Uno sguardo all'uso dei modelli Ultralytics YOLO per il rilevamento delle minacce tramite AI

In molti settori, l'intelligenza artificiale (AI) viene adottata per migliorare la sicurezza, aumentare l'efficienza e creare ambienti più sicuri. In luoghi come uffici, fabbriche, campus, magazzini e spazi pubblici, il raggiungimento di questi obiettivi dipende dalla comprensione di ciò che accade in tempo reale.

Per supportare questo obiettivo, le telecamere di sicurezza e i sistemi di sorveglianza intelligenti stanno diventando sempre più comuni. Tuttavia, raccogliere semplicemente i filmati non è sufficiente.

I sistemi tradizionali spesso si affidano 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 impegnativo, soprattutto in contesti affollati o dinamici.

È qui che il rilevamento delle minacce basato sull'IA diventa fondamentale. Analizzando i flussi video in diretta, i sistemi di IA possono identificare schemi, comportamenti e situazioni che possono indicare potenziali minacce o attacchi. In particolare, la computer vision è un ramo dell'IA che consente a questi sistemi di comprendere le informazioni visive e trasformare i filmati grezzi in informazioni utili per agire.

Con la tecnologia di IA per la visione, le organizzazioni possono passare da misure di sicurezza reattive alla prevenzione proattiva delle minacce emergenti. In questo articolo esploreremo come funziona il rilevamento delle minacce tramite IA e come i modelli per la visione, come Ultralytics YOLO26, aiutano a individuare prima i rischi e a favorire ambienti più sicuri.

Le sfide dei sistemi di sicurezza tradizionali#

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

La maggior parte delle soluzioni esistenti si basa sulla supervisione umana o su strumenti basati sulle firme, che rilevano le minacce confrontando l'attività con minacce note. Spesso ciò richiede ai team di sicurezza di monitorare contemporaneamente diversi flussi delle telecamere o dashboard per identificare attività potenzialmente non autorizzate o deviazioni dall'attività 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 soggetti a restrizioni come le sale server.

Un'altra limitazione è il ritardo nelle risposte. I sistemi tradizionali rilevano in genere le attività dannose solo dopo che si è già verificato un evento. Sebbene questo funzioni per confermare problemi noti, impedisce di rispondere tempestivamente alle minacce.

Questo ritardo può rendere più difficile affrontare situazioni in cui l'accesso fisico, come l'ingresso in una sala server soggetta a restrizioni, contribuisce a problemi di sicurezza più ampi, comprese le minacce informatiche e gli attacchi informatici nei data center. I sistemi basati sull'IA aiutano a ridurre questo divario identificando le vulnerabilità e favorendo risposte più rapide.

Che cos'è il rilevamento delle minacce tramite IA?#

Il rilevamento delle minacce tramite IA si riferisce all'uso dell'intelligenza artificiale per identificare situazioni che possono comportare rischi per le persone, le operazioni o le infrastrutture. Anziché limitarsi a memorizzare grandi volumi di dati video o dei sensori, i sistemi di rilevamento delle minacce tramite IA analizzano attivamente queste informazioni per generare informazioni utili.

Queste informazioni possono includere il monitoraggio automatizzato, il rilevamento delle anomalie e segnali di allerta precoce che avvisano i team di sicurezza di potenziali problemi. Questo approccio svolge un ruolo importante sia nel contesto della cybersecurity sia in quello della sicurezza fisica.

La differenza principale tra i metodi tradizionali e il rilevamento delle minacce basato sull'IA riguarda il modo in cui vengono identificati i rischi. Ad esempio, i metodi tradizionali si basano su sistemi basati su regole e revisioni manuali, che ne limitano la capacità di adattarsi ai cambiamenti.

I sistemi di IA, invece, sono più adattivi. Utilizzano dati e algoritmi per analizzare le informazioni visive in tempo reale e identificare comportamenti insoliti. Questo li aiuta a individuare minacce sconosciute o nuove e a favorire una risposta più rapida agli incidenti, dando ai team di sicurezza più tempo per agire e, in alcuni casi, persino prima che le situazioni degenerino.

Automatizzare il rilevamento delle minacce con l'IA per la visione#

Esistono molti tipi di rilevamento delle minacce tramite IA, dalle misure di cybersecurity basate sull'IA ai sistemi che monitorano gli spazi fisici. Tecniche di IA diverse supportano esigenze diverse di rilevamento delle minacce.

