Un regard sur l'utilisation des modèles YOLO d'Ultralytics pour la détection de menaces par 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 des lieux comme 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 soutenir cela, les caméras de sécurité et les systèmes de surveillance intelligents deviennent de plus en plus courants. Cependant, la simple collecte de séquences vidéo ne suffit pas.

Les systèmes traditionnels reposent souvent sur une surveillance manuelle par des analystes humains ou sur des règles prédéfinies, ce qui rend difficile la reconnaissance des signes avant-coureurs de risques. L'interprétation 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 par IA devient cruciale. En analysant les flux vidéo en direct, les systèmes d'IA peuvent identifier des modèles, des comportements et des situations susceptibles d'indiquer des menaces potentielles ou des attaques potentielles. En particulier, la vision par ordinateur est une branche de l'IA qui permet à ces systèmes de comprendre les informations visuelles et de transformer des images brutes en informations exploitables.

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

Link to this sectionLes défis des systèmes de sécurité traditionnels#

Avant de nous plonger dans la façon dont l'IA améliore la détection des menaces, jetons d'abord un coup d'œil aux défis auxquels sont confrontés les systèmes de détection des menaces traditionnels.

La plupart des solutions existantes reposent sur la surveillance humaine ou sur des outils basés sur des signatures, qui détectent les menaces en faisant correspondre l'activité à des menaces connues. Cela oblige souvent les équipes de sécurité à surveiller plusieurs flux de caméras ou tableaux de bord en même temps pour identifier toute activité potentiellement non autorisée ou tout écart par rapport à une activité normale.

Dans les grandes installations dotées de centaines de caméras, la gestion rapide de vastes quantités de données devient rapidement difficile. Par conséquent, certaines activités peuvent être négligées, en particulier dans des zones complexes telles que les ateliers d'usine ou les espaces restreints comme les salles de serveurs.

Une autre limite est le délai de réponse. Les systèmes traditionnels ne détectent généralement une activité malveillante qu'après qu'un événement s'est déjà produit. Bien que cela fonctionne pour confirmer des problèmes connus, cela signifie qu'il est impossible de réagir précocement aux menaces.

Ce délai peut rendre plus difficile la résolution de situations où l'accès physique, comme l'entrée dans une salle de serveurs restreinte, contribue à des problèmes de sécurité plus larges, y compris les cybermenaces et les cyberattaques dans les centres de données. Les systèmes basés sur l'IA aident à réduire cet écart en identifiant les vulnérabilités et en favorisant des réponses plus rapides.

Link to this sectionQu'est-ce que la détection des menaces par IA ?#

La détection des menaces par IA fait référence à l'utilisation de l'intelligence artificielle pour identifier des situations susceptibles de présenter des risques pour les personnes, les opérations ou les infrastructures. Plutôt que de simplement stocker de grands volumes de données vidéo ou de capteurs, les systèmes de détection des menaces par IA analysent activement ces informations pour générer des informations significatives.

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

La principale différence entre les méthodes traditionnelles et la détection des menaces par IA réside dans la manière dont les risques sont identifiés. Par exemple, les méthodes traditionnelles reposent sur des systèmes basés sur des règles et une révision manuelle, ce qui limite leur capacité à s'adapter au changement.

D'un autre côté, les systèmes d'IA sont plus adaptables. Ils utilisent des données et des algorithmes pour analyser les informations visuelles en temps réel et identifier les comportements inhabituels. Cela les aide à identifier des menaces inconnues ou nouvelles et à favoriser une réponse plus rapide aux incidents, donnant aux équipes de sécurité plus de temps pour agir et, dans certains cas, même avant que les situations ne s'aggravent.

Link to this sectionAutomatiser la détection des menaces à l'aide de la vision par IA#

Il existe de nombreux types de détection des menaces par IA, allant des mesures de cybersécurité basées sur l'IA aux systèmes qui surveillent les espaces physiques. Différentes techniques d'IA prennent en charge différents besoins 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 par des caméras, telles qu'un accès non autorisé à des zones restreintes, un mouvement inhabituel ou la présence d'objets dans des endroits inattendus.

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

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

Ces capacités permettent aux systèmes d'identifier des personnes, des véhicules ou des objets d'intérêt, de suivre leurs mouvements à travers les scènes et de signaler les comportements qui s'écartent des modèles normaux. En appliquant ces modèles aux flux de caméras de sécurité, les organisations peuvent aller au-delà de la surveillance passive et obtenir des informations percutantes sur les risques potentiels au fur et à mesure qu'ils se développent.

