Ein Überblick über den Einsatz von Ultralytics YOLO-Modellen zur KI-gestützten Bedrohungserkennung

In vielen Branchen kommt künstliche Intelligenz (AI) zum Einsatz, um die Sicherheit zu verbessern, die Effizienz zu steigern und sicherere Umgebungen zu schaffen. An Orten wie Büros, Fabriken, auf Hochschulgeländen, in Lagerhäusern und im öffentlichen Raum hängt die Erreichung dieser Ziele davon ab, in Echtzeit zu verstehen, was geschieht.

Um dies zu unterstützen, werden Überwachungskameras und intelligente Überwachungssysteme immer häufiger eingesetzt. Videomaterial einfach nur zu sammeln, reicht jedoch nicht aus.

Herkömmliche Systeme stützen sich häufig auf die manuelle Überwachung durch menschliche Analysten oder auf vordefinierte Regeln. Dadurch ist es schwierig, frühe Anzeichen für Risiken zu erkennen. Große Mengen visueller Daten in Echtzeit auszuwerten, kann eine Herausforderung sein, insbesondere in stark frequentierten oder dynamischen Umgebungen.

Hier wird die KI-gestützte Bedrohungserkennung unverzichtbar. Durch die Analyse von Live-Videostreams können KI-Systeme Muster, Verhaltensweisen und Situationen erkennen, die auf potenzielle Bedrohungen oder Angriffe hindeuten könnten. Insbesondere ist Computer Vision ein Teilgebiet der KI, das es diesen Systemen ermöglicht, visuelle Informationen zu verstehen und Rohaufnahmen in umsetzbare Erkenntnisse umzuwandeln.

Mit Vision-AI-Technologie können Unternehmen von reaktiven Sicherheitsmaßnahmen zur proaktiven Abwehr neu auftretender Bedrohungen übergehen. In diesem Artikel erklären wir, wie KI-Bedrohungserkennung funktioniert und wie Bildverarbeitungsmodelle wie Ultralytics YOLO26 Risiken früher sichtbar machen und zu sichereren Umgebungen beitragen.

Die Herausforderungen herkömmlicher Sicherheitssysteme#

Bevor wir uns damit befassen, wie KI die Bedrohungserkennung verbessert, werfen wir zunächst einen Blick auf die Herausforderungen, mit denen herkömmliche Systeme zur Bedrohungserkennung konfrontiert sind.

Die meisten bestehenden Lösungen stützen sich auf menschliche Aufsicht oder signaturbasierte Werkzeuge, die Bedrohungen erkennen, indem sie Aktivitäten mit bekannten Bedrohungen abgleichen. Dafür müssen Sicherheitsteams häufig mehrere Kameraübertragungen oder Dashboards gleichzeitig überwachen, um potenziell unbefugte Aktivitäten oder Abweichungen vom normalen Betrieb zu erkennen.

In großen Einrichtungen mit Hunderten von Kameras wird es schnell schwierig, riesige Datenmengen zu verwalten. Dadurch können bestimmte Aktivitäten übersehen werden, insbesondere in komplexen Bereichen wie Produktionshallen oder gesperrten Räumen wie Serverräumen.

Eine weitere Einschränkung sind verzögerte Reaktionen. Herkömmliche Systeme erkennen böswillige Aktivitäten in der Regel erst, nachdem ein Vorfall bereits stattgefunden hat. Das hilft zwar dabei, bekannte Risiken zu bestätigen, verhindert aber eine frühzeitige Reaktion auf Bedrohungen.

Diese Verzögerung erschwert den Umgang mit Situationen, in denen physischer Zugang, etwa das Betreten eines gesperrten Serverraums, zu umfassenderen Sicherheitsrisiken beiträgt, darunter Cyberbedrohungen und Cyberangriffe auf Rechenzentren. KI-gestützte Systeme helfen, diese Lücke zu verringern, indem sie Schwachstellen erkennen und schnellere Reaktionen unterstützen.

