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

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

Pour y parvenir, les caméras de sécurité et les systèmes de vidéosurveillance intelligents sont de plus en plus répandus. Cependant, il ne suffit pas de collecter des images vidéo.

Les systèmes traditionnels reposent souvent sur la surveillance manuelle par des analystes humains ou sur des règles prédéfinies, ce qui complique le repérage des premiers signes de risque. Interpréter de grandes quantités de données visuelles en temps réel peut être difficile, en particulier dans des environnements très fréquentés ou dynamiques.

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

Grâce à la vision par IA, les organisations peuvent passer de mesures de sécurité réactives à la prévention proactive des menaces émergentes. Dans cet article, nous allons voir comment fonctionne la détection des menaces par IA et comment les modèles de vision comme Ultralytics YOLO26 aident à repérer les risques plus tôt et à créer des environnements plus sûrs.

Les défis des systèmes de sécurité traditionnels#

Avant d’examiner comment l’IA améliore la détection des menaces, voyons d’abord les défis auxquels sont confrontés les systèmes traditionnels.

La plupart des solutions existantes reposent sur une supervision humaine ou 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 pour repérer les activités potentiellement non autorisées ou les écarts par rapport à la normale.

Dans les grandes installations équipées de centaines de caméras, la gestion rapide d’immenses volumes de données devient vite difficile. Certaines activités peuvent donc passer inaperçues, en particulier dans des zones complexes comme les ateliers d’usine ou des espaces à accès restreint comme les salles de serveurs.

Les délais de réaction constituent une autre limite. Les systèmes traditionnels ne détectent généralement les activités malveillantes qu’après la survenue d’un événement. Cette approche peut confirmer des problèmes connus, mais elle ne permet pas de réagir rapidement aux menaces.

Ce délai peut compliquer la gestion des situations où un accès physique, comme l’entrée dans une salle de serveurs à accès restreint, contribue à des problèmes de sécurité plus vastes, notamment des menaces et des cyberattaques dans les centres de données. Les systèmes basés sur l’IA contribuent à réduire ce délai en repérant les vulnérabilités et en favorisant des réactions plus rapides.

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

La détection des menaces par IA désigne l’utilisation de l’intelligence artificielle pour repérer des situations susceptibles de présenter des risques pour les personnes, les opérations ou les infrastructures. Au lieu de simplement stocker de grandes quantités de données vidéo ou de capteurs, les systèmes de détection des menaces par IA analysent activement ces informations pour en tirer des renseignements pertinents.

Ces renseignements peuvent inclure la surveillance automatisée, la détection d’anomalies et des alertes précoces qui signalent les problèmes potentiels aux équipes de sécurité. Cette approche joue un rôle important tant en cybersécurité qu’en sécurité physique.

La principale différence entre les méthodes traditionnelles et la détection des menaces par IA tient à la manière dont les risques sont repérés. Par exemple, les méthodes traditionnelles reposent sur des systèmes fondés sur des règles et des vérifications manuelles, ce qui limite leur capacité à s’adapter aux changements.

Les systèmes d’IA sont, au contraire, plus adaptatifs. Ils utilisent des données et des algorithmes pour analyser les informations visuelles en temps réel et repérer les comportements inhabituels. Cela leur permet d’identifier des menaces inconnues ou nouvelles et de favoriser une intervention plus rapide, donnant aux équipes de sécurité davantage de temps pour agir, parfois même avant que la situation ne s’aggrave.

Automatiser la détection des menaces grâce à la vision par IA#

Il existe de nombreux types de détection des menaces par IA, des mesures de cybersécurité fondées sur l’IA aux systèmes de surveillance des 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 repérer les risques visibles dans le monde réel. De nombreuses menaces potentielles peuvent être observées par des caméras, comme l’accès non autorisé à des zones réservées, les déplacements inhabituels ou la présence d’objets dans des endroits inattendus.

Plus précisément, les modèles de vision par ordinateur comme Ultralytics YOLO26 peuvent analyser les flux vidéo en direct pour reconnaître les objets et suivre les déplacements. 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 habituels. En appliquant ces modèles aux flux des caméras de sécurité, les organisations peuvent dépasser la surveillance passive et obtenir des informations précieuses sur les risques potentiels au fur et à mesure qu’ils apparaissent.

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

Comment utiliser les modèles Ultralytics YOLO pour détecter les menaces par IA#

Les modèles Ultralytics YOLO, comme YOLO26, sont conçus pour des applications réelles où la vitesse et la constance sont essentielles. La conception de YOLO26 compatible avec l’edge réduit la dépendance aux chaînes complexes de post-traitement et facilite l’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 comme COCO, ce qui fournit une base fiable pour reconnaître des objets comme des personnes, des véhicules et d’autres objets du quotidien. Pour les applications de détection des menaces, YOLO26 peut être affiné à l’aide de données d’entraînement de haute qualité et propres à l’application afin d’identifier les personnes dans des zones à accès restreint, de suivre leurs 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 généraliser à de nouvelles données et conserver ainsi des performances de détection fiables lorsque les conditions changent. Intégrées à des chaînes de détection plus vastes, ses sorties peuvent servir à corréler les détections visuelles aux signaux d’autres systèmes, ce qui favorise des analyses de niveau supérieur, comme l’analyse comportementale, et améliore l’évaluation des menaces.

Applications concrètes des modèles YOLO dans les outils de sécurité#

Maintenant que nous comprenons mieux comment la vision par IA aide à repérer les risques, examinons quelques exemples concrets de détection des menaces.

