المراقبة الأمنية في الوقت الفعلي باستخدام الذكاء الاصطناعي و Ultralytics YOLO11

تؤدي تقنيات المراقبة الذكية دوراً حيوياً في حماية الأفراد والممتلكات والبنية التحتية في جميع أنحاء العالم. وفي قلب هذه الجهود تأتي أنظمة الكاميرات التي تراقب الشوارع والمطارات والمدارس والمكاتب والأماكن العامة على مدار الساعة. مع وجود أكثر من مليار كاميرا مراقبة قيد الاستخدام عالمياً، فإن حجم الفيديو المسجل ينمو بشكل أسرع من أي وقت مضى.

تقليدياً، كانت مراجعة هذه اللقطات مهمة يدوية يقوم بها مشغلون بشريون يمسحون الشاشات بحثاً عن تهديدات محتملة. ورغم أن هذا النهج قد ينجح في الأماكن الصغيرة، إلا أنه يصبح أمراً مرهقاً وغير فعال على نطاقات أوسع. كما أنه يستهلك وقتاً طويلاً، وهو عيب رئيسي في البيئات سريعة الحركة أو المزدحمة.

اليوم، بدأت أنظمة المراقبة بالفيديو تعتمد على حلول الذكاء الاصطناعي (AI) لتقديم رؤى في الوقت الفعلي لاتخاذ قرارات أكثر استنارة. ويعد جزءاً أساسياً من هذا التقدم هو الرؤية الحاسوبية، وهو فرع من فروع الذكاء الاصطناعي يسمح للآلات بتفسير البيانات البصرية.

صُممت نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 للتعامل مع مهام اكتشاف الصور والفيديو المختلفة 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 يقظين ومستجيبين.

في هذه المقالة، سنستكشف كيف يمكن للرؤية الحاسوبية ونماذج مثل YOLO11 المساعدة في تغيير طريقة إدارة الأمن عبر بيئات مختلفة. لنبدأ!

Link to this sectionدور الرؤية الحاسوبية والذكاء الاصطناعي في أنظمة السلامة العامة#

تتبنى صناعة الأمن الرؤية الحاسوبية بسرعة. يمكن لأنظمة المراقبة الذكية التي تجمع بين الرؤية الحاسوبية والحوسبة الطرفية (التي تعالج البيانات محلياً، بالقرب من المصدر) وكاميرات CCTV الآن تحليل الأفراد والمركبات في الوقت الفعلي، مما يساعد فرق الأمن على اكتشاف التهديدات بكفاءة أكبر. مع استمرار تقدم الذكاء الاصطناعي وتقنيات الكاميرات، أصبح تحليل الفيديو يقترب من دقة العين البشرية، مما يعيد تشكيل كيفية حمايتنا للأماكن العامة.

يمكن لأنظمة الرؤية الحاسوبية تنفيذ مهام مثل اكتشاف الكائنات وتتبع الحركة والتعرف على الأنماط في مقاطع الفيديو. وهذا يعني أنها تستطيع تحديد هوية الأشخاص واكتشاف السلوك غير المعتاد ومراقبة الأنشطة فور حدوثها. يمكن لمثل هذه القدرات جعل أنظمة المراقبة أكثر تطوراً وموثوقية في الأماكن العامة والخاصة على حد سواء. ونتيجة لذلك، من المتوقع أن ينمو سوق مراقبة الفيديو بالذكاء الاصطناعي ليصل إلى 12.46 مليار دولار بحلول عام 2030.

الشكل 1. دور الرؤية الحاسوبية في الأنظمة الأمنية. الصورة من المؤلف.

Link to this sectionكيف يمكن لـ Ultralytics YOLO11 تمكين أنظمة أمنية أكثر ذكاءً#

بعد ذلك، دعونا نلقي نظرة فاحصة على Ultralytics YOLO11 والميزات التي تجعله أداة مؤثرة لـ تحليل الفيديو في الوقت الفعلي.

استناداً إلى التطورات الأخيرة في الذكاء الاصطناعي والرؤية الحاسوبية، يوفر Ultralytics YOLO11 معالجة أسرع ودقة أعلى ومرونة أكبر للتطبيقات مثل أنظمة الأمن المعتمدة على الفيديو.

على غرار نماذج YOLO السابقة، يمكن لـ YOLO11 التعامل مع مهام Vision AI المعقدة مثل اكتشاف الكائنات (تحديد موقع الكائنات والتعرف عليها)، وتجزئة النسخ (تحديد وإبراز كائنات معينة في صورة)، وتتبع الكائنات (متابعة الكائنات بمرور الوقت)، وتقدير الوضعية (فهم كيفية وضع الكائنات أو تحركها).

