة وتحسين التخطيطات وضمان سير العمليات اليومية بسلاسة.

قبل اعتماد الرؤية الحاسوبية، كان الموظفون عادةً يحصون الأشخاص باستخدام عدادات يدوية أو مستشعرات بسيطة عند الأبواب. وتنجح هذه الأساليب، لكنها لا تكون فعّالة عند التعامل مع حشود كبيرة. كما أنها لا تكون موثوقة دائمًا في المنشآت التي تضم مداخل ومخارج متعددة.

يمكن الاستفادة من دعم Ultralytics YOLO11 لاكتشاف الأجسام وتعقّبها من أجل عدّ الأشخاص أو الأجسام ضمن منطقة اهتمام محددة. ويمكن أن يساعد ذلك في عدّ حالات الدخول والخروج في الوقت الفعلي، حتى في المساحات الكبيرة أو المزدحمة. فعلى سبيل المثال، يمكن لمتاجر التجزئة استخدام هذه الطريقة لتعقّب حركة الزوار عبر عدة مداخل، ومساعدة المديرين على تعديل أعداد الموظفين خلال ساعات الذروة.

يمكن أيضًا أن تدعم بيانات الدخول والخروج الدقيقة التخطيط طويل الأمد. إذ تساعد الرؤى المستخلصة من هذه البيانات المديرين على دراسة أنماط حركة الزوار بمرور الوقت، ما يتيح لهم تحديد المناطق ذات الحركة الكثيفة واتخاذ قرار بشأن أماكن وضع اللافتات أو إعادة تصميم المداخل لتحسين الراحة والسلامة.

الشكل 4. مثال على عدّاد للدخول والخروج في الوقت الفعلي مدعوم من YOLO11.

إيجابيات أنظمة المراقبة المدعومة بالذكاء الاصطناعي وسلبياتها#

فيما يلي بعض الفوائد الرئيسية لاستخدام الرؤية الحاسوبية في أنظمة الأمان الذكية:

• الكفاءة من حيث التكلفة على المدى الطويل: قد يكون الإعداد الأولي مكلفًا، لكن أنظمة الذكاء الاصطناعي يمكن أن تقلل النفقات طويلة الأمد المرتبطة بالموظفين والتدريب وأوجه القصور التشغيلية.
• قابلية التوسع: يسهل توسيع نطاق حلول المراقبة المعتمدة على الذكاء الاصطناعي، ما 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 مع أنظمة CCTV والأمن الحالية، ما يقلل التعطيل.

على الرغم من مزايا المراقبة المدعومة بالذكاء الاصطناعي المتعددة، هناك أيضًا بعض القيود التي ينبغي أخذها في الحسبان. وفيما يلي بعض التحديات الرئيسية المرتبطة بأنظمة المراقبة الذكية:

• المخاوف الأخلاقية ومخاوف الخصوصية: عند استخدام الرؤية الحاسوبية في الأماكن العامة، من المهم معالجة المسائل المتعلقة بالموافقة وتخزين البيانات وكيفية التعامل مع التسجيلات، لضمان احترام الخصوصية.
• الاعتماد على جودة بيانات التدريب: يعتمد أداء نماذج الرؤية الحاسوبية بدرجة كبيرة على مجموعات بيانات متنوعة ومنتقاة بعناية. وقد تؤدي بيانات التدريب الرديئة أو المتحيزة إلى اكتشاف غير دقيق أو تحديد خاطئ للهوية أو نتائج تمييزية.
• العوامل البيئية: يمكن لعوامل مثل ضعف الإضاءة والطقس والعوائق البصرية أن تؤثر في أداء الاكتشاف، ولا سيما في الأماكن الخارجية.

أبرز النقاط#

يعمل Ultralytics YOLO11 على تحسين حلول الأمان في الوقت الفعلي، إذ يساعد على اكتشاف الأشخاص والأجسام والأنشطة غير المعتادة بسرعة ودقة أكبر. ويدعم تطبيقات مثل اكتشاف التسلل وتعقّب الأجسام والتنبيه إلى التسكع، ما يجعله مفيدًا في الأماكن العامة ومواقع العمل ومراكز النقل.

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

انضم إلى مجتمعنا واستكشف مستودع GitHub للتعمق في عالم الذكاء الاصطناعي. اكتشف التطبيقات المميزة لـالرؤية الحاسوبية في قطاع السيارات والذكاء الاصطناعي في الخدمات اللوجستية في صفحات حلولنا. اطّلع على خيارات الترخيص وابدأ الآن!