Un vistazo al uso de modelos Ultralytics YOLO para la detección de amenazas por IA

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, lograr estos objetivos depende de comprender qué está sucediendo en tiempo real.

Para apoyar esto, las cámaras de seguridad y los sistemas de vigilancia inteligentes son cada vez más comunes. Sin embargo, simplemente recopilar secuencias de vídeo no es suficiente.

Los sistemas tradicionales suelen depender de la supervisión manual por parte de analistas humanos o de reglas predefinidas, lo que dificulta el reconocimiento de signos tempranos de riesgo. Interpretar grandes volúmenes de datos visuales en tiempo real puede ser un desafío, particularmente en entornos dinámicos o concurridos.

Aquí es donde la detección de amenazas impulsada por IA se vuelve crucial. Al analizar flujos de vídeo en vivo, 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 secuencias de vídeo en bruto en conocimientos procesables.

Con la tecnología de visión artificial, las organizaciones pueden pasar de medidas de seguridad reactivas a la prevención proactiva de 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 riesgos antes y a fomentar entornos más seguros.

Link to this sectionLos desafíos de los sistemas de seguridad tradicionales#

Antes de profundizar en cómo la IA mejora la detección de amenazas, echemos un vistazo primero a los desafíos a los que se enfrentan los sistemas de detección tradicionales.

La mayoría de las soluciones existentes dependen de la supervisión humana o de herramientas basadas en firmas, las cuales detectan amenazas haciendo coincidir la actividad con amenazas conocidas. Esto a menudo requiere que los equipos de seguridad supervisen múltiples transmisiones de cámaras o paneles de control al mismo tiempo para identificar actividades potencialmente no autorizadas o desviaciones de la actividad normal.

En instalaciones grandes con cientos de cámaras, gestionar vastas cantidades de datos se vuelve difícil rápidamente. Como resultado, ciertas actividades pueden pasar desapercibidas, particularmente en áreas complejas como plantas de fábricas o espacios restringidos como salas de servidores.

Otra limitación es el retraso en las respuestas. Los sistemas tradicionales suelen detectar actividades maliciosas solo después de que el evento ya ha ocurrido. Si bien esto funciona para confirmar problemas conocidos, significa no poder responder tempranamente ante las amenazas.

Este retraso puede dificultar el abordaje de situaciones donde el acceso físico, como la entrada a una sala de servidores restringida, contribuye a preocupaciones de seguridad más amplias, incluyendo amenazas cibernéticas y ataques informáticos en centros de datos. Los sistemas impulsados por IA ayudan a reducir esta brecha identificando vulnerabilidades y apoyando respuestas más rápidas.

Link to this section¿Qué es la detección de amenazas mediante IA?#

La detección de amenazas mediante IA se refiere al uso de inteligencia artificial para identificar situaciones que pueden representar riesgos para personas, operaciones o infraestructura. En lugar de simplemente almacenar grandes volúmenes de datos de vídeo o sensores, los sistemas de detección de amenazas por IA analizan activamente esta información para generar conocimientos significativos.

Estos conocimientos pueden 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 impulsada por IA es cómo se identifican los riesgos. Por ejemplo, los métodos tradicionales dependen de sistemas basados en reglas y revisión manual, lo que limita su capacidad para adaptarse al cambio.

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 apoyar una respuesta ante incidentes más rápida, dando a los equipos de seguridad más tiempo para actuar e, incluso en algunos casos, antes de que las situaciones escalen.

Link to this sectionAutomatización de la detección de amenazas mediante visión artificial#

Existen muchos tipos de detección de amenazas por IA, que van desde medidas de ciberseguridad impulsadas por IA hasta sistemas que supervisan espacios físicos. Diferentes técnicas de IA apoyan diferentes necesidades de detección de amenazas.

Por ejemplo, la visión artificial es una buena opción para identificar riesgos que son visibles en el mundo real. Muchas amenazas potenciales pueden observarse a través de cámaras, como el acceso no autorizado a áreas restringidas, movimientos inusuales o la presencia de objetos en ubicaciones inesperadas.

Específicamente, modelos de visión artificial como Ultralytics YOLO26 pueden utilizarse para analizar flujos de vídeo en vivo para reconocer objetos y rastrear movimientos. YOLO26 admite una gama de tareas de visión, que incluyen detección de objetos, seguimiento de objetos y segmentación de instancias.

