Utiliser les modèles Ultralytics YOLO pour détecter les menaces grâce à l’IA

Dans de nombreux secteurs, l’intelligence artificielle (AI) est adoptée pour améliorer la sécurité, accroître l’efficacité et créer des environnements plus sûrs. Dans des lieux tels que les bureaux, les usines, les campus, les entrepôts et les espaces publics, atteindre ces objectifs dépend de la compréhension de ce qui se passe en temps réel.

Pour y parvenir, les caméras de sécurité et les systèmes de surveillance intelligents deviennent de plus en plus courants. Cependant, il ne suffit pas de collecter des séquences vidéo.

Les systèmes traditionnels reposent souvent sur la surveillance manuelle par des analystes humains ou sur des règles prédéfinies, ce qui rend difficile la détection des premiers signes de risque. Interpréter de grands volumes de données visuelles en temps réel peut être complexe, en particulier dans des environnements très fréquentés ou dynamiques.

C’est là que la détection des menaces pilotée par l’IA devient essentielle. En analysant des flux vidéo en direct, les systèmes d’IA peuvent identifier des schémas, des comportements et des situations susceptibles d’indiquer des menaces ou des attaques potentielles. Plus précisément, la vision par ordinateur est une branche de l’IA qui permet à ces systèmes de comprendre les informations visuelles et de transformer des séquences brutes en informations exploitables.

Grâce aux technologies d’IA visuelle, les organisations peuvent passer de mesures de sécurité réactives à une prévention proactive des menaces émergentes. Dans cet article, nous allons examiner le fonctionnement de la détection des menaces par l’IA et la manière dont des modèles de vision comme Ultralytics YOLO26 contribuent à détecter les risques plus tôt et à favoriser des environnements plus sûrs.

Les difficultés liées aux systèmes de sécurité traditionnels#

Avant d’examiner comment l’IA améliore la détection des menaces, commençons par étudier les difficultés auxquelles sont confrontés les systèmes traditionnels de détection des menaces.

La plupart des solutions existantes reposent sur la supervision humaine ou sur des outils fondés sur des signatures, qui détectent les menaces en comparant l’activité à des menaces connues. Cela oblige souvent les équipes de sécurité à surveiller simultanément plusieurs flux de caméras ou tableaux de bord afin d’identifier des activités potentiellement non autorisées ou des écarts par rapport à l’activité normale.

Dans les grandes installations équipées de centaines de caméras, la gestion rapide de vastes quantités de données devient vite difficile. Par conséquent, certaines activités peuvent passer inaperçues, notamment dans des zones complexes comme les ateliers d’usine ou des espaces à accès restreint tels que les salles de serveurs.

Un autre inconvénient est le retard des réponses. Les systèmes traditionnels détectent généralement les activités malveillantes seulement après qu’un événement s’est déjà produit. Bien que cela fonctionne pour confirmer des problèmes connus, cela empêche de réagir suffisamment tôt aux menaces.

Ce délai peut compliquer la gestion de situations où l’accès physique, comme l’entrée dans une salle de serveurs à accès restreint, contribue à des problèmes de sécurité plus vastes, notamment les menaces cyber et les cyberattaques visant les centres de données. Les systèmes alimentés par l’IA contribuent à réduire cet écart en identifiant les vulnérabilités et en favorisant des réponses plus rapides.

Qu’est-ce que la détection des menaces par l’IA ?#

La détection des menaces par l’IA désigne l’utilisation de l’intelligence artificielle pour identifier des situations susceptibles de présenter des risques pour les personnes, les opérations ou les infrastructures. Au lieu de simplement stocker de grands volumes de données vidéo ou de capteurs, les systèmes de détection des menaces par l’IA analysent activement ces informations afin de générer des informations pertinentes.

Ces informations peuvent inclure la surveillance automatisée, la détection des anomalies et des signaux d’alerte précoce qui avertissent les équipes de sécurité de problèmes potentiels. Cette approche joue un rôle important dans les contextes de cybersécurité comme de sécurité physique.

