Monitoraggio della sicurezza in tempo reale con IA e Ultralytics YOLO11

Le tecnologie di sorveglianza intelligente svolgono un ruolo vitale nella protezione di persone, proprietà e infrastrutture in tutto il mondo. Al centro di questi sforzi ci sono i sistemi di telecamere, che monitorano strade, aeroporti, scuole, uffici e spazi pubblici 24 ore su 24. Con oltre un miliardo di telecamere di sorveglianza in uso a livello globale, la quantità di video registrati sta crescendo più velocemente che mai.

Tradizionalmente, la revisione di questi filmati è stata un'attività manuale gestita da operatori umani che analizzano gli schermi alla ricerca di potenziali minacce. Sebbene questo approccio possa funzionare in contesti più piccoli, diventa opprimente e inefficiente su larga scala. È anche dispendioso in termini di tempo, il che rappresenta un limite importante in ambienti affollati o in rapido movimento.

Oggi, i sistemi di videosorveglianza stanno iniziando a fare affidamento su soluzioni di intelligenza artificiale (IA) per fornire approfondimenti in tempo reale al fine di prendere decisioni più informate. Una parte fondamentale di questo progresso è la computer vision, una branca dell'IA che consente alle macchine di interpretare i dati visivi.

I modelli di computer vision come Ultralytics YOLO11 sono progettati per gestire diverse attività di rilevamento di immagini e video in tempo reale. Possono rilevare individui, tracciare movimenti e individuare comportamenti insoliti con velocità e precisione. Anche in ambienti complessi, tali modelli consentono ai team di sicurezza di rimanere vigili e reattivi.

In questo articolo, esploreremo come la computer vision e modelli come YOLO11 possano contribuire a cambiare il modo in cui la sicurezza viene gestita in diversi ambienti. Iniziamo!

Link to this sectionIl ruolo della computer vision e dell'IA nei sistemi di sicurezza pubblica#

Il settore della sicurezza sta rapidamente adottando la computer vision. I sistemi di sorveglianza intelligenti che combinano computer vision, edge computing (che elabora i dati localmente, vicino alla fonte) e telecamere a circuito chiuso (CCTV) possono ora analizzare persone e veicoli in tempo reale, aiutando i team di sicurezza a rilevare le minacce in modo più efficiente. Man mano che le tecnologie di IA e di ripresa avanzano, l'analisi video sta diventando quasi nitida quanto l'occhio umano, rimodellando il modo in cui salvaguardiamo gli spazi pubblici.

I sistemi di computer vision possono eseguire attività come il rilevamento di oggetti, il tracciamento dei movimenti e il riconoscimento di pattern nei video. Ciò significa che possono identificare persone, rilevare comportamenti insoliti e monitorare le attività man mano che si verificano. Tali capacità possono rendere i sistemi di sorveglianza più avanzati e affidabili sia negli spazi pubblici che in quelli privati. Di conseguenza, si prevede che il mercato della videosorveglianza basato su IA raggiungerà i 12,46 miliardi di dollari entro il 2030.

Fig 1. Il ruolo della computer vision nei sistemi di sicurezza. Immagine dell'autore.

Link to this sectionCome Ultralytics YOLO11 può abilitare sistemi di sicurezza più intelligenti#

Successivamente, diamo uno sguardo più da vicino a Ultralytics YOLO11 e alle caratteristiche che lo rendono uno strumento di impatto per l'analisi video in tempo reale.

Basato sui recenti progressi dell'IA e della computer vision, Ultralytics YOLO11 offre un'elaborazione più rapida, una maggiore precisione e una maggiore flessibilità per applicazioni come i sistemi di sicurezza basati su video.

Similmente ai precedenti modelli YOLO, YOLO11 può gestire complesse attività di Vision AI come il rilevamento di oggetti (localizzazione e identificazione di oggetti), la segmentazione di istanze (evidenziazione e contorno di oggetti specifici in un'immagine), il tracciamento di oggetti (seguire oggetti nel tempo) e la stima della posa (comprendere come gli oggetti sono posizionati o si muovono).

