Uno sguardo all’uso dei modelli Ultralytics YOLO per il rilevamento delle minacce basato sull’IA

In molti settori si sta adottando l’intelligenza artificiale (AI) per migliorare la sicurezza, aumentare l’efficienza e creare ambienti più sicuri. In luoghi come uffici, fabbriche, campus, magazzini e spazi pubblici, raggiungere questi obiettivi dipende dalla capacità di capire cosa accade in tempo reale.

Per contribuire a questo obiettivo, le telecamere di sicurezza e i sistemi di sorveglianza intelligente stanno diventando sempre più diffusi. Tuttavia, limitarsi a raccogliere filmati video non è sufficiente.

I sistemi tradizionali si affidano spesso al monitoraggio manuale da parte di analisti umani o a regole predefinite, rendendo difficile riconoscere i primi segnali di rischio. Interpretare grandi volumi di dati visivi in tempo reale può essere complesso, soprattutto in contesti affollati o dinamici.

È qui che il rilevamento delle minacce basato sull’AI diventa fondamentale. Analizzando i flussi video in diretta, i sistemi di AI possono individuare schemi, comportamenti e situazioni che potrebbero indicare potenziali minacce o attacchi. In particolare, la computer vision è una branca dell’AI che consente a questi sistemi di comprendere le informazioni visive e trasformare i filmati grezzi in informazioni utilizzabili.

Grazie alla tecnologia di vision AI, le organizzazioni possono passare da misure di sicurezza reattive alla prevenzione proattiva delle minacce emergenti. In questo articolo vedremo come funziona il rilevamento delle minacce basato sull’AI e come i modelli di visione come Ultralytics YOLO26 aiutano a individuare i rischi con maggiore anticipo e a creare ambienti più sicuri.

Le sfide dei sistemi di sicurezza tradizionali#

Prima di approfondire come l’AI migliori il rilevamento delle minacce, esaminiamo le sfide che devono affrontare i sistemi tradizionali.

La maggior parte delle soluzioni esistenti si affida alla supervisione umana o a strumenti basati su firme, che rilevano le minacce confrontando le attività con quelle già note. Spesso i team di sicurezza devono monitorare contemporaneamente più flussi video o dashboard per individuare attività potenzialmente non autorizzate o deviazioni dal comportamento normale.

Nelle strutture di grandi dimensioni, con centinaia di telecamere, gestire rapidamente enormi quantità di dati diventa difficile. Di conseguenza, alcune attività possono passare inosservate, soprattutto in aree complesse come i reparti di produzione o in spazi riservati come le sale server.

Un altro limite è il ritardo nelle risposte. I sistemi tradizionali in genere rilevano le attività dannose solo dopo che si sono verificate. Sebbene questo sia utile per confermare problemi noti, non consente di intervenire tempestivamente sulle minacce.

Questo ritardo può rendere più difficile gestire situazioni in cui l’accesso fisico, per esempio l’ingresso in una sala server riservata, contribuisce a problemi di sicurezza più ampi, tra cui minacce informatiche e attacchi informatici nei data center. I sistemi basati sull’AI aiutano a ridurre questo divario individuando le vulnerabilità e favorendo interventi più rapidi.

Che cos’è il rilevamento delle minacce basato sull’AI?#

Il rilevamento delle minacce basato sull’AI consiste nell’utilizzare l’intelligenza artificiale per individuare situazioni che potrebbero mettere a rischio persone, operazioni o infrastrutture. Anziché limitarsi a memorizzare grandi volumi di dati video o provenienti da sensori, i sistemi di rilevamento delle minacce basati sull’AI analizzano attivamente queste informazioni per ricavarne indicazioni utili.

Queste indicazioni possono includere monitoraggio automatico, rilevamento delle anomalie e segnali di allarme precoce che avvisano i team di sicurezza di possibili problemi. Questo approccio svolge un ruolo importante sia nella sicurezza informatica sia in quella fisica.