La principale différence entre les méthodes traditionnelles et la détection des menaces pilotée par l’IA réside dans la manière dont les risques sont identifiés. Par exemple, les méthodes traditionnelles reposent sur des systèmes fondés sur des règles et sur l’analyse manuelle, ce qui limite leur capacité à s’adapter aux changements.

À l’inverse, les systèmes d’IA sont plus adaptatifs. Ils utilisent des données et des algorithmes pour analyser les informations visuelles en temps réel et identifier les comportements inhabituels. Cela les aide à détecter les menaces inconnues ou nouvelles et à accélérer la réponse aux incidents, donnant aux équipes de sécurité davantage de temps pour agir et, dans certains cas, avant même que les situations ne s’aggravent.

Automatiser la détection des menaces grâce à l’IA visuelle#

Il existe de nombreux types de détection des menaces par l’IA, allant des mesures de cybersécurité pilotées par l’IA aux systèmes qui surveillent les espaces physiques. Différentes techniques d’IA répondent à différents besoins en matière de détection des menaces.

Par exemple, la vision par ordinateur est une bonne option pour identifier les risques visibles dans le monde réel. De nombreuses menaces potentielles peuvent être observées au moyen de caméras, comme les accès non autorisés à des zones restreintes, les mouvements inhabituels ou la présence d’objets dans des emplacements inattendus.

Plus précisément, des modèles de vision par ordinateur comme Ultralytics YOLO26 peuvent être utilisés pour analyser des flux vidéo en direct, reconnaître des objets et suivre les mouvements. YOLO26 prend en charge diverses tâches de vision, notamment la détection d’objets, le suivi d’objets et la segmentation d’instances.

Fig. 1. Utilisation de modèles YOLO pour détecter et segmenter des dangers potentiels comme la fumée (Source)

Ces capacités permettent aux systèmes d’identifier les personnes, les véhicules ou les objets d’intérêt, de suivre leurs déplacements d’une scène à l’autre et de signaler les comportements qui s’écartent des schémas normaux. En appliquant ces modèles aux flux des caméras de sécurité, les organisations peuvent aller au-delà de la surveillance passive et obtenir des informations utiles sur les risques potentiels au fur et à mesure qu’ils apparaissent.

Déployés en périphérie, ces systèmes peuvent fonctionner avec une faible latence et sans dépendre en permanence d’environnements cloud, ce qui les rend adaptés à des contextes réels tels que les usines, les entrepôts, les campus et les centres de données.

Comment les modèles Ultralytics YOLO peuvent être utilisés pour la détection des menaces par l’IA#

Les modèles Ultralytics YOLO, comme YOLO26, sont conçus pour des applications réelles où la rapidité et la régularité sont essentielles. La conception de YOLO26 compatible avec l’edge réduit la dépendance à des pipelines complexes de post-traitement, ce qui facilite son intégration aux opérations de sécurité standard sur site.

Comme les modèles YOLO précédents, Ultralytics YOLO26 est préentraîné sur des jeux de données à grande échelle tels que COCO, offrant une base fiable pour reconnaître des objets comme les personnes, les véhicules et d’autres objets du quotidien. Pour les cas d’usage liés à la détection des menaces, YOLO26 peut être affiné avec des données d’entraînement de haute qualité et propres à l’application afin d’identifier les personnes dans des zones restreintes, de suivre les déplacements dans des zones sécurisées et de signaler les objets qui enfreignent les règles de sécurité, comme les objets abandonnés dans un aéroport.

Une fois entraîné, le modèle peut se généraliser à de nouvelles données, ce qui lui permet de maintenir des performances de détection fiables lorsque les conditions changent. Intégrées à des pipelines de détection plus vastes, ses sorties peuvent être utilisées pour corréler les détections visuelles avec les signaux d’autres systèmes, afin de prendre en charge des analyses de niveau supérieur telles que l’analyse comportementale et l’amélioration de l’évaluation des menaces.

Applications concrètes des modèles YOLO dans les outils de sécurité#

Maintenant que nous comprenons mieux comment l’IA visuelle aide à identifier les risques, examinons quelques exemples concrets de son utilisation pour détecter les menaces.

