Uso de los modelos Ultralytics YOLO para detectar amenazas con IA

En muchos sectores, se está adoptando la inteligencia artificial (AI) 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 qué ocurre en tiempo real.

Para ello, las cámaras de seguridad y los sistemas de vigilancia inteligente son cada vez más habituales. Sin embargo, no basta con recopilar grabaciones de vídeo.

Los sistemas tradicionales suelen depender de la supervisión manual por parte de analistas o de reglas predefinidas, lo que dificulta reconocer las primeras señales de riesgo. Interpretar grandes volúmenes de datos visuales en tiempo real puede ser complicado, sobre todo en entornos concurridos o dinámicos.

Aquí es donde la detección de amenazas basada en IA se vuelve crucial. Al analizar flujos de vídeo en directo, los sistemas de IA pueden identificar patrones, comportamientos y situaciones que pueden indicar posibles amenazas o ataques. En particular, la visión artificial es una rama de la IA que permite a estos sistemas comprender la información visual y convertir las grabaciones sin procesar en información práctica.

Con la tecnología de IA visual, las organizaciones pueden pasar de medidas de seguridad reactivas a la prevención proactiva de amenazas emergentes. En este artículo, veremos cómo funciona la detección de amenazas mediante IA y cómo los modelos de visión como Ultralytics YOLO26 ayudan a detectar antes los riesgos y a crear entornos más seguros.

Los retos de los sistemas de seguridad tradicionales#

Antes de profundizar en cómo mejora la IA la detección de amenazas, veamos primero los retos a los que se enfrentan los sistemas tradicionales.

La mayoría de las soluciones actuales dependen de la supervisión humana o de herramientas basadas en firmas, que detectan amenazas al comparar la actividad con amenazas conocidas. Esto suele exigir que los equipos de seguridad supervisen a la vez varios flujos de cámaras o paneles para identificar actividades posiblemente no autorizadas o desviaciones de la actividad habitual.

En grandes instalaciones con cientos de cámaras, gestionar rápidamente enormes cantidades de datos se vuelve difícil. Como resultado, algunas actividades pueden pasar desapercibidas, sobre todo en zonas complejas, como las plantas de fábrica, o en espacios restringidos, como las salas de servidores.

Otra limitación es la demora en la respuesta. Los sistemas tradicionales suelen detectar la actividad maliciosa solo después de que se haya producido un incidente. Aunque esto permite confirmar problemas conocidos, impide responder con antelación a las amenazas.

Esta demora 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 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 consiste en utilizar la inteligencia artificial para identificar situaciones que puedan suponer un riesgo para las personas, las operaciones o las infraestructuras. En lugar de limitarse a almacenar grandes volúmenes de datos de vídeo o de sensores, los sistemas de detección de amenazas mediante IA analizan activamente esta información para generar datos útiles.

Esta información puede incluir supervisión automatizada, detección de anomalías y señales de alerta temprana que avisan a los equipos de seguridad de posibles problemas. Este enfoque desempeña un papel importante tanto en la ciberseguridad como en la seguridad física.

La principal diferencia entre los métodos tradicionales y la detección de amenazas basada en IA está en cómo se identifican los riesgos. Por ejemplo, los métodos tradicionales se basan en sistemas de reglas y revisiones manuales, lo que limita su capacidad para adaptarse a los cambios.

Por otro lado, los sistemas de IA son más adaptables. Usan datos y algoritmos para analizar información visual en tiempo real e identificar comportamientos inusuales. Esto les permite reconocer amenazas desconocidas o nuevas y facilitar una respuesta más rápida ante incidentes, dando a los equipos de seguridad más tiempo para actuar e incluso, en algunos casos, antes de que la situación empeore.

Automatización de la detección de amenazas mediante IA visual#

Hay 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 responden a distintas necesidades de detección de amenazas.

Por ejemplo, la visión artificial es una buena opción para identificar riesgos visibles en el mundo real. Muchas amenazas potenciales se pueden observar a través de las cámaras, como el acceso no autorizado a zonas restringidas, los movimientos inusuales o la presencia de objetos en lugares inesperados.

En concreto, los modelos de visión artificial como Ultralytics YOLO26 se pueden usar para analizar flujos de vídeo en directo, reconocer objetos y hacer un seguimiento de los movimientos. 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 por distintas escenas y señalar comportamientos que se desvían de los patrones habituales. Al aplicar estos modelos a las imágenes de las cámaras de seguridad, las organizaciones pueden ir más allá de la vigilancia pasiva y obtener información útil sobre los riesgos potenciales 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, por lo que son adecuados para situaciones reales, como fábricas, almacenes, campus y centros de datos.

Cómo se pueden usar los modelos YOLO de Ultralytics para detectar 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 edge reduce la dependencia de complejas cadenas de posprocesamiento, lo que facilita su integración en las operaciones de seguridad estándar in situ.

Al igual que los modelos YOLO anteriores, Ultralytics YOLO26 se preentrena con conjuntos de datos a gran escala, como COCO, que proporcionan una base fiable para reconocer objetos como personas, vehículos y otros objetos cotidianos. Para casos de uso de detección de amenazas, YOLO26 se puede ajustar con datos de entrenamiento de alta calidad específicos de cada aplicación para identificar personas en zonas restringidas, seguir sus movimientos por zonas seguras y señalar objetos que infrinjan las normas de seguridad, como objetos abandonados en un aeropuerto.

Una vez entrenado, el modelo puede generalizarse a datos nuevos y mantener un rendimiento de detección fiable aunque cambien las condiciones. Al integrarse en cadenas de detección más amplias, sus resultados se pueden usar para correlacionar las detecciones visuales con señales de otros sistemas y facilitar análisis de nivel superior, como el análisis del comportamiento y una mejor evaluación de las amenazas.

