4 juin 2025
Découvrez comment Ultralytics YOLO11 redéfinit la surveillance de la sécurité en temps réel grâce à l'IA en améliorant la détection des menaces en direct et en permettant une surveillance plus intelligente.
Les technologies de surveillance intelligente jouent un rôle essentiel dans la protection des personnes, des biens et des infrastructures dans le monde entier. Au cœur de ces efforts se trouvent les systèmes de caméras, qui surveillent les rues, les aéroports, les écoles, les bureaux et les espaces publics vingt-quatre heures sur vingt-quatre. Avec plus d'un milliard de caméras de surveillance utilisées dans le monde, la quantité de vidéos enregistrées augmente plus rapidement que jamais.
Traditionnellement, l'examen de ces séquences est une tâche manuelle effectuée par des opérateurs humains qui scrutent les écrans à la recherche de menaces potentielles. Si cette approche peut fonctionner dans des environnements plus restreints, elle devient écrasante et inefficace à plus grande échelle. Elle prend également beaucoup de temps, ce qui constitue un inconvénient majeur dans les environnements où les déplacements sont rapides et où il y a beaucoup de monde.
Aujourd'hui, les systèmes de vidéosurveillance commencent à s'appuyer sur des solutions d'intelligence artificielle (IA) pour fournir des informations en temps réel permettant de prendre des décisions plus éclairées. La vision artificielle, une branche de l'IA qui permet aux machines d'interpréter les données visuelles, est un élément clé de ce progrès.
Les modèles de vision par ordinateur comme Ultralytics YOLO11 sont conçus pour traiter diverses tâches de détection d'images et de vidéos en temps réel. Ils peuvent détecter des individus, suivre des mouvements et repérer des comportements inhabituels avec rapidité et précision. Même dans des environnements complexes, ces modèles permettent aux équipes de sécurité de rester alertes et réactives.
Dans cet article, nous allons voir comment la vision par ordinateur et des modèles comme YOLO11 peuvent contribuer à changer la façon dont la sécurité est gérée dans différents environnements. Commençons par le commencement !
Le secteur de la sécurité adopte rapidement la vision par ordinateur. Les systèmes de surveillance intelligents qui combinent la vision par ordinateur, l'informatique de pointe (qui traite les données localement, près de la source) et les caméras de vidéosurveillance peuvent désormais analyser les personnes et les véhicules en temps réel, aidant ainsi les équipes de sécurité à détecter les menaces plus efficacement. À mesure que l'IA et les technologies des caméras continuent de progresser, l'analyse vidéo devient presque aussi précise que l'œil humain, ce qui modifie la façon dont nous protégeons les espaces publics.
Les systèmes de vision artificielle peuvent effectuer des tâches telles que la détection d'objets, le suivi de mouvements et la reconnaissance de modèles dans les vidéos. Cela signifie qu'ils peuvent identifier des personnes, détecter des comportements inhabituels et surveiller l'activité au fur et à mesure. Ces capacités peuvent rendre les systèmes de surveillance plus avancés et plus fiables dans les espaces publics et privés. Par conséquent, le marché de la vidéosurveillance par IA devrait atteindre 12,46 milliards de dollars d'ici 2030.
Maintenant que nous comprenons mieux comment la vision par ordinateur fonctionne dans les systèmes de sécurité et de surveillance, examinons de plus près certaines applications de sécurité réelles dans lesquelles YOLO11 peut jouer un rôle clé.
Il est essentiel de sécuriser les zones d'accès restreint pour garantir la sécurité et protéger les biens. Qu'il s'agisse d'un site privé, d'un entrepôt ou d'une installation de transport public, la détection d'un accès non autorisé peut permettre d'éviter des incidents graves.
YOLO11 peut contribuer à la détection des intrusions en temps réel en identifiant les personnes, les véhicules ou d'autres objets en mouvement dans les flux vidéo. Dans le champ de vision de la caméra, il est possible de définir des limites virtuelles appelées "géo-barrières". Lorsqu'un objet pénètre dans une zone restreinte, YOLO11 peut détecter l'intrusion et déclencher une alerte ou transmettre les données de détection à un système de sécurité intégré pour qu'il prenne les mesures qui s'imposent.
Les objets détectés sont mis en évidence par des boîtes de délimitation, ce qui fournit une indication visuelle claire de l'activité. Cela réduit la nécessité d'une surveillance humaine continue et augmente les chances de détecter les incidents dès qu'ils se produisent.
Cette approche est également utile dans le domaine de la sécurité publique. Par exemple, les lignes jaunes sur les quais de gare indiquent les zones que les passagers ne doivent pas traverser pour des raisons de sécurité. Dans de tels scénarios, YOLO11 peut être utilisé pour surveiller la ligne de démarcation et détecter si quelqu'un la franchit. Le système peut alors changer la couleur de la zone délimitée pour mettre en évidence un problème de sécurité potentiel. Grâce à de telles fonctionnalités, YOLO11 permet une détection plus réactive et plus fiable des intrusions dans les environnements à haut risque.