يعد YOLO11 أيضاً أكثر كفاءة بكثير من النماذج السابقة. فمع وجود معلمات أقل بنسبة 22% مقارنة بـ Ultralytics YOLOv8m، فإنه يحقق متوسط دقة (mAP) أعلى 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 مناسباً تماماً للتطبيقات في الوقت الفعلي حيث يكون الاكتشاف والاستجابة السريعة أمراً بالغ الأهمية وتعد كل ميلي ثانية فارقة.

الشكل 2. يتفوق YOLO11 على نماذج YOLO السابقة عبر اختبارات قياس أداء مختلفة.

Link to this sectionاستخدام YOLO11 والرؤية الحاسوبية للتطبيقات الأمنية#

الآن وبعد أن أصبح لدينا فهم أفضل لكيفية عمل الرؤية الحاسوبية في أنظمة الأمن والمراقبة، دعونا نلقي نظرة فاحصة على بعض التطبيقات الأمنية الواقعية التي يمكن أن يلعب فيها YOLO11 دوراً رئيسياً.

Link to this sectionاكتشاف التسلل باستخدام الرؤية الحاسوبية و YOLO11#

يعد الحفاظ على أمن المناطق المحظورة أمراً أساسياً لضمان السلامة وحماية الممتلكات. سواء كان موقعاً خاصاً أو مستودعاً أو مرفق نقل عام، فإن اكتشاف الوصول غير المصرح به يمكن أن يمنع وقوع حوادث خطيرة.

يمكن لـ YOLO11 المساعدة في اكتشاف التسلل في الوقت الفعلي من خلال تحديد الأشخاص أو المركبات أو الأجسام المتحركة الأخرى عبر خلاصات الفيديو. ضمن نطاق رؤية الكاميرا، يمكن تحديد حدود افتراضية تسمى السياجات الجغرافية. عندما يعبر جسم ما إلى منطقة محظورة، يمكن لـ YOLO11 اكتشاف التسلل وإطلاق تنبيه أو تمرير بيانات الاكتشاف إلى نظام أمني متكامل لاتخاذ إجراءات أخرى.

يتم تمييز الكائنات المكتشفة بمربعات إحاطة، مما يوفر مؤشراً مرئياً واضحاً للنشاط. هذا يقلل من الحاجة إلى المراقبة البشرية المستمرة ويزيد من فرص اكتشاف الحوادث فور حدوثها.

هذا النهج مفيد أيضاً في إعدادات السلامة العامة. على سبيل المثال، تشير الخطوط الصفراء على أرصفة القطارات إلى المناطق التي يجب ألا يتجاوزها الركاب لأسباب تتعلق بالسلامة. في مثل هذه السيناريوهات، يمكن استخدام YOLO11 لمراقبة الخط الفاصل واكتشاف متى يتجاوزه شخص ما. يمكن للنظام بعد ذلك تغيير لون مربع الإحاطة لتسليط الضوء على مصدر قلق محتمل للسلامة. مع قدرات مثل هذه، يتيح YOLO11 اكتشافاً أكثر استجابة وموثوقية للتسلل في البيئات عالية المخاطر.

Link to this sectionاكتشاف الأجسام المتروكة في المراقبة باستخدام YOLO11#

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

يمكن لنماذج الرؤية الحاسوبية مثل YOLO11 المساعدة في تحسين المراقبة عن طريق اكتشاف تجزئة وتتبع الأجسام المتروكة في خلاصات الفيديو في الوقت الفعلي. إذا تم تحديد حقيبة أو طرد على أنه لا يزال ثابتاً في مكان واحد لفترة طويلة جداً دون وجود شخص بالقرب منه، يمكن للنظام وضع علامة عليه كجسم متروك محتمل. يمكن لهذه الطبقة الإضافية من التحليل تمييز الأجسام بدقة أكبر وتقليل الحاجة إلى المراقبة البشرية المستمرة، مما يتيح استجابات أسرع وأكثر تركيزاً.

الشكل 3. استخدام YOLO11 لاكتشاف حقيبة.

Link to this sectionعد الدخول والخروج باستخدام نماذج الذكاء الاصطناعي مثل YOLO11#

تعد معرفة عدد الأشخاص الذين يدخلون ويخرجون من مكان ما أمراً حيوياً للسلامة والكفاءة التشغيلية على حد سواء. في أماكن مثل مراكز التسوق ومباني المكاتب ومحطات القطار، يمكن لهذه المعلومات تبسيط إدارة الحشود الكبيرة، وتحسين التخطيطات، والحفاظ على سير العمليات اليومية بسلاسة.

