Um olhar sobre o uso de modelos Ultralytics YOLO para deteção de ameaças por IA

Em muitos setores, a inteligência artificial (IA) está sendo adotada para melhorar a segurança, aumentar a eficiência e criar ambientes mais seguros. Em locais como escritórios, fábricas, campi, armazéns e espaços públicos, alcançar esses objetivos depende de entender o que está acontecendo em tempo real.

Para apoiar isso, câmeras de segurança e sistemas inteligentes de vigilância estão se tornando cada vez mais comuns. No entanto, apenas coletar imagens de vídeo não é suficiente.

Sistemas tradicionais frequentemente dependem de monitoramento manual por analistas humanos ou regras predefinidas, o que torna difícil reconhecer sinais precoces de risco. Interpretar grandes volumes de dados visuais em tempo real pode ser um desafio, particularmente em ambientes movimentados ou dinâmicos.

É aqui que a detecção de ameaças orientada por IA se torna crucial. Ao analisar transmissões de vídeo ao vivo, sistemas de IA podem identificar padrões, comportamentos e situações que podem indicar ameaças potenciais ou possíveis ataques. Em particular, a visão computacional é um ramo da IA que permite que esses sistemas entendam informações visuais e transformem imagens brutas em insights acionáveis.

Com a tecnologia de IA de visão, as organizações podem passar de medidas de segurança reativas para a prevenção proativa de ameaças emergentes. Neste artigo, exploraremos como funciona a detecção de ameaças por IA e como modelos de visão como o Ultralytics YOLO26 ajudam a detectar riscos mais cedo e a apoiar ambientes mais seguros.

Link to this sectionOs desafios com sistemas de segurança tradicionais#

Antes de mergulharmos em como a IA melhora a detecção de ameaças, vamos primeiro dar uma olhada nos desafios que os sistemas de detecção de ameaças tradicionais enfrentam.

A maioria das soluções existentes depende de supervisão humana ou ferramentas baseadas em assinatura, que detectam ameaças ao combinar a atividade com ameaças conhecidas. Isso frequentemente exige que as equipes de segurança monitorem várias transmissões de câmeras ou painéis ao mesmo tempo para identificar atividades potencialmente não autorizadas ou desvios da atividade normal.

Em grandes instalações com centenas de câmeras, gerenciar grandes quantidades de dados rapidamente torna-se difícil. Como resultado, certas atividades podem ser ignoradas, particularmente em áreas complexas como pisos de fábricas ou espaços restritos como salas de servidores.

Outra limitação são as respostas atrasadas. Os sistemas tradicionais normalmente detectam atividade maliciosa apenas depois que um evento já ocorreu. Embora isso funcione para confirmar preocupações conhecidas, significa não ser capaz de responder precocemente às ameaças.

Esse atraso pode tornar mais difícil abordar situações em que o acesso físico, como a entrada em uma sala de servidores restrita, contribui para preocupações de segurança mais amplas, incluindo ameaças cibernéticas e ataques cibernéticos em data centers. Sistemas alimentados por IA ajudam a reduzir essa lacuna identificando vulnerabilidades e apoiando respostas mais rápidas.

Link to this sectionO que é detecção de ameaças por IA?#

A detecção de ameaças por IA refere-se ao uso de inteligência artificial para identificar situações que podem representar riscos para pessoas, operações ou infraestrutura. Em vez de simplesmente armazenar grandes volumes de dados de vídeo ou sensores, os sistemas de detecção de ameaças por IA analisam ativamente essas informações para gerar insights significativos.

Esses insights podem incluir monitoramento automatizado, detecção de anomalias e sinais de alerta precoce que alertam as equipes de segurança sobre problemas potenciais. Essa abordagem desempenha um papel importante tanto em contextos de segurança cibernética quanto de segurança física.

A principal diferença entre métodos tradicionais e a detecção de ameaças orientada por IA é como os riscos são identificados. Por exemplo, métodos tradicionais dependem de sistemas baseados em regras e revisão manual, que limitam sua capacidade de adaptação a mudanças.

Por outro lado, os sistemas de IA são mais adaptáveis. Eles usam dados e algoritmos para analisar informações visuais em tempo real e identificar comportamento incomum. Isso os ajuda a identificar ameaças desconhecidas ou novas ameaças e a apoiar uma resposta a incidentes mais rápida, dando às equipes de segurança mais tempo para agir e, em alguns casos, até mesmo antes que as situações aumentem.

Link to this sectionAutomatizando a detecção de ameaças usando IA de visão#

Existem muitos tipos de detecção de ameaças por IA, desde medidas de segurança cibernética orientadas por IA até sistemas que monitoram espaços físicos. Diferentes técnicas de IA suportam diferentes necessidades de detecção de ameaças.

Por exemplo, a visão computacional é uma boa opção para identificar riscos que são visíveis no mundo real. Muitas ameaças potenciais podem ser observadas através de câmeras, como acesso não autorizado a áreas restritas, movimento incomum ou a presença de objetos em locais inesperados.