Lorsqu'ils sont déployés en périphérie (edge), ces systèmes peuvent fonctionner avec une faible latence et sans dépendance constante vis-à-vis des environnements cloud, ce qui les rend adaptés aux contextes réels tels que les usines, les entrepôts, les campus et les centres de données.

Link to this sectionComment les modèles Ultralytics YOLO peuvent être utilisés pour la détection des menaces par IA#

Les modèles Ultralytics YOLO, tels que YOLO26, sont conçus pour des applications réelles où la vitesse et la cohérence sont critiques. La conception Edge-supported de YOLO26 réduit la dépendance vis-à-vis des pipelines de post-traitement complexes, facilitant son intégration dans les opérations de sécurité standard sur site.

Semblable aux modèles YOLO précédents, Ultralytics YOLO26 est pré-entraîné sur des jeux de données à grande échelle tels que COCO, fournissant une base fiable pour reconnaître des objets tels que des personnes, des véhicules et d'autres objets du quotidien. Pour les cas d'utilisation de détection des menaces, YOLO26 peut être affiné avec des données d'entraînement de haute qualité spécifiques à l'application pour identifier les personnes dans les zones restreintes, suivre les mouvements à travers les zones sécurisées et signaler les objets qui violent les règles de sécurité, comme des objets abandonnés dans un aéroport.

Une fois entraîné, le modèle peut se généraliser à de nouvelles données, lui permettant de maintenir des performances de détection fiables à mesure que les conditions changent. Lorsqu'il est intégré dans des pipelines de détection plus vastes, ses sorties peuvent être utilisées pour corréler les détections visuelles avec les signaux d'autres systèmes, prenant en charge une analyse de niveau supérieur comme l'analyse comportementale et une évaluation améliorée des menaces.

Link to this sectionApplications réelles des modèles YOLO dans les outils de sécurité#

Maintenant que nous comprenons mieux comment la vision par IA aide à identifier les risques, parcourons quelques exemples concrets de la manière dont elle est utilisée pour détecter les menaces.

Link to this sectionSurveillance des zones restreintes avec YOLO#

Dans les secteurs industriels comme la fabrication et le pétrole et gaz, certaines zones au sein des installations, telles que les usines, sont réservées au personnel autorisé uniquement. Souvent, il s'agit d'une question de sécurité, car ces zones peuvent contenir des équipements, des matériaux ou des processus dangereux qui nécessitent une formation spécialisée.

La surveillance de l'accès à ces zones et le respect des réglementations de sécurité sont essentiels pour prévenir les accidents, protéger les actifs et maintenir la continuité opérationnelle. Généralement, ces zones sont surveillées à l'aide d'une combinaison de supervision humaine, de systèmes de contrôle d'accès et de caméras de sécurité.

Cependant, ces approches ont des limites. La supervision manuelle ne passe pas bien 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 deviennent plus grandes et plus complexes, il devient de plus en plus difficile de détecter les activités dangereuses ou non autorisées en temps réel. La vision par IA peut être une approche beaucoup plus fiable.

Elle fonctionne en analysant en continu les flux vidéo pour identifier les problèmes de sécurité. Ces informations peuvent être intégrées dans les flux de travail existants de détection d'intrusion, qui peuvent déclencher des réponses ou des alertes automatisées afin que les équipes de sécurité humaines puissent prendre des mesures immédiates.

Par exemple, une étude récente a exploré comment Ultralytics YOLOv8, faisant 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 à la sécurité. En apprenant à partir de données visuelles spécifiques à l'application, le système a pu signaler les violations de politique en temps réel, aidant à améliorer la conformité et à réduire les risques de sécurité sans augmenter la charge sur les équipes humaines.

Fig 2. Un exemple de détection de l'utilisation d'un téléphone portable dans une zone d'usine restreinte (Source)

Link to this sectionSurveillance intelligente des foules pour les espaces publics#

Dans les espaces publics bondés tels que les plateformes de transport, les grands événements ou les centres-villes très fréquentés, comprendre comment les gens se déplacent et se comportent est important pour maintenir la sécurité publique. Une densité élevée de foule, des changements soudains de mouvement ou des chutes d'individus peuvent rapidement créer des situations risquées s'ils ne sont pas détectés tôt.

Les systèmes traditionnels de surveillance des foules reposent largement sur des opérateurs humains regardant plusieurs écrans, ce qui facilite la non-détection de changements subtils mais importants dans le comportement de la foule. La vision par IA améliore la surveillance des foules en analysant automatiquement les flux vidéo provenant des caméras en temps réel.