La principale differenza tra i metodi tradizionali e il rilevamento delle minacce basato sull’AI riguarda il modo in cui vengono individuati i rischi. Per esempio, i metodi tradizionali si basano su sistemi a regole e revisioni manuali, che ne limitano la capacità di adattarsi ai cambiamenti.

I sistemi di AI, invece, sono più adattabili. Utilizzano dati e algoritmi per analizzare informazioni visive in tempo reale e individuare comportamenti insoliti. Questo permette loro di identificare minacce sconosciute o nuove e di favorire una risposta più rapida agli incidenti, dando ai team di sicurezza più tempo per agire e, in alcuni casi, prima ancora che la situazione degeneri.

Automatizzare il rilevamento delle minacce con la vision AI#

Esistono molti tipi di rilevamento delle minacce basato sull’AI, dalle misure di sicurezza informatica basate sull’AI ai sistemi che monitorano gli spazi fisici. Tecniche di AI diverse rispondono a esigenze diverse di rilevamento delle minacce.

Per esempio, la computer vision è una valida opzione per individuare i rischi visibili nel mondo reale. Molte potenziali minacce possono essere osservate tramite telecamere, come l’accesso non autorizzato ad aree riservate, movimenti insoliti o la presenza di oggetti in luoghi inaspettati.

In particolare, i modelli di computer vision come Ultralytics YOLO26 possono essere utilizzati per analizzare i flussi video in diretta, riconoscere oggetti e tracciare i movimenti. YOLO26 supporta diverse attività di visione, tra cui il rilevamento degli oggetti, il tracciamento degli oggetti e la segmentazione di istanze.

Fig. 1. Utilizzo dei modelli YOLO per rilevare e segmentare potenziali pericoli come il fumo (Fonte)

Queste funzionalità consentono ai sistemi di identificare persone, veicoli o oggetti di interesse, tracciarne gli spostamenti nelle diverse scene e segnalare comportamenti che si discostano dagli schemi normali. Applicando questi modelli ai flussi delle telecamere di sicurezza, le organizzazioni possono superare il monitoraggio passivo e ottenere informazioni significative sui potenziali rischi man mano che si sviluppano.

Quando vengono implementati all’edge, questi sistemi possono operare con bassa latenza senza dipendere costantemente da ambienti cloud, risultando adatti a contesti reali come fabbriche, magazzini, campus e data center.

Come utilizzare i modelli Ultralytics YOLO per rilevare le minacce con l’AI#

I modelli Ultralytics YOLO, come YOLO26, sono progettati per applicazioni reali in cui velocità e coerenza sono fondamentali. La progettazione di YOLO26 con supporto edge riduce la dipendenza da pipeline complesse di post-elaborazione e ne semplifica l’integrazione nelle normali operazioni di sicurezza in loco.

Come i modelli YOLO precedenti, Ultralytics YOLO26 è preaddestrato su dataset su larga scala come COCO, che forniscono una base affidabile per riconoscere oggetti come persone, veicoli e altri oggetti di uso quotidiano. Per i casi d’uso di rilevamento delle minacce, YOLO26 può essere ottimizzato con dati di addestramento di alta qualità e specifici per l’applicazione, così da identificare persone in aree riservate, tracciare i movimenti nelle zone sicure e segnalare oggetti che violano le norme di sicurezza, come gli oggetti abbandonati in un aeroporto.

Una volta addestrato, il modello può generalizzare a nuovi dati e mantenere prestazioni di rilevamento affidabili al variare delle condizioni. Quando viene integrato in pipeline di rilevamento più ampie, i suoi risultati possono essere utilizzati per correlare i rilevamenti visivi con i segnali provenienti da altri sistemi, supportando analisi di livello superiore come l’analisi comportamentale e una migliore valutazione delle minacce.

Applicazioni dei modelli YOLO nel mondo reale per gli strumenti di sicurezza#

Ora che abbiamo capito meglio come la vision AI aiuta a individuare i rischi, vediamo alcuni esempi reali del suo utilizzo per rilevare le minacce.

