مراقبة الأمان في الوقت الفعلي باستخدام الذكاء الاصطناعي و Ultralytics YOLO11

تلعب تقنيات المراقبة الذكية دورًا حيويًا في حماية الأشخاص والممتلكات والبنية التحتية في جميع أنحاء العالم. وفي صميم هذه الجهود توجد أنظمة الكاميرات التي تراقب الشوارع والمطارات والمدارس والمكاتب والأماكن العامة على مدار الساعة. مع وجود أكثر من مليار كاميرا مراقبة قيد الاستخدام على مستوى العالم، فإن كمية الفيديو المسجلة تنمو بوتيرة أسرع من أي وقت مضى.

تقليديًا، كانت مراجعة هذه اللقطات مهمة يدوية يتولاها مشغّلون بشريون يقومون بفحص الشاشات بحثًا عن تهديدات محتملة. في حين أن هذا النهج يمكن أن ينجح في البيئات الأصغر، إلا أنه يصبح مرهقًا وغير فعال على نطاقات أوسع. كما أنه يستغرق وقتًا طويلاً، وهو عائق كبير في البيئات سريعة الحركة أو المزدحمة.

اليوم، بدأت أنظمة مراقبة الفيديو تعتمد على حلول الذكاء الاصطناعي (AI) لتقديم رؤى في الوقت الفعلي لاتخاذ قرارات أكثر استنارة. جزء أساسي من هذا التقدم هو الرؤية الحاسوبية، وهي فرع من فروع الذكاء الاصطناعي يسمح للآلات بتفسير البيانات المرئية.

تم تصميم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 للتعامل مع مهام مختلفة للكشف عن الصور والفيديو في الوقت الفعلي. يمكنهم اكتشاف الأفراد وتتبع الحركة واكتشاف السلوك غير العادي بسرعة ودقة. حتى في البيئات المعقدة، تمكن هذه النماذج فرق الأمن من البقاء في حالة تأهب واستجابة. 

في هذه المقالة، سوف نستكشف كيف يمكن للرؤية الحاسوبية ونماذج مثل YOLO11 أن تساعد في تغيير الطريقة التي تدار بها الحماية عبر البيئات المختلفة. هيا بنا نبدأ!

دور الرؤية الحاسوبية والذكاء الاصطناعي في أنظمة السلامة العامة

إن صناعة الأمن تتبنى الرؤية الحاسوبية بسرعة. يمكن لأنظمة المراقبة الذكية التي تجمع بين الرؤية الحاسوبية والحوسبة الطرفية (التي تعالج البيانات محليًا، بالقرب من المصدر) وكاميرات CCTV أن تحلل الآن الأشخاص والمركبات في الوقت الفعلي، مما يساعد فرق الأمن على اكتشاف التهديدات بشكل أكثر كفاءة. مع استمرار تقدم الذكاء الاصطناعي وتقنيات الكاميرات، أصبح تحليل الفيديو حادًا تقريبًا مثل عين الإنسان، مما يعيد تشكيل الطريقة التي نحمي بها الأماكن العامة.

يمكن لأنظمة الرؤية الحاسوبية أداء مهام مثل اكتشاف الأجسام وتتبع الحركة والتعرف على الأنماط في مقاطع الفيديو. هذا يعني أنه يمكنهم تحديد الأشخاص واكتشاف السلوك غير العادي ومراقبة النشاط أثناء حدوثه. يمكن لمثل هذه القدرات أن تجعل أنظمة المراقبة أكثر تقدمًا وموثوقية في الأماكن العامة والخاصة على حد سواء. نتيجة لذلك، من المتوقع أن ينمو سوق مراقبة الفيديو بالذكاء الاصطناعي إلى 12.46 مليار دولار بحلول عام 2030.

‍

كيف يمكن لـ Ultralytics YOLO11 تمكين أنظمة أمنية أكثر ذكاءً

بعد ذلك، دعنا نلقي نظرة فاحصة على Ultralytics YOLO11 والميزات التي تجعله أداة مؤثرة لتحليل الفيديو في الوقت الفعلي.

بالاعتماد على التطورات الحديثة في الذكاء الاصطناعي والرؤية الحاسوبية، يوفر Ultralytics YOLO11 معالجة أسرع ودقة أعلى ومرونة أكبر لتطبيقات مثل الأنظمة الأمنية القائمة على الفيديو.

على غرار نماذج YOLO السابقة، يمكن لـ YOLO11 التعامل مع مهام الرؤية الاصطناعية المعقدة مثل اكتشاف الكائنات (تحديد مواقع الكائنات وتحديدها)، وتقسيم الحالات (تمييز وتحديد الكائنات المحددة في الصورة)، وتتبع الكائنات (تتبع الكائنات بمرور الوقت)، وتقدير الوضع (فهم كيفية وضع الكائنات أو تحركها).