Surveiller les zones restreintes avec YOLO#

Dans des secteurs industriels comme la fabrication et le pétrole et le gaz, certaines zones des installations, telles que les usines, sont réservées au personnel autorisé. Il s’agit souvent d’une question de sécurité, car ces zones peuvent contenir des équipements, des matériaux ou des processus dangereux nécessitant une formation spécialisée.

Surveiller l’accès à ces zones et garantir le respect des réglementations de sécurité est essentiel pour prévenir les accidents, protéger les actifs et assurer la continuité des opérations. En général, ces zones sont surveillées au moyen d’une combinaison de supervision humaine, de systèmes de contrôle d’accès et de caméras de sécurité.

Cependant, ces approches présentent des limites. La supervision manuelle passe mal à l’échelle, les systèmes de contrôle d’accès ne suivent que les points d’entrée et les caméras de sécurité nécessitent généralement une attention humaine constante.

À mesure que les installations gagnent en taille et en complexité, il devient de plus en plus difficile de détecter en temps réel les activités dangereuses ou non autorisées. L’IA visuelle peut constituer une approche bien plus fiable.

Elle fonctionne en analysant en continu les flux vidéo afin d’identifier les problèmes de sécurité et de sûreté. Ces informations peuvent être intégrées aux workflows existants de détection des intrusions, qui peuvent déclencher des réponses ou des alertes automatisées afin que les équipes de sécurité humaines puissent agir immédiatement.

Par exemple, une étude récente a examiné comment Ultralytics YOLOv8, qui fait partie de la famille de modèles Ultralytics YOLO, peut être utilisé pour détecter des objets interdits dans des zones restreintes. Dans ce cas, le modèle a été entraîné à identifier la présence de téléphones portables dans des zones sensibles du point de vue de la sécurité. En apprenant à partir de données visuelles propres à l’application, le système a pu signaler en temps réel les violations des règles, contribuant ainsi à améliorer la conformité et à réduire les risques de sécurité sans accroître la charge des équipes humaines.

Fig. 2. Exemple de détection de l’utilisation d’un téléphone portable dans une zone d’usine restreinte (Source)

Surveillance intelligente des foules dans les espaces publics#

Dans les espaces publics très fréquentés comme les pôles de transport, les grands événements ou les centres-villes animés, comprendre comment les personnes se déplacent et se comportent est important pour maintenir la sécurité publique. Une forte densité de foule, des changements soudains de mouvement ou des chutes peuvent rapidement créer des situations à risque s’ils ne sont pas détectés assez tôt.

Les systèmes traditionnels de surveillance des foules reposent largement sur des opérateurs humains qui regardent plusieurs écrans, ce qui facilite le fait de manquer des changements subtils mais importants dans le comportement de la foule. L’IA visuelle améliore la surveillance des foules en analysant automatiquement et en temps réel les flux vidéo des caméras.

Des modèles comme Ultralytics YOLO26 peuvent être utilisés pour détecter et suivre les personnes dans des scènes très fréquentées, surveiller les schémas de déplacement et identifier des situations telles que les chutes ou les personnes restant au sol pendant une période prolongée. Ces signaux peuvent indiquer des problèmes de sécurité potentiels, notamment dans les foules denses ou en mouvement rapide.

Fig. 3. Détection des chutes grâce aux modèles YOLO (Source)

Au-delà des tâches de base comme le comptage des personnes, les systèmes fondés sur la vision peuvent également fournir des informations essentielles aux systèmes d’IA qui se concentrent sur l’identification des congestions, des flux de foule anormaux ou des comportements qui s’écartent des schémas normaux. En détectant ces premiers indicateurs, les organisations peuvent réagir plus rapidement aux situations susceptibles de menacer la sécurité publique, en favorisant une intervention rapide sans nécessiter une surveillance manuelle constante.

