Un vistazo al uso de los modelos Ultralytics YOLO para la detección de amenazas mediante IA
Descubre cómo los modelos Ultralytics YOLO impulsan la detección de amenazas mediante IA para descubrir los riesgos cuanto antes, reforzar la concienciación en materia de seguridad y permitir una prevención proactiva.
En muchos sectores, la inteligencia artificial (IA) se está adoptando para mejorar la seguridad, aumentar la eficiencia y crear entornos más seguros. En lugares como oficinas, fábricas, campus, almacenes y espacios públicos, alcanzar estos objetivos depende de comprender lo que ocurre en tiempo real.
Para respaldar esta labor, las cámaras de seguridad y los sistemas inteligentes de videovigilancia son cada vez más habituales. Sin embargo, recopilar imágenes de vídeo no basta.
Los sistemas tradicionales suelen depender de la supervisión manual de analistas humanos o de reglas predefinidas, lo que dificulta reconocer los primeros indicios de riesgo. Interpretar grandes volúmenes de datos visuales en tiempo real puede ser complicado, especialmente en entornos concurridos o dinámicos.
Aquí es donde la detección de amenazas basada en IA resulta crucial. Al analizar flujos de vídeo en directo, los sistemas de IA pueden identificar patrones, comportamientos y situaciones que podrían indicar posibles amenazas o ataques. En particular, la visión por computador es una rama de la IA que permite a estos sistemas comprender la información visual y convertir las imágenes sin procesar en información útil para la toma de decisiones.
Con la tecnología de IA aplicada a la visión, las organizaciones pueden pasar de unas medidas de seguridad reactivas a una prevención proactiva de las amenazas emergentes. En este artículo, exploraremos cómo funciona la detección de amenazas mediante IA y cómo los modelos de visión como Ultralytics YOLO26 ayudan a detectar los riesgos antes y a crear entornos más seguros.
Los retos de los sistemas de seguridad tradicionales#
Antes de profundizar en cómo la IA mejora la detección de amenazas, veamos primero los retos a los que se enfrentan los sistemas tradicionales de detección de amenazas.
La mayoría de las soluciones existentes dependen de la supervisión humana o de herramientas basadas en firmas, que detectan amenazas comparando la actividad con amenazas conocidas. Esto suele exigir que los equipos de seguridad supervisen simultáneamente múltiples transmisiones de cámaras o paneles para identificar actividades potencialmente no autorizadas o desviaciones respecto a la actividad normal.
En instalaciones grandes con cientos de cámaras, gestionar rápidamente enormes cantidades de datos se vuelve difícil. Como consecuencia, algunas actividades pueden pasar desapercibidas, especialmente en zonas complejas como las plantas de fábrica o espacios restringidos como las salas de servidores.
Otra limitación son las respuestas tardías. Los sistemas tradicionales suelen detectar la actividad maliciosa solo después de que ya se haya producido un incidente. Aunque esto sirve para confirmar problemas conocidos, impide responder pronto a las amenazas.
Este retraso puede dificultar la gestión de situaciones en las que el acceso físico, como la entrada en una sala de servidores restringida, contribuye a problemas de seguridad más amplios, incluidas las amenazas cibernéticas y los ciberataques en los centros de datos. Los sistemas basados en IA ayudan a reducir esta brecha al identificar vulnerabilidades y facilitar respuestas más rápidas.
¿Qué es la detección de amenazas mediante IA?#
La detección de amenazas mediante IA hace referencia al uso de la inteligencia artificial para identificar situaciones que pueden suponer riesgos para las personas, las operaciones o las infraestructuras. En lugar de limitarse a almacenar grandes volúmenes de vídeo o datos de sensores, los sistemas de detección de amenazas mediante IA analizan activamente esta información para generar información útil.
Esta información puede incluir supervisión automatizada, detección de anomalías y señales de alerta temprana que avisan a los equipos de seguridad sobre posibles problemas. Este enfoque desempeña un papel importante tanto en contextos de ciberseguridad como de seguridad física.
