Die Integration von Ultralytics YOLO-Modellen, die mit proprietären Daten feinabgestimmt und für mehrere Exportformate optimiert wurden, ermöglichte es Videologic Analytics, Kosten und Markteinführungszeit zu reduzieren.
Videologic Analytics ist ein in Spanien ansässiger Entwickler fortschrittlicher Videoanalyselösungen, die Sicherheit und Überwachung von Industrieanlagen, Solarparks und Wohnanlagen verbessern. Das Unternehmen setzt AI-gestützte Lösungen ein, die in Sicherheitskameras integriert werden, um Geländegrenzen zu überwachen und Eindringlinge in Echtzeit zu erkennen.
Aufgrund hoher Kosten und langsamer Bereitstellung mit früheren Modellen integrierte das Unternehmen Ultralytics YOLO-Modelle, um die Erkennungsgenauigkeit zu erhöhen, Entwicklungs- und Markteinführungskosten zu senken und in neue Bereiche wie Einzelhandel und Business Intelligence vorzudringen.
Computer Vision für Sicherheit mit AI-Kameras ermöglichen#
Videologic Analytics wird von Experten mit mehr als 30 Jahren Erfahrung geleitet und ist auf die Integration von AI und Computer Vision in Sicherheitskameras für die Überwachung in Echtzeit und die automatisierte Bedrohungserkennung spezialisiert. Die Lösungen schützen große Anlagen, erneuerbare Energieanlagen und Wohngebiete mit zuverlässiger Leistung.
Das Unternehmen betreut renommierte Kunden wie Prosegur, Securitas und Sabico sowie mehr als 4.000 zertifizierte Sicherheitsunternehmen in Spanien. Angesichts der Herausforderungen bei der kosten- und zeitintensiven Entwicklung und Bereitstellung von AI-Modellen integrierte das Unternehmen Ultralytics YOLO-Modelle in seine innovativen Vision-AI-Lösungen. Dadurch konnte es seine Sicherheitsanwendungen verbessern und zugleich neue Branchen erschließen.
Der Bedarf an kosteneffizienter automatisierter Bedrohungserkennung mit AI#
Videologic Analytics hatte bereits zuvor AI-Modelle in die Sicherheitskameras integriert, die das Unternehmen seinen Kunden anbot. Diese frühen Modelle waren darauf programmiert, eine begrenzte Anzahl von Objektkategorien zu erkennen, darunter Fahrzeuge, Menschen und kleine Tiere. Dieser grundlegende Ansatz schuf zwar die Basis für fortschrittliche Sicherheitssysteme, bot aber auch Möglichkeiten zur weiteren Verbesserung, insbesondere bei der Präzision und der Rate von Fehlalarmen.
Die Kunden suchten nach einer umfassenderen Lösung, die über ein breiteres Spektrum von Objekten und Szenarien hinweg leistungsfähigere und genauere Objekterkennung ermöglichen konnte. Um diesen Anforderungen gerecht zu werden, begann das Forschungs- und Entwicklungsteam von Videologic Analytics mit der Entwicklung verbesserter AI-Modelle.
Bei der Entwicklung dieser Modelle stellte Videologic Analytics schnell fest, dass der bisherige Ansatz einige Probleme aufwies, etwa hohe Kosten und lange Entwicklungszeiten. Das Unternehmen erkannte, dass es einen flexibleren und effizienteren Ansatz benötigte. Dieser neue Ansatz sollte diese Herausforderungen bewältigen und den sich wandelnden Sicherheitsanforderungen seiner Kunden besser gerecht werden.
Konkret wollte das Unternehmen ein Computer-Vision-Modell finden, das die Zuverlässigkeit seiner Vision-AI-Lösungen verbessern und die Kundenzufriedenheit erhöhen konnte. Ebenso wichtig war, dass das Modell kosteneffizient und an künftige Anforderungen anpassbar blieb.
Überwachung mit AI-gestützter Anomalieerkennung neu definieren#
Nach dem Testen mehrerer AI-Modelle stellte Videologic Analytics fest, dass die Ultralytics YOLO-Modelle die benötigte Flexibilität und Leistung boten. Das Unternehmen begann mit vortrainierten YOLO-Modellen, die anhand des COCO-Datensatzes entwickelt wurden, der eine große Bandbreite gängiger Objekte umfasst. Dieses Vortraining bot eine solide Grundlage, da die Modelle bereits viele grundlegende Objekte erkennen konnten und sich dadurch leichter an spezifische Sicherheitsanforderungen anpassen ließen.
Beispielsweise stimmte Videologic Analytics diese vortrainierten Modelle mithilfe proprietärer eigener Daten für Anwendungen wie die Überwachung von Solarparks fein ab.