يعد YOLO11 أيضًا أكثر كفاءة من النماذج السابقة. مع عدد أقل من المعلمات بنسبة 22٪ مقارنة بـ Ultralytics YOLOv8m، فإنه يحقق متوسط دقة أعلى (mAP) على مجموعة بيانات COCO، مما يعني أن YOLO11m يكتشف الكائنات بدقة أكبر مع استخدام موارد أقل. علاوة على ذلك، فإنه يوفر سرعات معالجة أسرع، مما يجعله مناسبًا تمامًا للتطبيقات في الوقت الفعلي حيث يكون الاكتشاف والاستجابة السريعة أمرًا بالغ الأهمية وكل مللي ثانية مهمة.

‍

استخدام YOLO11 والرؤية الحاسوبية للتطبيقات الأمنية

الآن بعد أن أصبح لدينا فهم أفضل لكيفية عمل الرؤية الحاسوبية في أنظمة الأمن والمراقبة، دعنا نلقي نظرة فاحصة على بعض التطبيقات الأمنية الواقعية حيث يمكن أن يلعب YOLO11 دورًا رئيسيًا.

اكتشاف التسلل باستخدام الرؤية الحاسوبية و YOLO11

يعد الحفاظ على أمن المناطق المحظورة أمرًا ضروريًا لضمان السلامة وحماية الممتلكات. سواء كان موقعًا خاصًا أو مستودعًا أو مرفق نقل عام، فإن اكتشاف الوصول غير المصرح به يمكن أن يمنع وقوع حوادث خطيرة.

يمكن أن يساعد YOLO11 في اكتشاف التسلل في الوقت الفعلي من خلال تحديد الأشخاص أو المركبات أو غيرها من الأجسام المتحركة عبر موجزات الفيديو. ضمن رؤية الكاميرا، يمكن تحديد حدود افتراضية تسمى الأسوار الجغرافية. عندما يعبر جسم ما إلى منطقة محظورة، يمكن لـ YOLO11 اكتشاف التسلل وتشغيل تنبيه أو تمرير بيانات الاكتشاف إلى نظام أمان متكامل لاتخاذ مزيد من الإجراءات.

يتم تمييز الكائنات المكتشفة بمربعات إحاطة، مما يوفر إشارة مرئية واضحة للنشاط. فهو يقلل الحاجة إلى المراقبة البشرية المستمرة ويزيد من فرص اكتشاف الحوادث فور وقوعها.

هذا النهج مفيد أيضًا في إعدادات السلامة العامة. على سبيل المثال، تشير الخطوط الصفراء على أرصفة القطارات إلى المناطق التي يجب على الركاب عدم عبورها لأسباب تتعلق بالسلامة. في مثل هذه السيناريوهات، يمكن استخدام YOLO11 لمراقبة خط الحدود واكتشاف متى يتجاوزه شخص ما. يمكن للنظام بعد ذلك تغيير لون مربع الإحاطة لتسليط الضوء على مخاوف تتعلق بالسلامة المحتملة. بفضل قدرات مثل هذه، يتيح YOLO11 اكتشافًا أكثر استجابة وموثوقية للتسلل في البيئات عالية الخطورة.

اكتشاف الأجسام المهجورة في المراقبة باستخدام YOLO11

يمكن لحقيبة متروكة في مطار أو محطة قطار مزدحمة أن تثير بسرعة مخاوف أمنية. في الأماكن العامة المزدحمة، من الصعب على أفراد الأمن اكتشاف مثل هذه الأشياء بسرعة، خاصة خلال النوبات الطويلة أو ساعات الذروة. يمكن أن تؤدي التأخيرات في الاكتشاف إلى ذعر غير ضروري أو مخاطر تتعلق بالسلامة.

يمكن لنماذج الرؤية الحاسوبية مثل YOLO11 أن تساعد في تحسين المراقبة من خلال اكتشاف وتجزئة وتتبع الأجسام غير المصحوبة بمرافق في موجزات الفيديو في الوقت الفعلي. إذا تم تحديد حقيبة أو طرد على أنه يظل ثابتًا في مكان واحد لفترة طويلة جدًا دون وجود شخص قريب، فيمكن للنظام وضع علامة عليه على أنه مهجور محتمل. يمكن لهذه الطبقة الإضافية من التحليل أن تميز الأجسام بدقة أكبر وتقلل الحاجة إلى الملاحظة البشرية المستمرة، مما يتيح استجابات أسرع وأكثر تركيزًا.

‍

عد الدخول والخروج باستخدام نماذج الذكاء الاصطناعي مثل YOLO11

تُعد معرفة عدد الأشخاص الذين يدخلون ويخرجون من مكان ما أمرًا حيويًا للسلامة والكفاءة التشغيلية على حد سواء. في أماكن مثل مراكز التسوق والمباني المكتبية ومحطات القطار، يمكن لهذه المعلومات تبسيط إدارة الحشود الكبيرة وتحسين التصميمات والحفاظ على سير العمليات اليومية بسلاسة.