Monitorare le zone riservate con YOLO#

Nei settori industriali come quello manifatturiero e del petrolio e del gas, alcune aree degli impianti, come le fabbriche, sono riservate esclusivamente al personale autorizzato. Spesso si tratta di una misura di sicurezza, perché queste zone possono contenere attrezzature, materiali o processi pericolosi che richiedono una formazione specifica.

Monitorare l’accesso a queste aree e garantire il rispetto delle norme di sicurezza è fondamentale per prevenire incidenti, proteggere i beni e mantenere la continuità operativa. In genere, queste aree vengono sorvegliate combinando supervisione umana, sistemi di controllo degli accessi e telecamere di sicurezza.

Tuttavia, questi approcci presentano dei limiti. La supervisione manuale non è facilmente scalabile, i sistemi di controllo degli accessi monitorano solo i punti di ingresso e le telecamere di sicurezza richiedono in genere un’attenzione umana costante.

Con l’aumento delle dimensioni e della complessità degli impianti, diventa sempre più difficile rilevare in tempo reale attività non sicure o non autorizzate. La vision AI può offrire un approccio molto più affidabile.

Funziona analizzando continuamente i flussi video per individuare problemi di sicurezza. Queste informazioni possono essere integrate nei flussi di lavoro esistenti per il rilevamento delle intrusioni, che possono attivare risposte automatiche o avvisi affinché i team di sicurezza possano intervenire subito.

Per esempio, uno studio recente ha esaminato come Ultralytics YOLOv8, parte della famiglia di modelli Ultralytics YOLO, possa essere utilizzato per rilevare oggetti vietati nelle aree riservate. In questo caso, il modello è stato addestrato per identificare la presenza di telefoni cellulari nelle zone sensibili dal punto di vista della sicurezza. Imparando da dati visivi specifici per l’applicazione, il sistema è riuscito a segnalare in tempo reale le violazioni delle norme, contribuendo a migliorare la conformità e ridurre i rischi per la sicurezza senza aumentare il carico di lavoro dei team.

Fig. 2. Esempio di rilevamento dell’uso di un telefono cellulare in un’area riservata di una fabbrica (Fonte)

Monitoraggio intelligente della folla negli spazi pubblici#

Negli spazi pubblici affollati, come snodi di trasporto, grandi eventi o centri cittadini trafficati, capire come si muovono e si comportano le persone è importante per garantire la sicurezza pubblica. Un’elevata densità di persone, cambiamenti improvvisi nei movimenti o la caduta di qualcuno possono creare rapidamente situazioni rischiose, se non vengono rilevati per tempo.

I tradizionali sistemi di monitoraggio della folla si affidano molto agli operatori che osservano più schermi, rendendo facile non notare cambiamenti sottili ma importanti nel comportamento della folla. L’IA visiva migliora il monitoraggio della folla analizzando automaticamente in tempo reale i flussi video delle telecamere.

Modelli come Ultralytics YOLO26 possono essere usati per rilevare e tracciare le persone nelle scene affollate, monitorare gli schemi di movimento e individuare situazioni come cadute o persone che rimangono a terra per periodi prolungati. Questi segnali possono indicare potenziali problemi di sicurezza, soprattutto nelle folle dense o in rapido movimento.

Fig. 3. Rilevamento delle cadute abilitato dai modelli YOLO (Fonte)

Oltre ad attività di base come contare le persone, i sistemi basati sulla visione possono fornire informazioni chiave anche ai sistemi di IA che si concentrano sull’individuazione di congestioni, flussi anomali della folla o comportamenti che si discostano dagli schemi normali. Rilevando questi indicatori precoci, le organizzazioni possono reagire più rapidamente alle situazioni che potrebbero rappresentare un rischio per la sicurezza pubblica, favorendo interventi tempestivi senza richiedere un monitoraggio manuale costante.

