Ultralytics YOLO27: Únete a la lista de espera.
Licencia YOLO
Ultralytics YOLO

Uso de los modelos Ultralytics YOLO para detectar amenazas con IA

Descubre cómo los modelos Ultralytics YOLO impulsan la detección de amenazas con IA para identificar riesgos con antelación, reforzar la concienciación sobre seguridad y permitir una prevención proactiva.

Abirami VinaAbirami Vina12 min de lectura
Ultralytics YOLO analiza imágenes de cámaras de seguridad para detectar amenazas

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 contribuir a ello, las cámaras de seguridad y los sistemas de videovigilancia inteligentes son cada vez más habituales. Sin embargo, no basta con recopilar imágenes 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 esencial. Al analizar transmisiones de vídeo en directo, los sistemas de IA pueden identificar patrones, comportamientos y situaciones que podrían indicar posibles amenazas. 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 útil.

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 comparando la actividad con patrones conocidos. Esto suele exigir que los equipos de seguridad supervisen a la vez varias transmisiones de cámaras o paneles para identificar actividades potencialmente no autorizadas o desviaciones de la actividad normal.

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 las respuestas. Los sistemas tradicionales suelen detectar la actividad maliciosa solo después de que se haya producido un incidente. Aunque esto sirve para confirmar problemas conocidos, impide que los equipos respondan pronto 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, incluidos los ciberataques en 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. Utilizan datos y algoritmos para analizar información visual en tiempo real e identificar comportamientos inusuales. Esto les ayuda a detectar amenazas nuevas o desconocidas y a responder a los incidentes con mayor rapidez, lo que da más tiempo para actuar a los equipos de seguridad, en algunos casos antes de que la situación se agrave.

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, pueden analizar transmisiones de vídeo en directo para reconocer objetos y seguir movimientos. YOLO26 admite diversas tareas de visión, como la detección de objetos, la segmentación de instancias y el seguimiento de objetos.

Modelos YOLO detectando y segmentando peligros como el humo

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 transmisiones de las cámaras de seguridad, las organizaciones pueden ir más allá de la supervisión pasiva y obtener información oportuna 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 Ultralytics YOLO, como YOLO26, están diseñados para aplicaciones reales en las que la velocidad y la coherencia son fundamentales. El diseño de YOLO26 pensado primero para 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 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 generalizar a datos nuevos, lo que le ayuda a mantener el rendimiento de detección aunque cambien las condiciones. Al integrarse en flujos de detección más amplios, sus resultados pueden utilizarse para correlacionar detecciones visuales con señales de otros sistemas, lo que permite realizar análisis de nivel superior, como el análisis del comportamiento y una mejor evaluación de 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 inseguras o no autorizadas. La IA visual ofrece un enfoque más escalable.

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.

Detección del uso de teléfonos móviles en una zona restringida de una fábrica

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.

Detección de una persona caída en el suelo mediante modelos YOLO

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 transmisiones de vídeo de las cámaras instaladas en las instalaciones. 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.

YOLO supervisa a trabajadores y equipos en una zona de construcción

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 la colaboración entre los equipos de seguridad, prevención y operaciones, que pueden utilizar estos datos 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 datos sensibles, por lo que se necesitan medidas de protección sólidas para evitar su uso indebido.
  • 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.

Escrito por

Abirami Vina
Abirami Vina

Creador de contenido · Ultralytics

Abirami Vina comenzó su carrera como ingeniera de visión artificial y sentó unas bases sólidas en AI visual y aprendizaje automático. Es creadora de contenido para Ultralytics y fundadora y redactora jefe de Scribe of AI, donde elabora contenido técnico de alta calidad para empresas centradas en AI. Su pasión por hacer que la AI sea comprensible y atractiva impulsa su trabajo, que conecta la tecnología de vanguardia con su impacto en el mundo real.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.

Explora las soluciones

Visión artificial en el deporte

Visión artificial en el deporte

Descubre cómo Ultralytics YOLO impulsa la visión artificial en el deporte con el seguimiento de jugadores y balones, analíticas de rendimiento, información útil para entrenadores y rehabilitación de deportistas.
Más información
Visión artificial para imágenes aéreas

Visión artificial para imágenes aéreas

Convierte imágenes aéreas y de drones en información útil en tiempo real para la agricultura, la acuicultura, la conservación y el análisis geoespacial con Ultralytics YOLO.
Más información
Visión artificial en el sector aeroespacial

Visión artificial en el sector aeroespacial

Aplica la visión artificial en el sector aeroespacial con Ultralytics YOLO para inspeccionar aeronaves, detectar objetos extraños en pistas, gestionar operaciones en tierra y detectar defectos en materiales compuestos.
Más información
Visión artificial en seguridad

Visión artificial en seguridad

Protege todas tus instalaciones con los modelos Ultralytics YOLO. La IA visual permite supervisar perímetros, detectar amenazas, reconocer matrículas y mejorar la seguridad laboral.
Más información
Visión artificial en robótica

Visión artificial en robótica

Potencia máquinas más inteligentes con los modelos Ultralytics YOLO. La IA visual en robótica impulsa la navegación autónoma, la percepción, el seguimiento de objetos y el control en tiempo real.
Más información
Visión artificial en logística

Visión artificial en logística

Agiliza la logística con modelos Ultralytics YOLO. La IA visual permite inspeccionar paquetes, clasificarlos, realizar el seguimiento de vehículos y supervisar la seguridad del almacén en tiempo real.
Más información
Visión artificial en el comercio minorista

Visión artificial en el comercio minorista

Reinventa el comercio minorista con modelos Ultralytics YOLO. La IA visual permite realizar el seguimiento del inventario, supervisar estanterías, gestionar colas y obtener información más útil sobre los clientes.
Más información
Visión artificial en el sector sanitario

Visión artificial en el sector sanitario

Desarrolla soluciones sanitarias con modelos Ultralytics YOLO. La IA visual en el sector sanitario permite acelerar el diagnóstico por imagen, mejorar los diagnósticos y supervisar a los pacientes.
Más información
Visión artificial en la fabricación

Visión artificial en la fabricación

Optimiza la fabricación con modelos Ultralytics YOLO. La IA visual mejora el control de calidad, la detección de defectos, el cumplimiento de las normas de uso de EPI y la automatización de las líneas de montaje.
Más información
Visión artificial en la automoción

Visión artificial en la automoción

Aplica la visión artificial al sector de la automoción con modelos Ultralytics YOLO. La IA visual mejora la seguridad vial, la asistencia al conductor y la automatización de vehículos para lograr carreteras más inteligentes.
Más información
Visión artificial en la agricultura

Visión artificial en la agricultura

Incorpora la IA de visión a la agricultura inteligente con modelos Ultralytics YOLO. Impulsa la monitorización de cultivos, el seguimiento del ganado y la agricultura de precisión para obtener cosechas más abundantes e inteligentes.
Más información

¡Construyamos juntos el futuro de la IA!

Inicia tu recorrido hacia el futuro del aprendizaje automático