Ad esempio, la computer vision è una buona opzione per identificare i rischi visibili nel mondo reale. Molte potenziali minacce possono essere osservate tramite telecamere, come l'accesso non autorizzato ad aree soggette a restrizioni, movimenti insoliti o la presenza di oggetti in luoghi imprevisti.

In particolare, i modelli di computer vision come Ultralytics YOLO26 possono essere utilizzati per analizzare i flussi video in diretta, riconoscere gli oggetti e monitorare i movimenti. YOLO26 supporta diverse attività di visione, tra cui il rilevamento degli oggetti, il tracciamento degli oggetti e la segmentazione delle 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, monitorarne i movimenti nelle diverse scene e segnalare comportamenti che si discostano dagli schemi normali. Applicando questi modelli ai flussi delle telecamere di sicurezza, le organizzazioni possono andare oltre il monitoraggio passivo e ottenere informazioni significative sui potenziali rischi nel momento in cui si sviluppano.

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

Come utilizzare i modelli Ultralytics YOLO per il rilevamento delle minacce tramite IA#

I modelli Ultralytics YOLO, come YOLO26, sono progettati per applicazioni reali in cui velocità e coerenza sono fondamentali. Il design di YOLO26 ottimizzato per l'edge riduce la dipendenza da pipeline di post-processing complesse, facilitando l'integrazione nelle operazioni di sicurezza standard in loco.

Come i precedenti modelli YOLO, Ultralytics YOLO26 è preaddestrato su dataset di grandi dimensioni come COCO, fornendo una base affidabile per riconoscere oggetti come persone, veicoli e altri oggetti di uso quotidiano. Nei casi d'uso di rilevamento delle minacce, YOLO26 può essere sottoposto a fine-tuning con dati di addestramento di alta qualità e specifici per l'applicazione, per identificare persone in aree soggette a restrizioni, monitorare i movimenti attraverso zone protette e segnalare oggetti che violano le regole di sicurezza, come oggetti abbandonati in un aeroporto.

Una volta addestrato, il modello può generalizzare a nuovi dati, mantenendo prestazioni di rilevamento affidabili al variare delle condizioni. Se integrati in pipeline di rilevamento più ampie, i suoi output 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 reali dei modelli YOLO negli strumenti di sicurezza#

Ora che comprendiamo meglio come l'IA per la visione aiuti a identificare i rischi, esaminiamo alcuni esempi reali di come viene utilizzata per rilevare le minacce.

Monitoraggio delle zone soggette a restrizioni con YOLO#

Nei settori industriali come quello manifatturiero e petrolifero e del gas, alcune aree all'interno delle strutture, come le fabbriche, sono riservate esclusivamente al personale autorizzato. Spesso si tratta di una questione di sicurezza, poiché queste zone possono contenere apparecchiature, materiali o processi pericolosi che richiedono una formazione specializzata.

Monitorare l'accesso a queste aree e garantire il rispetto delle norme di sicurezza è essenziale per prevenire gli incidenti, proteggere i beni e mantenere la continuità operativa. In genere, tali aree vengono monitorate utilizzando una combinazione di 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.

Man mano che le strutture diventano più grandi e complesse, rilevare in tempo reale attività non sicure o non autorizzate diventa sempre più difficile. L'IA per la visione può offrire un approccio molto più affidabile.

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

Ad esempio, uno studio recente ha analizzato come Ultralytics YOLOv8, parte della famiglia di modelli Ultralytics YOLO, possa essere utilizzato per rilevare oggetti vietati in aree soggette a restrizioni. In questo caso, il modello è stato addestrato per identificare la presenza di telefoni cellulari in zone sensibili per la sicurezza. Apprendendo da dati visivi specifici per l'applicazione, il sistema è riuscito a segnalare in tempo reale le violazioni delle regole, contribuendo a migliorare la conformità e ridurre i rischi per la sicurezza senza aumentare il carico di lavoro dei team umani.