Fig 1. Uso de modelos YOLO para detectar y segmentar peligros potenciales como humo (Fuente)

Estas capacidades permiten a los sistemas identificar personas, vehículos u objetos de interés, rastrear su movimiento a través de escenas y marcar comportamientos que se desvían de los patrones normales. Al aplicar estos modelos a las transmisiones de cámaras de seguridad, las organizaciones pueden ir más allá de la supervisión pasiva y obtener conocimientos impactantes sobre posibles riesgos a medida que se desarrollan.

Cuando se despliegan en el borde (edge), dichos sistemas pueden operar con baja latencia y sin depender constantemente de entornos en la nube, lo que los hace adecuados para entornos del mundo real como fábricas, almacenes, campus y centros de datos.

Link to this sectionCómo pueden utilizarse los modelos Ultralytics YOLO para la detección de amenazas mediante IA#

Los modelos Ultralytics YOLO, como YOLO26, están diseñados para aplicaciones del mundo real donde la velocidad y la consistencia son críticas. El diseño con soporte para el borde (edge) de YOLO26 reduce la dependencia de complejas tuberías de postprocesamiento, facilitando su integración en las operaciones de seguridad estándar del sitio.

Al igual que los modelos YOLO anteriores, Ultralytics YOLO26 está preentrenado en 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 los casos de uso de detección de amenazas, YOLO26 puede ajustarse con datos de entrenamiento de alta calidad específicos de la aplicación para identificar personas en áreas restringidas, rastrear movimientos a través de zonas seguras y marcar objetos que violen las reglas de seguridad, como artículos abandonados en un aeropuerto.

Una vez entrenado, el modelo puede generalizarse a nuevos datos, lo que le permite mantener un rendimiento de detección fiable a medida que cambian las condiciones. Cuando se integra en tuberías de detección más grandes, sus resultados pueden utilizarse para correlacionar detecciones visuales con señales de otros sistemas, apoyando análisis de mayor nivel como el análisis conductual y una evaluación de amenazas mejorada.

Link to this sectionAplicaciones en el mundo real de los modelos YOLO en herramientas de seguridad#

Ahora que entendemos mejor cómo la visión artificial ayuda a identificar riesgos, repasemos algunos ejemplos reales de cómo se utiliza para detectar amenazas.

Link to this sectionSupervisión de zonas restringidas con YOLO#

En sectores industriales como la fabricación y el petróleo y gas, ciertas áreas dentro de las instalaciones, como las fábricas, están restringidas solo a personal autorizado. A menudo, esto es una cuestión de seguridad, ya que estas zonas pueden contener equipos, materiales o procesos peligrosos que requieren formación especializada.

Supervisar el acceso a estas áreas y garantizar el cumplimiento de las normas de seguridad es esencial para evitar accidentes, proteger activos y mantener la continuidad operativa. Generalmente, estas áreas se supervisan utilizando 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 rastrean los puntos de entrada y las cámaras de seguridad normalmente requieren atención humana constante.

A medida que las instalaciones se vuelven más grandes y complejas, es cada vez más difícil detectar actividades inseguras o no autorizadas en tiempo real. La visión artificial puede ser un enfoque mucho más fiable.

Funciona analizando continuamente las transmisiones de vídeo para identificar problemas de seguridad. Estos conocimientos pueden integrarse en los flujos de trabajo de detección de intrusiones existentes, los cuales pueden activar respuestas automatizadas o alertas para que los equipos de seguridad humanos puedan tomar medidas inmediatas.

Por ejemplo, un estudio reciente exploró cómo Ultralytics YOLOv8, parte de la familia de modelos Ultralytics YOLO, puede utilizarse para detectar artículos prohibidos en áreas restringidas. En este caso, el modelo fue entrenado para identificar la presencia de teléfonos móviles en zonas sensibles a la seguridad. Al aprender de datos visuales específicos de la aplicación, el sistema pudo marcar violaciones de política en tiempo real, ayudando a mejorar el cumplimiento y reducir los riesgos de seguridad sin aumentar la carga sobre los equipos humanos.

Fig 2. Un ejemplo de detección de uso de teléfonos móviles en un área restringida de una fábrica (Fuente)

Link to this sectionSupervisión inteligente de multitudes para áreas públicas#

En espacios públicos concurridos como centros de transporte, grandes eventos o centros urbanos, comprender cómo se mueven y comportan las personas es importante para mantener la seguridad pública. La alta densidad de multitudes, los cambios repentinos en el movimiento o que los individuos se caigan 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, lo que hace que sea fácil pasar por alto cambios sutiles pero importantes en el comportamiento de la multitud. La visión artificial mejora la supervisión de multitudes analizando automáticamente las transmisiones de vídeo de las cámaras en tiempo real.