La principal diferencia entre los métodos tradicionales y la detección de amenazas basada en IA es la forma en que se identifican los riesgos. Por ejemplo, los métodos tradicionales dependen de sistemas basados en reglas y de revisiones manuales, lo que limita su capacidad para adaptarse a los cambios.
Por otro lado, los sistemas de IA son más adaptables. Utilizan datos y algoritmos para analizar información visual en tiempo real e identificar comportamientos inusuales. Esto les ayuda a identificar amenazas desconocidas o nuevas y a facilitar una respuesta más rápida a los incidentes, dando a los equipos de seguridad más tiempo para actuar e incluso, en algunos casos, antes de que las situaciones se agraven.
Automatización de la detección de amenazas mediante IA aplicada a la visión#
Existen muchos tipos de detección de amenazas mediante IA, desde medidas de ciberseguridad basadas en IA hasta sistemas que supervisan espacios físicos. Distintas técnicas de IA permiten cubrir diferentes necesidades de detección de amenazas.
Por ejemplo, la visión por computador es una buena opción para identificar riesgos visibles en el mundo real. Muchas amenazas potenciales pueden observarse mediante cámaras, como el acceso no autorizado a zonas restringidas, movimientos inusuales o la presencia de objetos en lugares inesperados.
En concreto, los modelos de visión por computador como Ultralytics YOLO26 pueden utilizarse para analizar flujos de vídeo en directo, reconocer objetos y realizar un seguimiento del movimiento. YOLO26 admite diversas tareas de visión, como la detección de objetos, el seguimiento de objetos y la segmentación de instancias.
Fig. 1. Uso de modelos YOLO para detectar y segmentar posibles peligros, como el humo (Fuente)
Estas capacidades permiten a los sistemas identificar personas, vehículos u objetos de interés, seguir sus movimientos a través de las escenas y señalar comportamientos que se desvían de los patrones normales. Al aplicar estos modelos a las transmisiones de las cámaras de seguridad, las organizaciones pueden ir más allá de la supervisión pasiva y obtener información valiosa sobre los posibles riesgos a medida que se desarrollan.
Cuando se implementan en el edge, estos sistemas pueden funcionar con una latencia baja y sin depender constantemente de entornos en la nube, lo que los hace adecuados para entornos reales como fábricas, almacenes, campus y centros de datos.
Cómo se pueden utilizar los modelos YOLO de Ultralytics para la detección de amenazas mediante IA#
Los modelos YOLO de Ultralytics, como YOLO26, están diseñados para aplicaciones reales en las que la velocidad y la coherencia son fundamentales. El diseño de YOLO26 compatible con el edge reduce la dependencia de complejas cadenas de posprocesamiento, lo que facilita su integración en las operaciones de seguridad estándar en las instalaciones.
Al igual que los modelos YOLO anteriores, Ultralytics YOLO26 se ha preentrenado con conjuntos de datos a gran escala como COCO, lo que proporciona una base fiable para reconocer objetos como personas, vehículos y otros objetos cotidianos. Para casos de uso de detección de amenazas, YOLO26 puede ajustarse con datos de entrenamiento de alta calidad y específicos de la aplicación para identificar personas en zonas restringidas, seguir movimientos a través de zonas seguras y señalar objetos que infringen las normas de seguridad, como artículos abandonados en un aeropuerto.
Una vez entrenado, el modelo puede generalizar a datos nuevos, lo que le permite mantener un rendimiento de detección fiable a medida que cambian las condiciones. Cuando se integra en cadenas de detección más amplias, sus resultados pueden utilizarse para correlacionar las detecciones visuales con señales de otros sistemas, facilitando análisis de alto nivel como el análisis del comportamiento y una mejor evaluación de las amenazas.
Aplicaciones reales de los modelos YOLO en herramientas de seguridad#
Ahora que comprendemos mejor cómo la IA aplicada a la visión ayuda a identificar riesgos, repasemos algunos ejemplos reales de cómo se utiliza para detectar amenazas.