Fig. 2. Un esempio di rilevamento dell'uso del telefono cellulare in un'area di fabbrica soggetta a restrizioni (Fonte)

Monitoraggio intelligente della folla negli spazi pubblici#

Negli spazi pubblici affollati, come snodi dei trasporti, grandi eventi o centri cittadini trafficati, comprendere come si muovono e si comportano le persone è importante per mantenere la sicurezza pubblica. Un'elevata densità della folla, cambiamenti improvvisi nei movimenti o persone che cadono possono creare rapidamente situazioni rischiose se non vengono rilevati tempestivamente.

I sistemi tradizionali di monitoraggio della folla si affidano fortemente agli operatori umani che osservano più schermi, rendendo facile non notare cambiamenti sottili ma importanti nel comportamento della folla. L'IA per la visione migliora il monitoraggio della folla analizzando automaticamente in tempo reale i flussi video provenienti dalle telecamere.

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

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

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

Garantire la sicurezza dei lavoratori nell'edilizia#

I cantieri di edilizia attivi presentano diversi rischi per la sicurezza, poiché le condizioni cambiano frequentemente e lavoratori, veicoli e macchinari pesanti si muovono in spazi condivisi. L'accesso non autorizzato alle zone soggette a restrizioni, la mancanza di dispositivi di protezione individuale (PPE) o le interazioni non sicure tra lavoratori e macchinari possono portare rapidamente a incidenti se non vengono identificati tempestivamente.

L'IA per la visione contribuisce ad affrontare questi rischi analizzando continuamente i flussi video delle telecamere installate in loco. I modelli di computer vision come Ultralytics YOLO26 possono rilevare e monitorare i lavoratori in più aree, verificando al contempo il rispetto dei requisiti di sicurezza, compreso l'uso di dispositivi di protezione individuale come caschi o gilet di sicurezza.

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

Osservando in tempo reale gli schemi di movimento e i comportamenti, questi sistemi possono segnalare potenziali pericoli prima che degenerino. Oltre a migliorare la supervisione della sicurezza, il monitoraggio basato sulla visione riduce la dipendenza dai controlli manuali periodici e favorisce una risposta più rapida alle situazioni non sicure.

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

Ecco alcuni dei principali vantaggi dell'uso delle funzionalità di IA per la visione nel rilevamento delle minacce:

• Operatività continua: i sistemi di IA e i modelli di rilevamento funzionano senza interruzioni e senza affaticamento da allerte, risultando adatti agli ambienti che richiedono un monitoraggio costante.
• Migliore coordinamento tra i team: gli avvisi e le informazioni condivisi facilitano la collaborazione tra i team di sicurezza, safety e operations e il loro utilizzo per prendere decisioni più informate.
• Scalabilità: i sistemi di IA per la visione possono essere implementati su numerose telecamere e siti senza un aumento proporzionale del personale, facilitando l'espansione del monitoraggio man mano che gli ambienti diventano più complessi.

Sebbene l'IA per la visione offra vantaggi evidenti nel rilevamento delle minacce, è importante considerare anche alcune limitazioni. Ecco alcune sfide da tenere presenti:

• Sensibilità alla qualità dei dati: il posizionamento inadeguato delle telecamere o input di bassa qualità possono limitare le capacità di rilevamento, soprattutto nell'identificazione di 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 evitarne l'uso improprio, soprattutto negli scenari che coinvolgono rischi zero-day o il movimento laterale tra i sistemi.
• Copertura limitata delle minacce non visive: l'IA per la visione non è in grado di rilevare problemi come tentativi di phishing, minacce di cybersecurity, 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 la computer vision e le moderne pratiche di sicurezza per aiutare le organizzazioni a identificare prima i rischi e rispondere in modo più efficace. Modelli come Ultralytics YOLO consentono l'analisi in tempo reale dei dati visivi, supportando casi d'uso che vanno dal monitoraggio degli accessi soggetti a restrizioni alla sicurezza della folla e alla protezione dei lavoratori. Passando dal monitoraggio reattivo alla consapevolezza proattiva, l'IA per la visione aiuta le organizzazioni a migliorare la sicurezza di fronte a minacce in evoluzione, rafforzare le operazioni di sicurezza e ampliare la threat intelligence in ambienti complessi.

Unisciti alla nostra community attiva e scopri innovazioni come l’AI nella produzione e l’AI per la visione nel retail. Visita il nostro repository GitHub e inizia oggi con la visione artificiale consultando le nostre opzioni di licenza.