Surveiller les zones à accès restreint avec YOLO#

Dans les secteurs industriels comme la fabrication et le pétrole et le gaz, certaines zones des installations, comme 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 procédés dangereux qui exigent une formation spécialisée.

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

Ces approches ont toutefois des limites. La supervision manuelle passe difficilement à l’échelle, les systèmes de contrôle d’accès ne suivent que les points d’entrée et les caméras de sécurité exigent généralement une attention humaine constante.

À mesure que les installations s’agrandissent et se complexifient, il devient de plus en plus difficile de détecter en temps réel les activités dangereuses ou non autorisées. La vision par IA peut offrir une approche beaucoup plus fiable.

Elle fonctionne en analysant continuellement les flux vidéo afin de repérer les problèmes de sécurité et de sûreté. Ces renseignements peuvent être intégrés aux processus existants de détection des intrusions, qui peuvent déclencher des réponses automatisées ou des alertes pour permettre aux équipes de sécurité humaines d’intervenir immédiatement.

Par exemple, une étude récente a examiné comment Ultralytics YOLOv8, qui fait partie de la famille de modèles Ultralytics YOLO, peut servir à détecter des objets interdits dans des zones à accès restreint. Dans ce cas, le modèle a été entraîné à détecter la présence de téléphones mobiles dans des zones sensibles en matière de sécurité. En apprenant à partir de données visuelles propres à l’application, le système a pu signaler les infractions aux règles en temps réel, contribuant ainsi à améliorer la conformité et à réduire les risques sans alourdir la charge des équipes humaines.

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

Surveillance intelligente des foules dans les espaces publics#

Dans les espaces publics bondés, comme les pôles de transport, les grands événements ou les centres-villes très fréquentés, comprendre les déplacements et le comportement des personnes est important pour assurer la sécurité publique. Une forte densité de foule, des changements soudains de déplacement ou des personnes qui tombent peuvent rapidement créer des situations à risque si elles ne sont pas détectées à temps.

Les systèmes traditionnels de surveillance des foules reposent largement sur des opérateurs humains qui surveillent plusieurs écrans, ce qui facilite le passage inaperçu de 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 servir à détecter et suivre les personnes dans des scènes bondées, à surveiller les schémas de déplacement et à repérer des situations telles que des chutes ou des personnes qui restent au sol pendant de longues périodes. Ces signaux peuvent indiquer des problèmes de sécurité potentiels, en particulier dans les foules denses ou en mouvement rapide.

Fig. 3. Détection des chutes par les modèles YOLO (Source)

Au-delà des tâches de base comme le comptage des personnes, les systèmes de vision peuvent également fournir des informations clés aux systèmes d’IA axés sur la détection des encombrements, des flux de foule anormaux ou des comportements qui s’écartent des schémas habituels. En détectant ces premiers signes, les organisations peuvent réagir plus rapidement aux situations susceptibles de menacer la sécurité publique et intervenir à temps sans devoir assurer une surveillance manuelle constante.

Assurer la sécurité des travailleurs sur les chantiers#

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

L’IA visuelle aide à réduire ces risques en analysant en continu les flux vidéo des caméras installées sur site. Les modèles de vision par ordinateur comme Ultralytics YOLO26 peuvent détecter et suivre les travailleurs dans plusieurs zones tout en vérifiant 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 servir à surveiller les zones de chantier (Source)

En observant en temps réel les schémas de déplacement et les comportements, ces systèmes peuvent signaler les dangers potentiels avant qu’ils ne s’aggravent. En plus d’améliorer la supervision de la sécurité, la surveillance par 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 détecter les menaces :

• Fonctionnement continu : les systèmes d’IA et les modèles de détection fonctionnent jour et nuit sans fatigue liée aux alertes, ce qui les rend particulièrement adaptés aux environnements nécessitant une surveillance constante.
• Meilleure coordination entre les équipes : les alertes et les informations partagées facilitent la collaboration des équipes de sécurité, de sûreté et d’exploitation, qui peuvent s’appuyer sur ces informations pour prendre des décisions plus éclairées.
• Évolutivité : les systèmes d’IA visuelle peuvent être déployés sur de nombreuses caméras et sur plusieurs sites sans augmentation proportionnelle des effectifs, ce qui facilite l’extension de la surveillance à mesure que les environnements deviennent plus complexes.

Bien que l’IA visuelle offre des avantages indéniables pour la détection des menaces, il est également important d’en connaître certaines limites. Voici quelques défis à prendre en compte :

• Sensibilité à la qualité des données : un mauvais positionnement des caméras ou des données d’entrée de faible qualité peut limiter les capacités de détection, en particulier pour repérer des comportements subtils ou des événements rares.
• Préoccupations relatives à la confidentialité des données : la surveillance continue peut impliquer des données sensibles et nécessite des mesures de protection robustes contre les utilisations abusives, en particulier dans les scénarios impliquant des risques de type zero-day ou des déplacements latéraux entre les systèmes.
• Couverture limitée des menaces non visuelles : l’IA visuelle ne peut pas détecter les tentatives d’hameçonnage, les cybermenaces, les logiciels malveillants, les rançongiciels ou l’ingénierie sociale, qui nécessitent généralement des technologies d’IA comme 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 par l’IA associe la vision par ordinateur et les pratiques modernes de sécurité pour aider les organisations à repérer plus tôt les risques et à réagir plus efficacement. Des modèles comme Ultralytics YOLO permettent l’analyse en temps réel de données visuelles et prennent 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 vigilance proactive, l’IA visuelle aide les organisations à améliorer la sécurité face à l’évolution des menaces, à renforcer leurs opérations de sécurité et à étendre leurs capacités de renseignement sur les menaces dans des environnements complexes.

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