Un sac laissé sans surveillance dans un aéroport ou une gare très fréquentés peut rapidement poser des problèmes de sécurité. Dans les espaces publics bondés, il est difficile pour le personnel de sécurité de repérer rapidement de tels objets, en particulier pendant les longues périodes de travail ou les heures de pointe. Les retards de détection peuvent entraîner une panique inutile ou des risques pour la sécurité.
Les modèles de vision artificielle comme YOLO11 peuvent contribuer à améliorer la surveillance en détectant, en segmentant et en suivant les objets laissés sans surveillance dans les flux vidéo en temps réel. Si un sac ou un paquet est identifié comme restant stationnaire au même endroit pendant trop longtemps sans personne à proximité, le système peut le signaler comme potentiellement abandonné. Cette couche d'analyse supplémentaire permet de distinguer les objets avec plus de précision et de réduire la nécessité d'une observation humaine constante, ce qui permet de réagir plus rapidement et de manière plus ciblée.
Savoir combien de personnes entrent et sortent d'un espace est essentiel pour la sécurité et l'efficacité opérationnelle. Dans des lieux tels que les centres commerciaux, les immeubles de bureaux et les gares, ces informations peuvent faciliter la gestion des grandes foules, améliorer les aménagements et assurer le bon déroulement des opérations quotidiennes.
Avant l'adoption de la vision par ordinateur, le comptage était généralement effectué par le personnel à l'aide de cliqueurs ou de simples capteurs à la porte. Ces méthodes fonctionnent, mais elles ne sont pas efficaces lorsqu'il s'agit de faire face à des foules importantes. Elles ne sont pas non plus toujours fiables lorsqu'il s'agit d'installations comportant plusieurs entrées et sorties.
La prise en charge de la détection et du suivi d'objets par YOLO11 peut être utilisée pour compter les personnes ou les objets dans une zone d'intérêt définie. Il peut aider à compter les entrées et les sorties en temps réel, même lorsque l'on se trouve face à des espaces vastes ou bondés. Par exemple, les magasins de détail peuvent utiliser cette méthode pour suivre le trafic piétonnier sur plusieurs points d'entrée, aidant ainsi les responsables à ajuster le personnel pendant les heures de pointe.
Des données précises sur les entrées et les sorties peuvent également faciliter la planification à long terme. Ces données peuvent aider les gestionnaires à étudier les schémas de circulation des piétons au fil du temps, ce qui leur permet d'identifier les zones très fréquentées et de décider où placer des panneaux ou reconfigurer les entrées afin d'améliorer le confort et la sécurité.
Voici quelques-uns des principaux avantages de l'utilisation de la vision par ordinateur dans les systèmes de sécurité intelligents :
Malgré les nombreux avantages de la surveillance assistée par l'IA, il convient de garder à l'esprit certaines limites. Voici quelques défis majeurs associés aux systèmes de surveillance intelligents :
YOLO11 améliore les solutions de sécurité en temps réel en aidant à détecter les personnes, les objets et les activités inhabituelles avec plus de rapidité et de précision. Il prend en charge des applications telles que la détection d'intrusion, le suivi d'objets et les alertes de flânerie, ce qui le rend utile dans les lieux publics, sur les lieux de travail et dans les centres de transport.
En réduisant la nécessité d'une surveillance manuelle constante, YOLO11 permet aux équipes de sécurité de réagir plus rapidement et avec plus de confiance. Sa capacité à analyser les foules et à compter les personnes montre comment l'IA de Vision façonne l'avenir de la sécurité. Au fur et à mesure que la technologie progresse, elle continuera probablement à soutenir des systèmes de surveillance plus intelligents et plus fiables.
Faites partie de notre communauté et explorez notre dépôt GitHub pour plonger dans le monde de l'IA. Explorez les applications passionnantes de la vision par ordinateur dans l'automobile et de l'IA dans la logistique sur nos pages de solutions. Jetez un coup d'œil à nos options de licence et commencez dès maintenant !
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
TR
VI
AR
Comment Ultralytics YOLO11 peut rendre les systèmes de sécurité plus intelligents
Voyons maintenant de plus près Ultralytics YOLO11 et les caractéristiques qui en font un outil efficace pour l'analyse vidéo en temps réel.
S'appuyant sur les récentes avancées en matière d'IA et de vision par ordinateur, Ultralytics YOLO11 offre un traitement plus rapide, une plus grande précision et une plus grande flexibilité pour des applications telles que les systèmes de sécurité basés sur la vidéo.
Comme les modèles YOLO précédents, YOLO11 peut gérer des tâches complexes d'IA visuelle telles que la détection d'objets (localisation et identification d'objets), la segmentation d'instances (mise en évidence et délimitation d'objets spécifiques dans une image), le suivi d'objets (suivi d'objets dans le temps) et l'estimation de la pose (compréhension de la manière dont les objets sont positionnés ou se déplacent).
YOLO11 est également beaucoup plus efficace que les modèles précédents. Avec 22 % de paramètres en moins qu'Ultralytics YOLOv8m, il atteint une précision moyenne plus élevée (mAP) sur l'ensemble de données COCO, ce qui signifie que YOLO11m détecte les objets avec plus de précision tout en utilisant moins de ressources. En outre, il offre des vitesses de traitement plus rapides, ce qui le rend bien adapté aux applications en temps réel où la détection et la réponse rapides sont essentielles et où chaque milliseconde compte.