Modelos como YOLO26 pueden utilizarse para detectar y rastrear personas en escenas concurridas, supervisar patrones de movimiento e identificar situaciones como caídas o personas que permanecen en el suelo durante períodos prolongados. Estas señales pueden indicar posibles problemas de seguridad, especialmente en multitudes densas o que se mueven rápidamente.

Fig 3. Detección de caídas habilitada por modelos YOLO (Fuente)

Más allá de las tareas básicas como contar personas, los sistemas basados en visión también pueden proporcionar conocimientos clave para los sistemas de IA que se centran en identificar congestiones, flujos de multitudes anormales o comportamientos que se desvían de los patrones normales. Al detectar estos indicadores tempranos, las organizaciones pueden responder más rápidamente a situaciones que pueden suponer un riesgo para la seguridad pública, apoyando una intervención oportuna sin requerir una supervisión manual constante.

Link to this sectionGarantizar la seguridad de los trabajadores en la construcción#

Las obras de construcción activas presentan una serie de riesgos de seguridad y protección, ya que las condiciones cambian con frecuencia y los trabajadores, vehículos y equipos pesados se mueven por espacios compartidos. El acceso no autorizado a zonas restringidas, la falta de equipo de protección personal (EPP) o las interacciones inseguras entre trabajadores y maquinaria pueden provocar incidentes rápidamente si no se identifican a tiempo.

La visión artificial ayuda a abordar estos riesgos analizando continuamente las transmisiones de vídeo de las cámaras en el sitio. Los modelos de visión artificial como YOLO26 pueden detectar y rastrear a los trabajadores en múltiples áreas mientras supervisan el cumplimiento de los requisitos de seguridad, incluido el uso de equipo de protección personal como cascos o chalecos de seguridad.

Fig 4. Se puede usar YOLO para supervisar zonas de construcción (Fuente)

Al observar patrones de movimiento y comportamiento en tiempo real, estos sistemas pueden marcar posibles peligros antes de que escalen. Además de mejorar la supervisión de la seguridad, la supervisión basada en visión reduce la dependencia de comprobaciones manuales periódicas y apoya una respuesta más rápida ante situaciones inseguras.

Link to this sectionPros y contras de utilizar modelos de IA para la detección de amenazas#

Estos son algunos de los beneficios clave de utilizar capacidades de visión artificial para la detección de amenazas:

• Operación continua: Los sistemas de IA y los modelos de detección funcionan las 24 horas del día sin fatiga de alerta, lo que los hace ideales para entornos que requieren una supervisión constante.
• Mejor coordinación entre equipos: Las alertas y conocimientos compartidos facilitan que los equipos de seguridad, protección y operaciones trabajen y utilicen esta información para una toma de decisiones más inteligente.
• Escalabilidad: Los sistemas de visión artificial pueden desplegarse en muchas cámaras y sitios sin un aumento proporcional en el personal, lo que facilita la expansión de la supervisión a medida que los entornos se vuelven más complejos.

Si bien la visión artificial ofrece ventajas claras con respecto a la detección de amenazas, también es importante considerar algunas limitaciones. Estos son algunos desafíos a tener en cuenta:

• Sensibilidad a la calidad de los datos: Una mala ubicación de la cámara o entradas de baja calidad pueden limitar las capacidades de detección, especialmente al identificar comportamientos sutiles o eventos raros.
• Preocupaciones sobre la privacidad de los datos: La supervisión continua puede implicar datos sensibles, lo que requiere medidas de seguridad fuertes para evitar el uso indebido, particularmente en escenarios que implican riesgos de día cero o movimientos laterales a través de sistemas.
• Cobertura limitada de amenazas no visuales: La visión artificial no puede detectar problemas como intentos de phishing, amenazas de ciberseguridad, malware, ransomware o ingeniería social, los cuales normalmente requieren tecnologías de IA como el procesamiento de lenguaje natural (NLP) y análisis conductual o de red en lugar de análisis visual.

Link to this sectionConclusiones 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 de manera más efectiva. Modelos como Ultralytics YOLO permiten el análisis en tiempo real de datos visuales, apoyando casos de uso que van desde la supervisión de acceso restringido hasta la seguridad de multitudes y la protección de trabajadores. Al pasar de la supervisión reactiva a la conciencia proactiva, la visión artificial ayuda a las organizaciones a mejorar la seguridad frente a amenazas en evolución, fortalecer las operaciones de seguridad y escalar la inteligencia de amenazas a través de 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 comienza con la visión artificial hoy mismo consultando nuestras opciones de licencia.