Especificamente, modelos de visão computacional como o Ultralytics YOLO26 podem ser usados para analisar transmissões de vídeo ao vivo para reconhecer objetos e rastrear movimentos. O YOLO26 suporta uma gama de tarefas de visão, incluindo detecção de objetos, rastreamento de objetos e segmentação de instâncias.

Fig 1. Usando modelos YOLO para detectar e segmentar perigos potenciais como fumaça (Fonte)

Essas capacidades permitem que os sistemas identifiquem pessoas, veículos ou objetos de interesse, rastreiem seus movimentos em cenas e sinalizem comportamentos que se desviam dos padrões normais. Ao aplicar esses modelos a transmissões de câmeras de segurança, as organizações podem ir além do monitoramento passivo e obter insights impactantes sobre riscos potenciais conforme eles se desenvolvem.

Quando implantados na borda, tais sistemas podem operar com baixa latência e sem dependência constante de ambientes de nuvem, tornando-os adequados para ambientes do mundo real, como fábricas, armazéns, campi e data centers.

Link to this sectionComo os modelos Ultralytics YOLO podem ser usados para detecção de ameaças por IA#

Os modelos Ultralytics YOLO, como o YOLO26, são projetados para aplicações do mundo real onde a velocidade e a consistência são críticas. O design com suporte à borda do YOLO26 reduz a dependência de pipelines complexos de pós-processamento, facilitando a integração em operações de segurança padrão no local.

Semelhante aos modelos YOLO anteriores, o Ultralytics YOLO26 é pré-treinado em conjuntos de dados de grande escala como COCO, fornecendo uma base confiável para reconhecer objetos como pessoas, veículos e outros objetos do cotidiano. Para casos de uso de detecção de ameaças, o YOLO26 pode ser ajustado com dados de treinamento de alta qualidade específicos da aplicação para identificar pessoas em áreas restritas, rastrear movimentos por zonas seguras e sinalizar objetos que violem regras de segurança, como itens abandonados em um aeroporto.

Uma vez treinado, o modelo pode generalizar para novos dados, permitindo manter um desempenho de detecção confiável à medida que as condições mudam. Quando integrado em pipelines de detecção maiores, suas saídas podem ser usadas para correlacionar detecções visuais com sinais de outros sistemas, apoiando análises de nível superior, como análise comportamental e melhor avaliação de ameaças.

Link to this sectionAplicações do mundo real de modelos YOLO em ferramentas de segurança#

Agora que temos uma compreensão melhor de como a IA de visão ajuda a identificar riscos, vamos percorrer alguns exemplos do mundo real de como ela é usada para detectar ameaças.

Link to this sectionMonitorando zonas restritas com YOLO#

Em setores industriais como manufatura e óleo e gás, certas áreas dentro das instalações, como fábricas, são restritas apenas a pessoal autorizado. Frequentemente, isso é uma questão de segurança, já que essas zonas podem conter equipamentos, materiais ou processos perigosos que exigem treinamento especializado.

Monitorar o acesso a essas áreas e garantir a conformidade com as regulamentações de segurança é essencial para evitar acidentes, proteger ativos e manter a continuidade operacional. Geralmente, tais áreas são monitoradas usando uma combinação de supervisão humana, sistemas de controle de acesso e câmeras de segurança.

No entanto, essas abordagens têm limitações. A supervisão manual não escala bem, os sistemas de controle de acesso rastreiam apenas pontos de entrada e as câmeras de segurança normalmente exigem atenção humana constante.

À medida que as instalações crescem e se tornam mais complexas, torna-se cada vez mais difícil detectar atividades inseguras ou não autorizadas em tempo real. A IA de visão pode ser uma abordagem muito mais confiável.

Ela funciona analisando continuamente transmissões de vídeo para identificar problemas de segurança e proteção. Esses insights podem ser integrados em fluxos de trabalho de detecção de intrusão existentes, que podem disparar respostas automatizadas ou alertas para que as equipes de segurança humana possam tomar medidas imediatas.

Por exemplo, um estudo recente explorou como o Ultralytics YOLOv8, parte da família de modelos Ultralytics YOLO, pode ser usado para detectar itens proibidos em áreas restritas. Nesse caso, o modelo foi treinado para identificar a presença de celulares em zonas sensíveis à segurança. Ao aprender com dados visuais específicos da aplicação, o sistema conseguiu sinalizar violações de política em tempo real, ajudando a melhorar a conformidade e reduzir riscos de segurança sem aumentar a carga sobre as equipes humanas.

Fig 2. Um exemplo de detecção de uso de celular em uma área restrita da fábrica (Fonte)

Link to this sectionMonitoramento inteligente de multidões para áreas públicas#

Em espaços públicos lotados, como centros de transporte, grandes eventos ou centros urbanos movimentados, entender como as pessoas se movem e se comportam é importante para manter a segurança pública. Alta densidade de multidão, mudanças repentinas no movimento ou indivíduos caindo podem criar rapidamente situações de risco se não forem detectados precocemente.