Garantire la sicurezza dei lavoratori nei cantieri#

I cantieri di costruzione attivi presentano diversi rischi per la sicurezza, poiché le condizioni cambiano frequentemente e lavoratori, veicoli e macchinari pesanti si spostano in spazi condivisi. L’accesso non autorizzato alle zone riservate, la mancanza di dispositivi di protezione individuale (PPE) o le interazioni pericolose tra lavoratori e macchinari possono causare rapidamente incidenti se non vengono individuati per tempo.

L’IA visiva aiuta ad affrontare questi rischi analizzando continuamente i flussi video delle telecamere installate sul posto. I modelli di visione artificiale come Ultralytics YOLO26 possono rilevare e tracciare i lavoratori in più aree e monitorare il rispetto dei requisiti di sicurezza, compreso l’uso di dispositivi di protezione individuale come caschi o giubbotti di sicurezza.

Fig. 4. YOLO può essere usato per monitorare i cantieri (Fonte)

Osservando in tempo reale gli schemi di movimento e il comportamento, questi sistemi possono segnalare potenziali pericoli prima che la situazione peggiori. Oltre a migliorare la supervisione della sicurezza, il monitoraggio basato sulla visione riduce la dipendenza dai controlli manuali periodici e consente di reagire più rapidamente alle situazioni pericolose.

Vantaggi e svantaggi dell’uso dei modelli di IA per il rilevamento delle minacce#

Ecco alcuni vantaggi chiave dell’uso delle capacità dell’IA visiva per il rilevamento delle minacce:

• Funzionamento continuo: i sistemi di IA e i modelli di rilevamento operano 24 ore su 24 senza affaticamento da allarmi, risultando adatti agli ambienti che richiedono un monitoraggio costante.
• Migliore coordinamento tra i team: gli avvisi e le informazioni condivisi aiutano i team di sicurezza, protezione e operazioni a collaborare e usare questi dati per prendere decisioni più consapevoli.
• Scalabilità: i sistemi di IA visiva possono essere distribuiti su numerose telecamere e in più siti senza un aumento proporzionale del personale, facilitando l’estensione del monitoraggio quando gli ambienti diventano più complessi.

Sebbene l’IA visiva offra vantaggi evidenti nel rilevamento delle minacce, è importante considerare anche alcune limitazioni. Ecco alcune sfide da tenere a mente:

• Sensibilità alla qualità dei dati: un posizionamento inadeguato delle telecamere o input di bassa qualità possono limitare le capacità di rilevamento, soprattutto quando si individuano comportamenti sottili o eventi rari.
• Problemi di privacy dei dati: il monitoraggio continuo può comportare il trattamento di dati sensibili e richiede solide misure di protezione per impedirne l’uso improprio, in particolare negli scenari che coinvolgono rischi zero-day o movimenti laterali tra i sistemi.
• Copertura limitata delle minacce non visive: l’IA visiva non è in grado di rilevare problemi come tentativi di phishing, minacce informatiche, malware, ransomware o ingegneria sociale, che in genere richiedono tecnologie di IA come l’elaborazione del linguaggio naturale (NLP) e l’analisi comportamentale o di rete, anziché l’analisi visiva.

Punti chiave#

Il rilevamento delle minacce basato sull’IA combina visione artificiale e moderne pratiche di sicurezza per aiutare le organizzazioni a identificare i rischi prima e a reagire in modo più efficace. Modelli come Ultralytics YOLO consentono l’analisi in tempo reale dei dati visivi e supportano casi d’uso che vanno dal monitoraggio degli accessi alle aree riservate alla sicurezza della folla e alla protezione dei lavoratori. Passando da un monitoraggio reattivo a una consapevolezza proattiva, l’IA visiva aiuta le organizzazioni a migliorare la sicurezza di fronte a minacce in evoluzione, rafforzare le operazioni di sicurezza e ampliare l’intelligence sulle minacce in ambienti complessi.

Unisciti alla nostra community attiva e scopri innovazioni come l'IA nel settore manifatturiero e l'IA visiva nel commercio al dettaglio. Visita il nostro repository GitHub e inizia oggi a usare la visione artificiale, consultando le nostre opzioni di licenza.