المراقبة الأمنية في الوقت الفعلي باستخدام الذكاء الاصطناعي و Ultralytics YOLO11

تلعب تقنيات المراقبة الذكية دوراً حيويّاً في حماية الأفراد والممتلكات والبنية التحتية في جميع أنحاء العالم. وفي صدارة هذه الجهود تأتي أنظمة الكاميرات التي تراقب الشوارع والمطارات والمدارس والمكاتب والأماكن العامة على مدار الساعة. ومع وجود أكثر من مليار كاميرا مراقبة قيد الاستخدام على مستوى العالم، فإن حجم تسجيلات الفيديو ينمو بسرعة أكبر 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، تبدأ أنظمة المراقبة بالفيديو في الاعتماد على حلول الذكاء الاصطناعي لتوفير رؤى في الوقت الفعلي واتخاذ قرارات أكثر استنارة. ويُعد Computer vision جزءاً رئيسياً من هذا التقدم، وهو فرع من فروع الذكاء الاصطناعي يتيح للآلات تفسير البيانات المرئية.

تم تصميم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 للتعامل مع مختلف مهام الكشف عن الصور والفيديو في الوقت الفعلي. فهي قادرة على اكتشاف الأفراد، وتتبع الحركة، ورصد السلوكيات غير المعتادة بسرعة ودقة. وحتى في البيئات المعقدة، تُمكّن هذه النماذج فرق الأمان من البقاء في حالة تأهب واستجابة.

في هذه المقالة، سنستكشف كيف يمكن لرؤية الكمبيوتر والنماذج مثل Ultralytics YOLO11 أن تساهم في تغيير طريقة إدارة الأمان عبر مختلف البيئات. لنبدأ!

دور الرؤية الحاسوبية والذكاء الاصطناعي في أنظمة السلامة العامة#

تتبنى قطاع الأمان الرؤية الحاسوبية بسرعة. ويمكن لأنظمة المراقبة الذكية التي تجمع بين الرؤية الحاسوبية، والحوسبة الطرفية (التي تعالج البيانات محليّاً بالقرب من المصدر)، وكاميرات الدوائر التلفزيونية المغلقة الآن تحليل الأشخاص والمركبات في الوقت الفعلي، مما يساعد فرق الأمان على اكتشاف التهديدات بكفاءة أكبر. ومع استمرار تقنيات الذكاء الاصطناعي والكاميرات في التطور، أصبح تحليل الفيديو يقارب دقة العين البشرية، مما يعيد تشكيل طريقة حمايتنا للأماكن العامة.

يمكن أنظمة الرؤية الحاسوبية تنفيذ مهام مثل اكتشاف الكائنات، وتتبع الحركة، والتعرف على الأنماط في مقاطع الفيديو. وهذا يعني أنها تستطيع تحديد هوية الأشخاص، واكتشاف السلوكيات غير المعتادة، ومراقبة النشاط فور حدوثه. ومن شأن هذه القدرات أن تجعل أنظمة المراقبة أكثر تقدمًا وموثوقية في كل من الأماكن العامة والخاصة. 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.

كيف يمكن لـ Ultralytics YOLO11 تمكين أنظمة أمنية أكثر ذكاءً#

بعد ذلك، دعونا نلقي نظرة عن قرب 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 Ultralytics YOLO11 التعامل مع مهام ذكاء الرؤية الاصطناعي المعقدة مثل اكتشاف الكائنات (تحديد موقع الكائنات والتعرف عليها)، وتقسيم النطاق (تمييز وتحديد الخطوط الخارجية لكائنات معينة في الصورة)، 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 مختلف اختبارات المعايير القياسية.

استخدام Ultralytics YOLO11 والرؤية الحاسوبية لتطبيقات الأمان#

الآن وبعد أن أصبح لدينا فهم أفضل لكيفية عمل رؤية الكمبيوتر في أنظمة الأمان والمراقبة، دعنا نلقي نظرة أقرب على بعض تطبيقات الأمان الواقعية التي يمكن لـ Ultralytics YOLO11 أن يلعب فيها دورًا رئيسيًا.

اكتشاف التسلل باستخدام الرؤية الحاسوبية و Ultralytics 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 لنموذج YOLO11 من Ultralytics المساعدة في اكتشاف التسلل في الوقت الفعلي من خلال تحديد الأشخاص أو المركبات أو الأجسام المتحركة الأخرى عبر خلاصات الفيديو. ضمن مجال رؤية الكاميرا، يمكن تحديد حدود افتراضية تُسمى السياقات الجغرافية (geo-fences). عندما يعبر جسم ما إلى منطقة مقيدة، يمكن لنموذج YOLO11 اكتشاف التسلل وإطلاق تنبيه أو تمرير بيانات الاكتشاف إلى نظام أمني مدمج لاتخاذ إجراء إضافي.