YOLO11 è anche molto più efficiente dei modelli precedenti. Con il 22% di parametri in meno rispetto a Ultralytics YOLOv8m, raggiunge una precisione media (mAP) superiore sul dataset COCO, il che significa che YOLO11m rileva gli oggetti in modo più accurato utilizzando meno risorse. Inoltre, offre velocità di elaborazione più elevate, rendendolo adatto per applicazioni in tempo reale in cui il rilevamento rapido e la risposta sono critici e ogni millisecondo conta.

Fig 2. YOLO11 supera i precedenti modelli YOLO in vari test di benchmark.

Link to this sectionUtilizzare YOLO11 e la computer vision per applicazioni di sicurezza#

Ora che abbiamo una migliore comprensione di come funziona la computer vision nei sistemi di sicurezza e sorveglianza, esaminiamo più da vicino alcune applicazioni di sicurezza del mondo reale in cui YOLO11 può svolgere un ruolo chiave.

Link to this sectionRilevamento delle intrusioni tramite computer vision e YOLO11#

Mantenere sicure le aree riservate è essenziale per garantire la sicurezza e proteggere la proprietà. Che si tratti di un sito privato, di un magazzino o di una struttura di trasporto pubblico, rilevare l'accesso non autorizzato può prevenire incidenti gravi.

YOLO11 può aiutare con il rilevamento delle intrusioni in tempo reale identificando persone, veicoli o altri oggetti in movimento attraverso i feed video. All'interno della visuale della telecamera, è possibile definire confini virtuali chiamati geo-fence. Quando un oggetto attraversa una zona riservata, YOLO11 può rilevare l'intrusione e attivare un avviso o trasmettere i dati di rilevamento a un sistema di sicurezza integrato per ulteriori azioni.

Gli oggetti rilevati sono evidenziati con bounding box, fornendo una chiara indicazione visiva dell'attività. Ciò riduce la necessità di un monitoraggio umano continuo e aumenta le possibilità di cogliere gli incidenti mentre si verificano.

Questo approccio è utile anche in contesti di sicurezza pubblica. Ad esempio, le linee gialle sulle banchine dei treni indicano aree che i passeggeri non dovrebbero attraversare per motivi di sicurezza. In tali scenari, YOLO11 può essere utilizzato per monitorare la linea di confine e rilevare quando qualcuno la oltrepassa. Il sistema può quindi cambiare il colore del bounding box per evidenziare un potenziale problema di sicurezza. Con capacità come questa, YOLO11 consente un rilevamento delle intrusioni più reattivo e affidabile in ambienti ad alto rischio.

Link to this sectionRilevamento di oggetti abbandonati nella sorveglianza con YOLO11#

Una borsa incustodita in un aeroporto o in una stazione ferroviaria affollata può rapidamente sollevare problemi di sicurezza. Negli spazi pubblici affollati, è difficile per il personale di sicurezza individuare rapidamente tali oggetti, specialmente durante turni lunghi o ore di punta. I ritardi nel rilevamento possono portare a inutili panico o rischi per la sicurezza.

I modelli di computer vision come YOLO11 possono aiutare a migliorare la sorveglianza rilevando, segmentando e tracciando oggetti incustoditi nei feed video in tempo reale. Se una borsa o un pacco viene identificato come stazionario in un punto per troppo tempo senza una persona nelle vicinanze, il sistema può segnalarlo come potenzialmente abbandonato. Questo ulteriore livello di analisi può distinguere gli oggetti in modo più accurato e ridurre la necessità di una costante osservazione umana, consentendo risposte più rapide e mirate.

Fig 3. Utilizzo di YOLO11 per rilevare una valigia.

Link to this sectionConteggio entrate e uscite con modelli IA come YOLO11#

Sapere quante persone entrano ed escono da uno spazio è vitale sia per la sicurezza che per l'efficienza operativa. In luoghi come centri commerciali, edifici per uffici e stazioni ferroviarie, queste informazioni possono semplificare la gestione di grandi folle, migliorare i layout e mantenere le operazioni quotidiane fluide.