In diesem Szenario wurden die Modelle zur AI-gestützten Anomalieerkennung eingesetzt. Sie unterschieden zwischen tatsächlichen Bedrohungen – etwa unbefugten Personen oder Fahrzeugen – und harmlosen Elementen wie kleinen Tieren oder vom Wind verwehtem Material. Diese klare Unterscheidung war entscheidend, um Fehlalarme zu reduzieren und die allgemeine Sicherheitsleistung zu verbessern.
Neben der Überwachung von Solarparks entwickelte das Unternehmen mit YOLO auch Sicherheitslösungen für Industrieanlagen und Wohngebiete sowie Proof-of-Concept-Module für Computer-Vision-Innovationen im Einzelhandel und in der Business Intelligence. Obwohl das Unternehmen hauptsächlich Objekterkennung einsetzt, nutzt es auch von YOLO unterstützte Computer-Vision-Aufgaben wie Posenschätzung und Objektverfolgung.
Abb. 1 Videologic Analytics nutzt Ultralytics YOLO-Modelle zur Überwachung von Solarkraftwerken.
Warum Ultralytics YOLO-Modelle wählen?#
Videologic Analytics entschied sich für Ultralytics YOLO-Modelle, weil das Unternehmen eine robuste Lösung benötigte, die zahlreiche Kamerakanäle unterstützen und gleichzeitig eine schnelle, präzise Inferenz liefern konnte.
YOLO unterstützt verschiedene Exportformate und lässt sich nahtlos in Frameworks wie CUDA, TensorRT, ONNX und OpenVINO integrieren. Diese Flexibilität ermöglicht es Videologic Analytics, Modelle mit PyTorch fein abzustimmen und effizient in der Produktion bereitzustellen. Dank hardwarespezifischer Optimierungen erfüllt YOLO die anspruchsvollen Anforderungen der Videoanalyse in Echtzeit besser als frühere Modelle.
Vereinfachte Modellbereitstellung für intelligente Videoüberwachung#
Seit der Integration von Ultralytics YOLO-Modellen verzeichnet Videologic Analytics deutliche Verbesserungen bei Leistung und Effizienz. Die neue Vision-AI-Lösung ermöglicht eine schnelle Bedrohungserkennung in Echtzeit über ein breites Spektrum von Installationen hinweg – von Solarparks und Industrieanlagen bis hin zu Wohnanlagen.
Tatsächlich stellt Videologic Analytics jährlich rund 10.000 Lizenzen bereit, die jeweils einem dedizierten Kamerakanal entsprechen. Alle Lizenzen unterstützen inzwischen Ultralytics YOLO-Modelle. Die Umstellung auf YOLO hat zu einer deutlichen Verringerung der Fehlalarme und einer insgesamt höheren Erkennungsgenauigkeit geführt. Dadurch profitieren die Kunden von zuverlässigeren Sicherheitssystemen, während die Betriebskosten gesenkt wurden.
Darüber hinaus haben die höheren Inferenzgeschwindigkeiten und die Skalierbarkeit der Ultralytics YOLO-Modelle die Markteinführungszeit für neue AI-Funktionen verkürzt. Dadurch konnte Videologic Analytics sein Kerngeschäft im Sicherheitsbereich ausbauen und neue Möglichkeiten in Branchen wie Einzelhandel und Business Intelligence erkunden. Insgesamt hat die Einführung der Ultralytics YOLO-Modelle sowohl sofortige betriebliche Verbesserungen als auch langfristige Wachstumsperspektiven für das Unternehmen geschaffen.
Abb. 2 Videologic Analytics nutzt Ultralytics YOLO-Modelle zur Überwachung städtischer Umgebungen.
Intelligente Videoanalyse für Schutz und Sicherheit: Der weitere Weg#
Videologic Analytics arbeitet aktiv daran, seine Lösung mithilfe von Ultralytics YOLO-Modellen über die grundlegende Erkennung von Eindringlingen hinaus auszubauen. Die nächsten Schritte umfassen die Bereitstellung umfassenderer und besser nutzbarer Erkenntnisse durch fortschrittliche Analysen wie Verhaltensanalyse, Trendverfolgung und prädiktive Auswertung.
Diese Verbesserungen werden Kunden dabei helfen, Sicherheitsabläufe zu optimieren und neue Möglichkeiten im Einzelhandel und in der Business Intelligence zu erschließen, wodurch Innovation und Wachstum in der Videoanalyse in Echtzeit weiter vorangetrieben werden.
Möchtest du erfahren, wie Computer Vision dein Unternehmen verändern kann? Besuche unser GitHub-Repository, um zu sehen, wie die AI-Lösungen von Ultralytics Innovationen wie AI in selbstfahrenden Autos und Computer Vision in der Landwirtschaft voranbringen. Erfahre mehr über unsere YOLO-Modelle und Lizenzoptionen und starte noch heute deinen Weg zu intelligenterer und effizienterer Automatisierung.