Sistemas tradicionais de monitoramento de multidões dependem fortemente de operadores humanos observando várias telas, o que torna fácil perder mudanças sutis, mas importantes, no comportamento da multidão. A IA de visão melhora o monitoramento de multidões ao analisar automaticamente transmissões de vídeo de câmeras em tempo real.

Modelos como o YOLO26 podem ser usados para detectar e rastrear pessoas em cenas lotadas, monitorar padrões de movimento e identificar situações como quedas ou indivíduos permanecendo no chão por longos períodos. Esses sinais podem indicar problemas de segurança potenciais, especialmente em multidões densas ou que se movem rapidamente.

Fig 3. Detecção de queda habilitada por modelos YOLO (Fonte)

Além de tarefas básicas como contar pessoas, sistemas baseados em visão também podem fornecer insights importantes para sistemas de IA que se concentram em identificar congestionamento, fluxo anormal de multidão ou comportamentos que se desviam dos padrões normais. Ao detectar esses indicadores precoces, as organizações podem responder mais rapidamente a situações que podem representar um risco à segurança pública, apoiando a intervenção oportuna sem exigir monitoramento manual constante.

Link to this sectionGarantindo a segurança dos trabalhadores na construção#

Canteiros de obras ativos apresentam uma série de riscos de segurança e proteção, já que as condições mudam frequentemente e trabalhadores, veículos e equipamentos pesados se movem por espaços compartilhados. Acesso não autorizado a zonas restritas, falta de equipamento de proteção individual (EPI) ou interações inseguras entre trabalhadores e máquinas podem levar rapidamente a incidentes se não forem identificados precocemente.

A IA de visão ajuda a lidar com esses riscos analisando continuamente transmissões de vídeo de câmeras no local. Modelos de visão computacional como o YOLO26 podem detectar e rastrear trabalhadores em várias áreas enquanto monitoram a conformidade com os requisitos de segurança, incluindo o uso de equipamento de proteção individual como capacetes ou coletes de segurança.

Fig 4. YOLO pode ser usado para monitorar zonas de construção (Fonte)

Ao observar padrões de movimento e comportamento em tempo real, esses sistemas podem sinalizar perigos potenciais antes que aumentem. Além de melhorar a supervisão de segurança, o monitoramento baseado em visão reduz a dependência de verificações manuais periódicas e apoia uma resposta mais rápida a situações inseguras.

Link to this sectionPrós e contras de usar modelos de IA para detecção de ameaças#

Aqui estão alguns benefícios importantes de usar capacidades de IA de visão para detecção de ameaças:

• Operação contínua: Sistemas de IA e modelos de detecção operam 24 horas por dia sem fadiga de alerta, tornando-os bem adequados para ambientes que exigem monitoramento constante.
• Melhor coordenação entre equipes: Alertas e insights compartilhados tornam mais fácil para as equipes de segurança e operações trabalharem e usarem essas informações para uma tomada de decisão mais inteligente.
• Escalabilidade: Sistemas de IA de visão podem ser implantados em muitas câmeras e locais sem um aumento proporcional na equipe, facilitando a expansão do monitoramento à medida que os ambientes se tornam mais complexos.

Embora a IA de visão forneça vantagens claras com relação à detecção de ameaças, também é importante considerar algumas limitações. Aqui estão alguns desafios para manter em mente:

• Sensibilidade à qualidade dos dados: Posicionamento inadequado da câmera ou entradas de baixa qualidade podem limitar as capacidades de detecção, especialmente ao identificar comportamentos sutis ou eventos raros.
• Preocupações com a privacidade de dados: O monitoramento contínuo pode envolver dados sensíveis, exigindo salvaguardas fortes para evitar uso indevido, particularmente em cenários envolvendo riscos de dia zero ou movimento lateral entre sistemas.
• Cobertura limitada de ameaças não visuais: A IA de visão não consegue detectar problemas como tentativas de phishing, ameaças cibernéticas, malware, ransomware ou engenharia social, que normalmente exigem tecnologias de IA como processamento de linguagem natural (PLN) e análise comportamental ou de rede, em vez de análise visual.

Link to this sectionPrincipais pontos#

A detecção de ameaças baseada em IA combina visão computacional e práticas modernas de segurança para ajudar as organizações a identificar riscos mais cedo e responder de forma mais eficaz. Modelos como o Ultralytics YOLO permitem a análise em tempo real de dados visuais, apoiando casos de uso que variam de monitoramento de acesso restrito à segurança de multidões e proteção dos trabalhadores. Ao passar do monitoramento reativo para a consciência proativa, a IA de visão ajuda as organizações a melhorar a segurança diante de ameaças em evolução, fortalecer as operações de segurança e escalar a inteligência contra ameaças em ambientes complexos.

Junte-se à nossa comunidade ativa e descubra inovações como IA na manufatura e IA de visão no varejo. Visite nosso repositório no GitHub e comece com visão computacional hoje mesmo conferindo nossas opções de licenciamento.