Supervisión de zonas restringidas con YOLO#
En sectores industriales como la fabricación y el petróleo y el gas, determinadas zonas de las instalaciones, como las fábricas, están restringidas exclusivamente al personal autorizado. A menudo, esto responde a motivos de seguridad, ya que estas zonas pueden contener equipos, materiales o procesos peligrosos que requieren formación especializada.
Supervisar el acceso a estas zonas y garantizar el cumplimiento de las normativas de seguridad es esencial para prevenir accidentes, proteger los activos y mantener la continuidad operativa. Por lo general, estas zonas se supervisan mediante una combinación de supervisión humana, sistemas de control de acceso y cámaras de seguridad.
Sin embargo, estos enfoques tienen limitaciones. La supervisión manual no escala bien, los sistemas de control de acceso solo registran los puntos de entrada y las cámaras de seguridad suelen requerir atención humana constante.
A medida que las instalaciones crecen y se vuelven más complejas, resulta cada vez más difícil detectar en tiempo real actividades inseguras o no autorizadas. La IA aplicada a la visión puede ser un enfoque mucho más fiable.
Funciona analizando continuamente las transmisiones de vídeo para identificar problemas de seguridad y protección. Esta información puede integrarse en los flujos de trabajo existentes de detección de intrusiones, que pueden activar respuestas o alertas automatizadas para que los equipos de seguridad humanos actúen de inmediato.
Por ejemplo, un estudio reciente analizó cómo Ultralytics YOLOv8, que forma parte de la familia de modelos YOLO de Ultralytics, puede utilizarse para detectar artículos prohibidos en zonas restringidas. En este caso, el modelo se entrenó para identificar la presencia de teléfonos móviles en zonas sensibles desde el punto de vista de la seguridad. Al aprender de datos visuales específicos de la aplicación, el sistema pudo señalar infracciones de las políticas en tiempo real, lo que ayudó a mejorar el cumplimiento y reducir los riesgos de seguridad sin aumentar la carga de los equipos humanos.
Fig. 2. Ejemplo de detección del uso de teléfonos móviles en una zona restringida de una fábrica (Fuente)
Supervisión inteligente de multitudes en zonas públicas#
En espacios públicos concurridos, como nudos de transporte, grandes eventos o centros urbanos muy transitados, comprender cómo se mueven y se comportan las personas es importante para mantener la seguridad pública. Una alta densidad de personas, cambios repentinos en el movimiento o personas que se caen pueden crear rápidamente situaciones de riesgo si no se detectan a tiempo.
Los sistemas tradicionales de supervisión de multitudes dependen en gran medida de operadores humanos que observan múltiples pantallas, por lo que es fácil pasar por alto cambios sutiles pero importantes en el comportamiento de la multitud. La IA aplicada a la visión mejora la supervisión de multitudes al analizar automáticamente en tiempo real las transmisiones de vídeo de las cámaras.
Los modelos como Ultralytics YOLO26 pueden utilizarse para detectar y seguir a personas en escenas multitudinarias, supervisar patrones de movimiento e identificar situaciones como caídas o personas que permanecen en el suelo durante periodos prolongados. Estas señales pueden indicar posibles problemas de seguridad, especialmente en multitudes densas o en rápido movimiento.
Fig. 3. Detección de caídas mediante modelos YOLO (Fuente)
Además de tareas básicas como contar personas, los sistemas basados en visión también pueden proporcionar información clave a los sistemas de IA centrados en identificar aglomeraciones, flujos anómalos de multitudes o comportamientos que se desvían de los patrones normales. Al detectar estos primeros indicadores, las organizaciones pueden responder más rápidamente a situaciones que pueden suponer un riesgo para la seguridad pública y facilitar una intervención oportuna sin necesidad de una supervisión manual constante.