يتم تمييز الكائنات المكتشفة بمربعات حدودية، مما يوفر مؤشراً مرئياً واضحاً للنشاط. وهو يقلل من الحاجة إلى المراقبة البشرية المستمرة ويزيد من فرص رصد الحوادث فور وقوعها.

هذا النهج مفيد أيضاً في بيئات السلامة العامة. على سبيل المثال، تشير الخطوط الصفراء على أرصفة القطارات إلى مناطق يجب على الركاب عدم تجاوزها لأسباب تتعلق بالسلامة. في مثل هذه السيناريوهات، يمكن استخدام نموذج YOLO11 من Ultralytics لمراقبة خط الحدود واكتشاف متى يتجاوزه شخص ما. يمكن للنظام بعد ذلك تغيير لون صندوق الإحداثيات (bounding box) لتسليط الضوء على مشكلة سلامة محتملة. بفضل إمكانات كهذه، يتيح YOLO11 اكتشافاً أكثر استجابة وموثوقية للتسلل في البيئات عالية المخاطر.

اكتشاف الأجسام المهملة في المراقبة باستخدام Ultralytics 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 لننماذج رؤية الكمبيوتر مثل Ultralytics YOLO11 المساعدة في تحسين المراقبة من خلال اكتشاف التقسيم وتتبع الكائنات المتروكة في تدفقات الفيديو الحية. إذا تم تحديد حقيبة أو طرد على أنه ظل ساكنًا في مكان واحد لفترة طويلة جدًا بدون وجود شخص بالقرب منه، فيمكن للنظام الإشارة إليه على أنه مهجور محتمل. هذه الطبقة المضافة من التحليل يمكنها تمييز الكائنات بدقة أكبر وتقليل الحاجة إلى المراقبة البشرية المستمرة، مما يتيح استجابات أسرع وأكثر تركيزًا.

الشكل 3. استخدام Ultralytics YOLO11 لاكتشاف حقيبة سفر.

حساب الدخول والخروج باستخدام نماذج الذكاء الاصطناعي مثل Ultralytics 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 Ultralytics YOLO11 لاكتشاف الكائنات وتتبعها لحساب الأشخاص أو الكائنات داخل منطقة اهتمام محددة. ويمكن أن يساعد في حساب عمليات 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 مستويات الموظفين 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.

إيجابيات 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.
• قابلية التوسع: تتميز حلول المراقبة القائمة على الذكاء الاصطناعي بقابلية عالية للتوسع، مما يجعلها مناسبة لأي شيء بدءاً من مكتب صغير وصولاً إلى شبكة كاميرات واسعة النطاق على مستوى المدينة.
• سهولة التكامل مع البنية التحتية الحالية: تم تصميم العديد من نماذج الذكاء الاصطناعي، بما في ذلك Ultralytics YOLO11، للتكامل بسلاسة مع أنظمة الدوائر التلفزيونية المغلقة (CCTV) والأمان الحالية، مما يقلل من الاضطرابات.

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:

• أخلاقيات و مخاوف 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 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.

أبرز النقاط#

يعمل Ultralytics YOLO11 على تحسين حلول الأمان في الوقت الفعلي من خلال المساعدة في اكتشاف الأشخاص والكائنات والأنشطة غير العادية بسرعات ودقة أكبر. وهو يدعم تطبيقات مثل اكتشاف التسلل، وتتبع الكائنات، وتنبيهات التواجد المريب، مما يجعله مفيدًا في الأماكن العامة، وأماكن العمل، ومراكز النقل.

من خلال تقليل الحاجة إلى المراقبة اليدوية المستمرة، يتيح Ultralytics YOLO11 لفرق الأمان الاستجابة بشكل أسرع وبثقة أكبر. تُظهر قدرته على التعامل مع تحليل الحشود وحساب الأشخاص كيف يشكل ذكاء الرؤية الاصطناعي 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. واستكشف التطبيقات المثيرة لـ الرؤية الحاسوبية في قطاع السيارات والذكاء الاصطناعي في قطاع الخدمات اللوجستية في صفحات الحلول الخاصة بنا. وتعرف على خيارات الترخيص الخاصة بنا وابدأ الآن!