قبل اعتماد الرؤية الحاسوبية، كان العد يتم عادةً بواسطة الموظفين باستخدام أجهزة النقر أو أجهزة استشعار بسيطة عند الباب. هذه الطرق فعالة، لكنها ليست فعالة عند التعامل مع حشود أكبر. كما أنها ليست موثوقة دائماً عند التعامل مع مرافق بها مداخل ومخارج متعددة.

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

يمكن أن تدعم بيانات الدخول والخروج الدقيقة التخطيط طويل الأمد أيضاً. يمكن أن تساعد الرؤى المستمدة من هذه البيانات المديرين في دراسة أنماط حركة المشاة بمرور الوقت، مما يمكنهم من تحديد المناطق ذات الازدحام الشديد واتخاذ قرار بشأن أماكن وضع العلامات أو إعادة تهيئة المداخل لتحسين الراحة والسلامة.

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

Link to this sectionإيجابيات وسلبيات أنظمة المراقبة المعتمدة على الذكاء الاصطناعي#

إليك بعض المزايا الرئيسية لاستخدام الرؤية الحاسوبية في أنظمة الأمن الذكية:

• كفاءة التكلفة بمرور الوقت: رغم أن الإعداد الأولي قد يكون مكلفاً، إلا أن أنظمة الذكاء الاصطناعي يمكنها تقليل النفقات طويلة الأمد المتعلقة بالتوظيف والتدريب وعدم الكفاءة التشغيلية.
• القابلية للتوسع: تعد حلول مراقبة الذكاء الاصطناعي قابلة للتوسع بسهولة، مما يجعلها مناسبة لأي شيء بدءاً من مكتب صغير وحتى شبكة كاميرات واسعة النطاق على مستوى المدينة.
• سهولة التكامل مع البنية التحتية الحالية: صُممت العديد من نماذج الذكاء الاصطناعي، بما في ذلك YOLO11، لتتكامل بسلاسة مع أنظمة CCTV والأمن الحالية، مما يقلل من حدوث اضطرابات.

على الرغم من المزايا المختلفة للمراقبة المعتمدة على الذكاء الاصطناعي، إلا أن هناك بعض القيود التي يجب وضعها في الاعتبار. إليك بعض التحديات الرئيسية المرتبطة بأنظمة المراقبة الذكية:

• مخاوف أخلاقية ومتعلقة بالخصوصية: 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 تدريب عالية الجودة: يعتمد أداء نماذج الرؤية الحاسوبية بشكل كبير على مجموعات بيانات متنوعة ومُنسقة جيداً. يمكن أن تؤدي بيانات التدريب الضعيفة أو المتحيزة إلى اكتشاف غير دقيق أو تحديد خاطئ للهوية أو نتائج تمييزية.
• عوامل بيئية: يمكن لعوامل مثل الإضاءة الضعيفة أو الطقس أو العوائق البصرية أن تؤثر على أداء الاكتشاف، خاصة في الأماكن الخارجية.

Link to this sectionأبرز النقاط#

يعمل YOLO11 على تحسين الحلول الأمنية في الوقت الفعلي من خلال المساعدة في اكتشاف الأشخاص والأجسام والأنشطة غير المعتادة بسرعة ودقة أكبر. وهو يدعم تطبيقات مثل اكتشاف التسلل، وتتبع الأجسام، وتنبيهات التسكع، مما يجعله مفيداً في الأماكن العامة وأماكن العمل ومراكز النقل.

من خلال تقليل الحاجة إلى المراقبة اليدوية المستمرة، يتيح YOLO11 لفرق الأمن الاستجابة بشكل أسرع وأكثر ثقة. وتُظهر قدرته على التعامل مع تحليل الحشود وعد الأشخاص كيف تشكل الرؤية الحاسوبية (Vision AI) مستقبل السلامة. ومع تقدم التكنولوجيا، فمن المرجح أن يستمر في دعم أنظمة مراقبة أكثر ذكاءً وموثوقية.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا للغوص في عالم الذكاء الاصطناعي. استكشف التطبيقات المثيرة لـ الرؤية الحاسوبية في السيارات والذكاء الاصطناعي في الخدمات اللوجستية على صفحات الحلول الخاصة بنا. ألقِ نظرة على خيارات الترخيص الخاصة بنا وابدأ الآن!