Garantizar la seguridad de los trabajadores en la construcción#
Las obras de construcción activas presentan diversos riesgos de seguridad y protección, ya que las condiciones cambian con frecuencia y los trabajadores, vehículos y equipos pesados se desplazan por espacios compartidos. El acceso no autorizado a zonas restringidas, la falta de equipos de protección individual (PPE) o las interacciones inseguras entre trabajadores y maquinaria pueden provocar rápidamente incidentes si no se identifican a tiempo.
La IA aplicada a la visión ayuda a abordar estos riesgos mediante el análisis continuo de las transmisiones de vídeo de las cámaras instaladas en las obras. Los modelos de visión por computador, como Ultralytics YOLO26, pueden detectar y seguir a los trabajadores en varias zonas mientras supervisan el cumplimiento de los requisitos de seguridad, incluido el uso de equipos de protección individual, como cascos o chalecos de seguridad.
Fig. 4. YOLO puede utilizarse para supervisar zonas de construcción (Fuente)
Al observar patrones de movimiento y comportamientos en tiempo real, estos sistemas pueden señalar posibles peligros antes de que se agraven. Además de mejorar la supervisión de la seguridad, la monitorización basada en visión reduce la dependencia de comprobaciones manuales periódicas y facilita una respuesta más rápida ante situaciones inseguras.
Ventajas e inconvenientes del uso de modelos de IA para la detección de amenazas#
Estas son algunas de las principales ventajas de utilizar las capacidades de la IA aplicada a la visión para detectar amenazas:
- Funcionamiento continuo: Los sistemas de IA y los modelos de detección funcionan las 24 horas sin fatiga por alertas, por lo que son muy adecuados para entornos que requieren una supervisión constante.
- Mejor coordinación entre equipos: Las alertas y la información compartidas facilitan que los equipos de seguridad, prevención y operaciones trabajen juntos y utilicen estos datos para tomar decisiones más acertadas.
- Escalabilidad: Los sistemas de IA aplicada a la visión pueden implementarse en numerosas cámaras y ubicaciones sin aumentar proporcionalmente la plantilla, lo que facilita ampliar la supervisión a medida que los entornos se vuelven más complejos.
Aunque la IA aplicada a la visión ofrece ventajas claras para la detección de amenazas, también es importante tener en cuenta algunas limitaciones. Estos son algunos retos que conviene considerar:
- Sensibilidad a la calidad de los datos: Una colocación deficiente de las cámaras o unas entradas de baja calidad pueden limitar las capacidades de detección, especialmente al identificar comportamientos sutiles o eventos poco frecuentes.
- Problemas de privacidad de los datos: La supervisión continua puede implicar datos sensibles, por lo que requiere medidas de protección sólidas para evitar un uso indebido, especialmente en situaciones relacionadas con riesgos de día cero o movimientos laterales entre sistemas.
- Cobertura limitada de las amenazas no visuales: La IA aplicada a la visión no puede detectar problemas como intentos de phishing, amenazas de ciberseguridad, malware, ransomware o ingeniería social, que normalmente requieren tecnologías de IA como el procesamiento del lenguaje natural (NLP) y el análisis del comportamiento o de la red, en lugar del análisis visual.
Conclusiones clave#
La detección de amenazas basada en IA combina la visión por computador y las prácticas modernas de seguridad para ayudar a las organizaciones a identificar antes los riesgos y responder de forma más eficaz. Los modelos como Ultralytics YOLO permiten analizar datos visuales en tiempo real y respaldan casos de uso que van desde la supervisión de accesos restringidos hasta la seguridad de las multitudes y la protección de los trabajadores. Al pasar de una supervisión reactiva a una concienciación proactiva, la IA aplicada a la visión ayuda a las organizaciones a mejorar la seguridad frente a amenazas cambiantes, reforzar las operaciones de seguridad y ampliar la inteligencia sobre amenazas en entornos complejos.
Únete a nuestra comunidad activa y descubre innovaciones como la IA en la fabricación y la IA de visión en el comercio minorista. Visita nuestro repositorio de GitHub y empieza hoy con la visión artificial consultando nuestras opciones de licencia.