Was ist KI-Bedrohungserkennung?#

KI-Bedrohungserkennung bezeichnet den Einsatz künstlicher Intelligenz, um Situationen zu erkennen, die Menschen, Betriebsabläufe oder Infrastruktur gefährden könnten. Statt einfach nur große Mengen an Video- oder Sensordaten zu speichern, analysieren Systeme zur KI-Bedrohungserkennung diese Informationen aktiv, um aussagekräftige Erkenntnisse zu gewinnen.

Zu diesen Erkenntnissen können automatisierte Überwachung, Anomalieerkennung und Frühwarnsignale gehören, die Sicherheitsteams auf mögliche Probleme aufmerksam machen. Dieser Ansatz spielt sowohl im Bereich der Cybersicherheit als auch der physischen Sicherheit eine wichtige Rolle.

Der Hauptunterschied zwischen herkömmlichen Methoden und KI-gestützter Bedrohungserkennung liegt darin, wie Risiken erkannt werden. Herkömmliche Methoden stützen sich beispielsweise auf regelbasierte Systeme und manuelle Prüfungen, was ihre Anpassungsfähigkeit an Veränderungen einschränkt.

KI-Systeme sind dagegen anpassungsfähiger. Sie nutzen Daten und Algorithmen, um visuelle Informationen in Echtzeit zu analysieren und ungewöhnliches Verhalten zu erkennen. So können sie unbekannte oder neue Bedrohungen erkennen und schneller auf Vorfälle reagieren. Sicherheitsteams haben dadurch mehr Zeit zum Handeln, mitunter sogar, bevor Situationen eskalieren.

Bedrohungen mit Vision AI automatisch erkennen#

Es gibt viele Arten der KI-Bedrohungserkennung, von KI-gestützten Cybersicherheitsmaßnahmen bis hin zu Systemen, die physische Räume überwachen. Verschiedene KI-Techniken eignen sich für unterschiedliche Anforderungen an die Bedrohungserkennung.

Computer Vision eignet sich beispielsweise gut, um Risiken zu erkennen, die in der realen Welt sichtbar sind. Viele potenzielle Bedrohungen lassen sich über Kameras beobachten, etwa der unbefugte Zutritt zu gesperrten Bereichen, ungewöhnliche Bewegungen oder Gegenstände an unerwarteten Orten.

Konkret lassen sich Computer-Vision-Modelle wie Ultralytics YOLO26 zur Analyse von Live-Videostreams einsetzen, um Objekte zu erkennen und Bewegungen zu verfolgen. YOLO26 unterstützt verschiedene Bildverarbeitungsaufgaben, darunter Objekterkennung, Objektverfolgung und Instanzsegmentierung.

Abb. 1. Einsatz von YOLO-Modellen zur Erkennung und Segmentierung potenzieller Gefahren wie Rauch (Quelle)

Mit diesen Funktionen können Systeme Personen, Fahrzeuge oder relevante Objekte erkennen, ihre Bewegungen über verschiedene Szenen hinweg verfolgen und Verhaltensweisen markieren, die von normalen Mustern abweichen. Werden diese Modelle auf Aufnahmen von Überwachungskameras angewendet, können Unternehmen über die passive Überwachung hinausgehen und aussagekräftige Einblicke in sich entwickelnde potenzielle Risiken gewinnen.

Am Netzwerkrand eingesetzt, können solche Systeme mit geringer Latenz und ohne ständige Abhängigkeit von Cloud-Umgebungen arbeiten. Dadurch eignen sie sich für Umgebungen in der Praxis wie Fabriken, Lagerhäuser, Hochschulgelände und Rechenzentren.