Aplicaciones reales de los modelos YOLO en herramientas de seguridad#

Ahora que entendemos mejor cómo ayuda la IA visual a identificar riesgos, veamos algunos ejemplos reales de su uso para detectar amenazas.

Supervisión de zonas restringidas con YOLO#

En sectores industriales como la fabricación y el petróleo y el gas, algunas zonas de las instalaciones, como las fábricas, están reservadas exclusivamente al personal autorizado. A menudo, se trata de una cuestión 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 normas de seguridad es fundamental para prevenir accidentes, proteger los activos y mantener la continuidad operativa. Por lo general, estas zonas se vigilan mediante una combinación de supervisión humana, sistemas de control de acceso y cámaras de seguridad.

Sin embargo, estos métodos tienen limitaciones. La supervisión manual no se puede ampliar fácilmente, 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 peligrosas o no autorizadas. La IA visual puede ser una solución mucho más fiable.

Funciona mediante el análisis continuo de los flujos de vídeo para identificar problemas de seguridad. Esta información se puede integrar en los flujos de trabajo existentes de detección de intrusiones, que pueden activar respuestas o alertas automáticas para que los equipos de seguridad humanos actúen de inmediato.

Por ejemplo, un estudio reciente analizó cómo Ultralytics YOLOv8, parte de la familia de modelos YOLO de Ultralytics, se puede usar 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 normas en tiempo real, lo que contribuyó a mejorar el cumplimiento y reducir los riesgos de seguridad sin aumentar la carga de trabajo 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 espacios públicos#

En espacios públicos concurridos, como estaciones de transporte, grandes eventos o centros urbanos muy transitados, entender cómo se mueve y se comporta la gente es importante para mantener la seguridad pública. Una alta densidad de personas, cambios repentinos en el movimiento o caídas pueden generar rápidamente situaciones de riesgo si no se detectan a tiempo.

Los sistemas tradicionales de supervisión de multitudes dependen en gran medida de operadores que vigilan varias pantallas, por lo que es fácil pasar por alto cambios sutiles pero importantes en el comportamiento de la multitud. La IA visual mejora la supervisión de multitudes al analizar automáticamente las imágenes de las cámaras en tiempo real.

Los modelos como Ultralytics YOLO26 se pueden utilizar para detectar y seguir a personas en escenas concurridas, 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 ofrecer información clave a los sistemas de IA que se centran en identificar aglomeraciones, flujos anómalos de personas o comportamientos que se desvían de los patrones habituales. Al detectar estos primeros indicadores, las organizaciones pueden responder más rápido a situaciones que podrían poner en riesgo la seguridad pública y actuar a tiempo sin necesidad de una supervisión manual constante.

Garantizar la seguridad de los trabajadores en la construcción#

Las obras de construcción activas presentan distintos riesgos de seguridad, ya que las condiciones cambian con frecuencia y los trabajadores, los vehículos y la maquinaria pesada se desplazan por espacios compartidos. El acceso no autorizado a zonas restringidas, la falta de equipos de protección individual (PPE) o las interacciones peligrosas entre los trabajadores y la maquinaria pueden provocar rápidamente incidentes si no se identifican a tiempo.

La IA visual ayuda a abordar estos riesgos mediante el análisis continuo de las imágenes de las cámaras instaladas en la obra. Los modelos de visión artificial, como Ultralytics YOLO26, pueden detectar y seguir a los trabajadores en distintas zonas y supervisar el cumplimiento de los requisitos de seguridad, incluido el uso de equipos de protección individual, como cascos o chalecos de seguridad.

Fig. 4. YOLO se puede utilizar para supervisar zonas de construcción (Fuente)

Al observar en tiempo real los patrones de movimiento y el comportamiento, 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 las inspecciones manuales periódicas y permite responder más rápido a situaciones de riesgo.

Ventajas e inconvenientes de usar modelos de IA para detectar amenazas#

Estas son algunas de las principales ventajas de usar las capacidades de IA visual para detectar amenazas:

• Funcionamiento continuo: Los sistemas de IA y los modelos de detección funcionan las 24 horas del día sin sufrir fatiga por alertas, por lo que son ideales 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 esa información para tomar decisiones más acertadas.
• Escalabilidad: Los sistemas de IA visual se pueden implementar 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 visual ofrece claras ventajas para detectar amenazas, también es importante tener en cuenta algunas limitaciones. Estos son algunos de los retos que debes considerar:

• Sensibilidad a la calidad de los datos: Una mala ubicación de las cámaras o entradas de baja calidad pueden limitar las capacidades de detección, especialmente al identificar comportamientos sutiles o sucesos poco frecuentes.
• Problemas de privacidad de los datos: La supervisión continua puede implicar el tratamiento de datos sensibles, por lo que requiere medidas de protección sólidas para evitar usos indebidos, especialmente en situaciones que conllevan riesgos de día cero o movimiento lateral entre sistemas.
• Cobertura limitada de amenazas no visuales: La IA visual no puede detectar problemas como intentos de phishing, amenazas de ciberseguridad, malware, ransomware o ingeniería social, que suelen requerir 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 artificial y las prácticas de seguridad modernas para ayudar a las organizaciones a identificar riesgos antes y responder con más eficacia. Los modelos como Ultralytics YOLO permiten analizar datos visuales en tiempo real y respaldan casos de uso que abarcan desde la supervisión de accesos restringidos hasta la seguridad de multitudes y la protección de los trabajadores. Al pasar de una supervisión reactiva a una conciencia proactiva, la IA visual 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 activa comunidad 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 mismo con la visión artificial consultando nuestras opciones de licencia.