قبل تبني الرؤية الحاسوبية، كان العد يتم عادةً بواسطة الموظفين باستخدام عدادات يدوية أو مستشعرات بسيطة عند الباب. تعمل هذه الطرق، لكنها ليست فعالة عند مواجهة حشود أكبر. كما أنها ليست موثوقة دائمًا عند التعامل مع المرافق التي بها مداخل ومخارج متعددة. 

يمكن استخدام دعم YOLO11 لاكتشاف وتتبع الكائنات في عد الأشخاص أو الكائنات داخل منطقة اهتمام محددة. يمكن أن يساعد في حساب الدخول والخروج في الوقت الفعلي، حتى عند مواجهة مساحات كبيرة أو مزدحمة. على سبيل المثال، يمكن لمتاجر البيع بالتجزئة استخدام هذه الطريقة لتتبع حركة المرور عبر نقاط دخول متعددة، مما يساعد المديرين في تعديل عدد الموظفين خلال ساعات الذروة. 

يمكن لبيانات الدخول والخروج الدقيقة أيضًا دعم التخطيط طويل الأجل. يمكن للرؤى المستمدة من هذه البيانات أن تساعد المديرين في دراسة أنماط حركة المرور بمرور الوقت، مما يجعل من الممكن لهم تحديد المناطق ذات الازدحام الشديد وتحديد مكان وضع اللافتات أو إعادة تكوين المداخل لتحسين الراحة والسلامة.

‍

إيجابيات وسلبيات أنظمة المراقبة المدعومة بالذكاء الاصطناعي

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

• الكفاءة من حيث التكلفة بمرور الوقت: في حين أن الإعداد الأولي قد يكون مكلفًا، إلا أن أنظمة الذكاء الاصطناعي يمكن أن تقلل النفقات طويلة الأجل المتعلقة بالتوظيف والتدريب وأوجه القصور التشغيلية.
  ‍
• قابلية التوسع: حلول المراقبة بالذكاء الاصطناعي قابلة للتطوير بسهولة، مما يجعلها مناسبة لأي شيء بدءًا من مكتب صغير وحتى شبكة كاميرات واسعة على مستوى المدينة.
  ‍
• سهولة التكامل مع البنية التحتية الحالية: تم تصميم العديد من نماذج الذكاء الاصطناعي، بما في ذلك YOLO11، للتكامل بسلاسة مع أنظمة الدوائر التلفزيونية المغلقة والأمن الحالية، مما يقلل من التعطيل.

على الرغم من المزايا العديدة للمراقبة المدعومة بالذكاء الاصطناعي، إلا أن هناك أيضًا بعض القيود التي يجب وضعها في الاعتبار. فيما يلي بعض التحديات الرئيسية المرتبطة بأنظمة المراقبة الذكية: 

• المخاوف الأخلاقية ومخاوف الخصوصية: أثناء استخدام الرؤية الحاسوبية في الأماكن العامة، من المهم معالجة الأسئلة المتعلقة بالموافقة وتخزين البيانات وكيفية التعامل مع اللقطات لضمان احترام الخصوصية.
  ‍
• الاعتماد على بيانات التدريب عالية الجودة: يعتمد أداء نماذج الرؤية الحاسوبية بشكل كبير على مجموعات البيانات المتنوعة والمنظمة جيدًا. يمكن أن تؤدي بيانات التدريب الضعيفة أو المتحيزة إلى اكتشاف غير دقيق أو تحديد خاطئ أو نتائج تمييزية.
  ‍
• العوامل البيئية: عوامل مثل الإضاءة السيئة أو الطقس أو العوائق البصرية يمكن أن تؤثر على أداء الكشف، خاصة في الأماكن المفتوحة.

النقاط الرئيسية

يعمل YOLO11 على تحسين حلول الأمان في الوقت الفعلي من خلال المساعدة في اكتشاف الأشخاص والأشياء والأنشطة غير العادية بسرعة ودقة أكبر. وهو يدعم تطبيقات مثل كشف التسلل وتتبع الأشياء والتنبيهات المتعلقة بالتسكع، مما يجعله مفيدًا في الأماكن العامة وأماكن العمل ومراكز النقل.

من خلال تقليل الحاجة إلى المراقبة اليدوية المستمرة، يسمح YOLO11 لفرق الأمن بالاستجابة بشكل أسرع وثقة أكبر. إن قدرته على التعامل مع تحليل الحشود وعد الأشخاص يوضح كيف يشكل الذكاء الاصطناعي البصري مستقبل السلامة. مع تقدم التكنولوجيا، فمن المحتمل أن يستمر في دعم أنظمة مراقبة أكثر ذكاءً وموثوقية.

كن جزءًا من مجتمعنا واستكشف مستودع GitHub الخاص بنا للغوص في عالم الذكاء الاصطناعي. استكشف التطبيقات المثيرة للرؤية الحاسوبية في مجال السيارات و الذكاء الاصطناعي في مجال الخدمات اللوجستية على صفحات الحلول الخاصة بنا. ألقِ نظرة على خيارات الترخيص الخاصة بنا وابدأ الآن!