Wie Ultralytics YOLO-Modelle zur KI-Bedrohungserkennung eingesetzt werden können#

Ultralytics YOLO-Modelle wie YOLO26 sind für Anwendungen in der Praxis ausgelegt, bei denen Geschwindigkeit und Zuverlässigkeit entscheidend sind. Das für den Einsatz am Netzwerkrand ausgelegte Design von YOLO26 verringert die Abhängigkeit von komplexen Nachverarbeitungsketten und erleichtert die Integration in bestehende Sicherheitsabläufe vor Ort.

Wie frühere YOLO-Modelle wurde Ultralytics YOLO26 mit großen Datensätzen wie COCO vortrainiert und bietet so eine zuverlässige Grundlage für das Erkennen von Personen, Fahrzeugen und anderen Alltagsgegenständen. Für Anwendungen zur Bedrohungserkennung lässt sich YOLO26 mit hochwertigen, anwendungsspezifischen Trainingsdaten feinabstimmen, um Personen in gesperrten Bereichen zu erkennen, ihre Bewegungen durch Sicherheitszonen zu verfolgen und Gegenstände zu markieren, die gegen Sicherheitsregeln verstoßen, etwa unbeaufsichtigte Gegenstände an einem Flughafen.

Nach dem Training kann das Modell auf neue Daten verallgemeinern und seine zuverlässige Erkennungsleistung auch bei veränderten Bedingungen aufrechterhalten. Bei der Integration in umfangreichere Erkennungsketten lassen sich seine Ausgaben mit Signalen aus anderen Systemen verknüpfen. Das unterstützt weiterführende Analysen, etwa zur Verhaltensanalyse und zur verbesserten Einschätzung von Bedrohungen.

Anwendungen von YOLO-Modellen in Sicherheitssystemen in der Praxis#

Nachdem wir nun besser verstehen, wie Vision AI hilft, Risiken zu erkennen, sehen wir uns einige Beispiele aus der Praxis an, in denen die Technologie zur Erkennung von Bedrohungen eingesetzt wird.

Gesperrte Bereiche mit YOLO überwachen#

In Industriezweigen wie der Fertigung sowie der Öl- und Gasindustrie sind bestimmte Bereiche von Einrichtungen wie Fabriken ausschließlich befugtem Personal vorbehalten. Häufig geht es dabei um Sicherheit, denn diese Zonen können gefährliche Anlagen, Materialien oder Prozesse umfassen, für die eine spezielle Schulung erforderlich ist.

Der Zugang zu diesen Bereichen muss überwacht und die Einhaltung von Sicherheitsvorschriften sichergestellt werden, um Unfälle zu verhindern, Anlagen zu schützen und den kontinuierlichen Betrieb aufrechtzuerhalten. Üblicherweise werden solche Bereiche durch eine Kombination aus menschlicher Aufsicht, Zutrittskontrollsystemen und Überwachungskameras gesichert.

Diese Ansätze haben jedoch ihre Grenzen. Eine manuelle Überwachung lässt sich nur schwer skalieren, Zutrittskontrollsysteme erfassen lediglich Zugangspunkte und Überwachungskameras erfordern in der Regel ständige menschliche Aufmerksamkeit.

Je größer und komplexer Einrichtungen werden, desto schwieriger ist es, unsichere oder unbefugte Aktivitäten in Echtzeit zu erkennen. Vision AI kann hier ein deutlich zuverlässigerer Ansatz sein.

Dabei werden Videoübertragungen kontinuierlich analysiert, um Sicherheitsprobleme zu erkennen. Diese Erkenntnisse lassen sich in bestehende Abläufe zur Einbruchserkennung integrieren und können automatische Reaktionen oder Benachrichtigungen auslösen, damit Sicherheitsteams sofort handeln können.