Prima dell'adozione della computer vision, il conteggio veniva solitamente effettuato dal personale utilizzando contapersone o semplici sensori alla porta. Tali metodi funzionano, ma non sono efficienti quando si affrontano folle più grandi. Inoltre, non sono sempre affidabili quando si ha a che fare con strutture dotate di molteplici entrate e uscite.

Il supporto di YOLO11 per il rilevamento e il tracciamento degli oggetti può essere utilizzato per contare persone o oggetti all'interno di una regione di interesse definita. Può aiutare a contare entrate e uscite in tempo reale, anche quando si affrontano spazi grandi o affollati. Ad esempio, i negozi al dettaglio possono utilizzare questo metodo per tracciare il flusso pedonale attraverso molteplici punti di ingresso, assistendo i manager nell'adeguare il personale durante le ore di punta.

Dati accurati su entrate e uscite possono anche supportare la pianificazione a lungo termine. Gli approfondimenti derivanti da tali dati possono aiutare i manager a studiare i modelli di flusso pedonale nel tempo, rendendo possibile identificare le zone ad alto traffico e decidere dove posizionare i segnali o riconfigurare le entrate per migliorare il comfort e la sicurezza.

Fig 4. Un esempio di contatore di entrate e uscite in tempo reale abilitato da YOLO11.

Link to this sectionPro e contro dei sistemi di sorveglianza basati su IA#

Ecco alcuni dei principali vantaggi dell'utilizzo della computer vision nei sistemi di sicurezza intelligenti:

• Efficienza dei costi nel tempo: Sebbene l'installazione iniziale possa essere costosa, i sistemi IA possono ridurre le spese a lungo termine relative al personale, alla formazione e alle inefficienze operative.
• Scalabilità: le soluzioni di sorveglianza basate su IA sono facilmente scalabili, rendendole adatte a qualsiasi cosa, da un piccolo ufficio a un'ampia rete di telecamere a livello cittadino.
• Facile integrazione con l'infrastruttura esistente: molti modelli IA, incluso YOLO11, sono progettati per integrarsi perfettamente con gli attuali sistemi CCTV e di sicurezza, riducendo al minimo le interruzioni.

Nonostante i vari vantaggi della sorveglianza basata su IA, ci sono anche alcune limitazioni da tenere a mente. Ecco alcune sfide chiave associate ai sistemi di sorveglianza intelligenti:

• Questioni etiche e di privacy: durante l'utilizzo della computer vision negli spazi pubblici, è importante affrontare le questioni relative al consenso, all'archiviazione dei dati e al modo in cui vengono gestiti i filmati per garantire che la privacy sia rispettata.
• Dipendenza da dati di addestramento di qualità: le prestazioni dei modelli di computer vision dipendono fortemente da dataset ben curati e diversificati. Dati di addestramento scarsi o distorti possono portare a rilevamenti inaccurati, errate identificazioni o risultati discriminatori.
• Fattori ambientali: fattori come scarsa illuminazione, condizioni meteorologiche o ostruzioni visive possono influenzare le prestazioni di rilevamento, in particolare all'aperto.

Link to this sectionPunti chiave#

YOLO11 sta migliorando le soluzioni di sicurezza in tempo reale aiutando a rilevare persone, oggetti e attività insolite con maggiore velocità e precisione. Supporta applicazioni come il rilevamento delle intrusioni, il tracciamento di oggetti e gli avvisi di stazionamento prolungato, rendendolo utile in aree pubbliche, luoghi di lavoro e centri di trasporto.

Riducendo la necessità di un monitoraggio manuale costante, YOLO11 consente ai team di sicurezza di rispondere più rapidamente e con maggiore sicurezza. La sua capacità di gestire l'analisi della folla e il conteggio delle persone mostra come la Vision AI stia plasmando il futuro della sicurezza. Man mano che la tecnologia avanza, continuerà probabilmente a supportare sistemi di sorveglianza più intelligenti e affidabili.

Diventa parte della nostra community ed esplora il nostro repository GitHub per immergerti nel mondo dell'IA. Esplora le entusiasmanti applicazioni della computer vision nel settore automobilistico e dell'IA nella logistica sulle nostre pagine delle soluzioni. Dai un'occhiata alle nostre opzioni di licenza e inizia subito!