Des modèles comme YOLO26 peuvent être utilisés pour détecter et suivre les personnes dans des scènes bondées, surveiller les modèles de mouvement et identifier des situations telles que des chutes ou des individus restant au sol pendant de longues périodes. Ces signaux peuvent indiquer des problèmes de sécurité potentiels, en particulier dans des foules denses ou en mouvement rapide.

Fig 3. Détection de chute activée par les modèles YOLO (Source)

Au-delà des tâches de base comme le comptage de personnes, les systèmes basés sur la vision peuvent également fournir des informations clés pour les systèmes d'IA qui se concentrent sur l'identification de la congestion, des flux de foule anormaux ou des comportements qui s'écartent des modèles normaux. En détectant ces indicateurs précoces, les organisations peuvent réagir plus rapidement aux situations susceptibles de poser un risque pour la sécurité publique, en soutenant une intervention opportune sans nécessiter une surveillance manuelle constante.

Link to this sectionAssurer la sécurité des travailleurs dans la construction#

Les sites de construction actifs présentent une gamme de risques pour la sûreté et la sécurité, car les conditions changent fréquemment et les travailleurs, les véhicules et l'équipement lourd se déplacent dans des espaces partagés. L'accès non autorisé aux zones restreintes, l'absence d'équipement de protection individuelle (EPI) ou les interactions dangereuses entre les travailleurs et les machines peuvent rapidement conduire à des incidents s'ils ne sont pas identifiés tôt.

La vision par IA aide à résoudre ces risques en analysant continuellement les flux vidéo des caméras sur site. Les modèles de vision par ordinateur tels que YOLO26 peuvent détecter et suivre les travailleurs dans plusieurs zones tout en surveillant le respect des exigences de sécurité, y compris l'utilisation d'équipement de protection individuelle comme des casques ou des gilets de sécurité.

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

En observant les modèles de mouvement et le comportement en temps réel, ces systèmes peuvent signaler des dangers potentiels avant qu'ils ne s'aggravent. En plus d'améliorer la supervision de la sécurité, la surveillance basée sur la vision réduit la dépendance vis-à-vis des contrôles manuels périodiques et prend en charge une réponse plus rapide aux situations dangereuses.

Link to this sectionAvantages et inconvénients de l'utilisation de modèles d'IA pour la détection des menaces#

Voici quelques avantages clés de l'utilisation des capacités de vision par IA pour la détection des menaces :

• Opération continue : Les systèmes d'IA et les modèles de détection fonctionnent 24 heures sur 24 sans fatigue d'alerte, ce qui les rend bien adaptés aux environnements qui nécessitent une surveillance constante.
• Amélioration de la coordination entre les équipes : Les alertes et informations partagées facilitent le travail des équipes de sécurité, de sûreté et d'exploitation et l'utilisation de ces informations pour une prise de décision plus intelligente.
• Évolutivité : Les systèmes de vision par IA peuvent être déployés sur de nombreuses caméras et sites sans augmentation proportionnelle du personnel, ce qui facilite l'expansion de la surveillance à mesure que les environnements deviennent plus complexes.

Bien que la vision par IA offre des avantages clairs en matière de détection des menaces, il est également important de prendre en compte quelques limites. Voici quelques défis à garder à l'esprit :

• Sensibilité à la qualité des données : Un mauvais placement des caméras ou des entrées de faible qualité peut limiter les capacités de détection, surtout lors de l'identification de comportements subtils ou d'événements rares.
• Problèmes de confidentialité des données : La surveillance continue peut impliquer des données sensibles, nécessitant des garanties solides pour éviter les abus, en particulier dans les scénarios impliquant des risques zero-day ou des mouvements latéraux à travers les systèmes.
• Couverture limitée des menaces non visuelles : La vision par IA ne peut pas détecter des problèmes tels que les tentatives de phishing, les cybermenaces, les logiciels malveillants, les rançongiciels ou l'ingénierie sociale, qui nécessitent généralement des technologies d'IA telles que le traitement du langage naturel (NLP) et l'analyse comportementale ou réseau plutôt que l'analyse visuelle.

Link to this sectionPoints clés#

La détection des menaces basée sur l'IA combine 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'utilisation 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 conscience proactive, la vision par IA aide les organisations à améliorer la sécurité face à l'évolution des menaces, à renforcer les opérations de sécurité et à étendre l'intelligence des menaces dans des environnements complexes.

Rejoins notre community active et découvre des innovations telles que l'AI in manufacturing et la vision AI in retail. Visite notre GitHub repository et commence avec la computer vision dès aujourd'hui en consultant nos licensing options.