Eine aktuelle Studie untersuchte beispielsweise, wie Ultralytics YOLOv8, ein Modell aus der Ultralytics-YOLO-Familie, zum Erkennen verbotener Gegenstände in gesperrten Bereichen eingesetzt werden kann. In diesem Fall wurde das Modell darauf trainiert, Mobiltelefone in sicherheitssensiblen Zonen zu erkennen. Durch das Lernen anhand anwendungsspezifischer Bilddaten konnte das System Richtlinienverstöße in Echtzeit melden. So ließ sich die Einhaltung von Vorschriften verbessern und Sicherheitsrisiken verringern, ohne die Arbeitsbelastung der Teams zu erhöhen.

Abb. 2. Beispiel für die Erkennung der Nutzung eines Mobiltelefons in einem gesperrten Fabrikbereich (Quelle)

Intelligente Überwachung von Menschenmengen in öffentlichen Bereichen#

An stark frequentierten öffentlichen Orten wie Verkehrsknotenpunkten, Großveranstaltungen oder belebten Stadtzentren ist es wichtig zu verstehen, wie sich Menschen bewegen und verhalten, um die öffentliche Sicherheit zu gewährleisten. Eine hohe Personendichte, plötzliche Veränderungen der Bewegung oder stürzende Personen können schnell zu gefährlichen Situationen führen, wenn sie nicht frühzeitig erkannt werden.

Herkömmliche Überwachung von Menschenmengen stützt sich stark auf menschliche Bedienkräfte, die mehrere Bildschirme beobachten. Dabei können subtile, aber wichtige Veränderungen im Verhalten der Menschenmenge leicht übersehen werden. Vision AI verbessert die Überwachung von Menschenmengen, indem Videoaufnahmen von Kameras automatisch in Echtzeit analysiert werden.

Modelle wie Ultralytics YOLO26 können eingesetzt werden, um Personen in dicht gedrängten Szenen zu erkennen und zu verfolgen, Bewegungsmuster zu überwachen und Situationen wie Stürze oder Personen zu erkennen, die längere Zeit am Boden liegen bleiben. Diese Signale können auf potenzielle Sicherheitsrisiken hindeuten, insbesondere in dichten oder sich schnell bewegenden Menschenmengen.

Abb. 3. Sturzerkennung mithilfe von YOLO-Modellen (Quelle)

Über grundlegende Aufgaben wie das Zählen von Personen hinaus können bildbasierte Systeme auch wichtige Erkenntnisse für KI-Systeme liefern, die darauf ausgerichtet sind, Gedränge, ungewöhnliche Bewegungsströme oder Verhaltensweisen zu erkennen, die von normalen Mustern abweichen. Durch die frühzeitige Erkennung dieser Anzeichen können Organisationen schneller auf Situationen reagieren, die ein Risiko für die öffentliche Sicherheit darstellen könnten, und rechtzeitig eingreifen, ohne eine ständige manuelle Überwachung zu benötigen.

Arbeitssicherheit auf Baustellen gewährleisten#

Aktive Baustellen bergen vielfältige Sicherheitsrisiken, da sich die Bedingungen häufig ändern und Beschäftigte, Fahrzeuge und schwere Maschinen gemeinsam genutzte Bereiche durchqueren. Unbefugter Zutritt zu gesperrten Bereichen, fehlende persönliche Schutzausrüstung (PPE) oder gefährliche Interaktionen zwischen Beschäftigten und Maschinen können schnell zu Unfällen führen, wenn sie nicht frühzeitig erkannt werden.

Vision AI hilft, diesen Risiken zu begegnen, indem Videoaufnahmen von Kameras vor Ort kontinuierlich analysiert werden. Bildverarbeitungsmodelle wie Ultralytics YOLO26 können Beschäftigte in mehreren Bereichen erkennen und verfolgen und gleichzeitig die Einhaltung von Sicherheitsanforderungen überwachen, darunter das Tragen persönlicher Schutzausrüstung wie Helme oder Warnwesten.