Assurer la sécurité des travailleurs dans le secteur de la construction#

Les chantiers de construction en activité présentent divers risques pour la sécurité et la sûreté, car les conditions changent fréquemment et les travailleurs, les véhicules et les équipements lourds se déplacent dans des espaces partagés. L’accès non autorisé aux zones restreintes, l’absence d’équipements de protection individuelle (PPE) ou les interactions dangereuses entre les travailleurs et les machines peuvent rapidement provoquer des incidents s’ils ne sont pas identifiés assez tôt.

L’IA visuelle contribue à gérer ces risques en analysant en continu les flux vidéo des caméras installées sur site. Des modèles de vision par ordinateur tels qu’Ultralytics YOLO26 peuvent détecter et suivre les travailleurs dans plusieurs zones tout en surveillant le respect des exigences de sécurité, notamment le port d’équipements de protection individuelle comme les casques ou les gilets de sécurité.

Fig. 4. YOLO peut être utilisé pour surveiller les zones de construction (Source)

En observant les schémas de déplacement et les comportements en temps réel, ces systèmes peuvent signaler les dangers potentiels avant qu’ils ne s’aggravent. En plus d’améliorer la supervision de la sécurité, la surveillance fondée sur la vision réduit la dépendance aux contrôles manuels périodiques et permet de réagir plus rapidement aux situations dangereuses.

Avantages et inconvénients de l’utilisation de modèles d’IA pour la détection des menaces#

Voici quelques avantages clés de l’utilisation des capacités d’IA visuelle pour la détection des menaces :

• Fonctionnement continu : les systèmes d’IA et les modèles de détection fonctionnent 24 heures sur 24 sans fatigue liée aux alertes, ce qui les rend particulièrement adaptés aux environnements nécessitant une surveillance constante.
• Meilleure coordination entre les équipes : le partage des alertes et des informations facilite la collaboration des équipes de sécurité, de sûreté et des opérations, ainsi que l’utilisation de ces informations pour prendre de meilleures décisions.
• Évolutivité : les systèmes d’IA visuelle peuvent être déployés sur de nombreuses caméras et de nombreux sites sans augmentation proportionnelle des effectifs, ce qui facilite l’extension de la surveillance lorsque les environnements gagnent en complexité.

Bien que l’IA visuelle offre des avantages évidents en matière de détection des menaces, il est également important de prendre en compte certaines limites. Voici quelques difficultés à garder à l’esprit :

• Sensibilité à la qualité des données : un mauvais positionnement des caméras ou des données d’entrée de faible qualité peuvent limiter les capacités de détection, notamment lorsqu’il s’agit d’identifier des comportements subtils ou des événements rares.
• Préoccupations liées à la confidentialité des données : la surveillance continue peut impliquer des données sensibles, ce qui nécessite des mesures de protection solides pour empêcher toute utilisation abusive, notamment dans des scénarios impliquant des risques zero-day ou des mouvements latéraux entre les systèmes.
• Couverture limitée des menaces non visuelles : l’IA visuelle ne peut pas détecter des problèmes comme les tentatives d’hameçonnage, les menaces de cybersécurité, les logiciels malveillants, les rançongiciels ou l’ingénierie sociale, qui nécessitent généralement des technologies d’IA telles que le traitement automatique du langage naturel (NLP) et l’analyse comportementale ou réseau plutôt qu’une analyse visuelle.

Points clés à retenir#

La détection des menaces fondée sur l’IA associe la vision par ordinateur et les pratiques de sécurité modernes pour aider les organisations à identifier les risques plus tôt et à réagir plus efficacement. Des modèles comme Ultralytics YOLO permettent l’analyse en temps réel des données visuelles, prenant en charge des cas d’usage allant de la surveillance des accès restreints à la sécurité des foules et à la protection des travailleurs. En passant d’une surveillance réactive à une connaissance proactive de la situation, l’IA visuelle aide les organisations à améliorer la sécurité face à l’évolution des menaces, à renforcer leurs opérations de sécurité et à déployer l’intelligence sur les menaces dans des environnements complexes.

Rejoins notre communauté active et découvre des innovations comme l’IA dans l’industrie et l’IA visuelle dans le commerce de détail. Consulte notre dépôt GitHub et commence dès aujourd’hui avec la vision par ordinateur en découvrant nos options de licence.