Abb. 4. YOLO kann zur Überwachung von Baustellenbereichen eingesetzt werden (Quelle)

Indem diese Systeme Bewegungsmuster und Verhalten in Echtzeit beobachten, können sie auf potenzielle Gefahren hinweisen, bevor diese sich verschärfen. Die bildgestützte Überwachung verbessert nicht nur die Sicherheitskontrolle, sondern verringert auch die Abhängigkeit von regelmäßigen manuellen Kontrollen und ermöglicht eine schnellere Reaktion auf unsichere Situationen.

Vor- und Nachteile von KI-Modellen zur Gefahrenerkennung#

Hier sind einige wichtige Vorteile des Einsatzes von Vision-AI-Funktionen zur Gefahrenerkennung:

• Dauerbetrieb: KI-Systeme und Erkennungsmodelle arbeiten rund um die Uhr, ohne dass die Aufmerksamkeit durch zu viele Warnmeldungen nachlässt. Dadurch eignen sie sich besonders für Umgebungen, die ständig überwacht werden müssen.
• Bessere Abstimmung zwischen Teams: Gemeinsame Warnmeldungen und Erkenntnisse erleichtern es Sicherheits-, Arbeitsschutz- und Betriebsteams, zusammenzuarbeiten und diese Informationen für fundiertere Entscheidungen zu nutzen.
• Skalierbarkeit: Vision-AI-Systeme lassen sich an zahlreichen Kameras und Standorten einsetzen, ohne dass der Personalbedarf entsprechend steigen muss. So kann die Überwachung leichter ausgeweitet werden, wenn Umgebungen komplexer werden.

Vision AI bietet zwar klare Vorteile bei der Gefahrenerkennung, doch es ist auch wichtig, einige Einschränkungen zu berücksichtigen. Hier sind einige Herausforderungen, die du im Blick behalten solltest:

• Abhängigkeit von der Datenqualität: Eine ungünstige Kameraposition oder Eingabedaten von geringer Qualität können die Erkennungsleistung einschränken, insbesondere bei der Erkennung subtiler Verhaltensweisen oder seltener Ereignisse.
• Bedenken hinsichtlich des Datenschutzes: Die kontinuierliche Überwachung kann sensible Daten erfassen. Daher sind starke Schutzmaßnahmen erforderlich, um Missbrauch zu verhindern, insbesondere in Szenarien mit Zero-Day-Risiken oder lateraler Bewegung innerhalb von Systemen.
• Begrenzte Erfassung nicht visueller Bedrohungen: Vision AI kann Probleme wie Phishing-Versuche, Cybersicherheitsbedrohungen, Schadsoftware, Erpressungstrojaner oder Social Engineering nicht erkennen. Dafür sind in der Regel KI-Technologien wie die Verarbeitung natürlicher Sprache (NLP) sowie Verhaltens- oder Netzwerkanalysen statt visueller Analysen erforderlich.

Die wichtigsten Erkenntnisse#

KI-gestützte Gefahrenerkennung verbindet Bildverarbeitung mit modernen Sicherheitspraktiken, damit Organisationen Risiken früher erkennen und wirksamer darauf reagieren können. Modelle wie Ultralytics YOLO ermöglichen die Echtzeitanalyse visueller Daten und unterstützen Anwendungsfälle von der Überwachung gesperrter Zugänge bis hin zur Sicherheit von Menschenmengen und dem Schutz von Beschäftigten. Durch den Wechsel von reaktiver Überwachung zu vorausschauendem Erkennen hilft Vision AI Organisationen, angesichts sich wandelnder Bedrohungen die Sicherheit zu verbessern, Sicherheitsabläufe zu stärken und Bedrohungsinformationen auf komplexe Umgebungen auszuweiten.

Werde Teil unserer aktiven Community und entdecke Innovationen wie KI in der Fertigung und Bildverarbeitung mit KI im Einzelhandel. Besuche unser GitHub-Repository und leg noch heute mit maschinellem Sehen los, indem du dir unsere Lizenzoptionen ansiehst.