Uma análise da utilização dos modelos Ultralytics YOLO para a deteção de ameaças por AI

Em muitos setores, a inteligência artificial (IA) está a ser adotada para melhorar a segurança, aumentar a eficiência e criar ambientes mais seguros. Em locais como escritórios, fábricas, campus, armazéns e espaços públicos, alcançar estes objetivos depende de compreender o que está a acontecer em tempo real.

Para apoiar este objetivo, as câmaras de segurança e os sistemas inteligentes de vigilância estão a tornar-se cada vez mais comuns. No entanto, recolher simplesmente imagens de vídeo não é suficiente.

Os sistemas tradicionais dependem frequentemente da monitorização manual por analistas humanos ou de regras predefinidas, o que dificulta o reconhecimento dos primeiros sinais de risco. Interpretar grandes volumes de dados visuais em tempo real pode ser um desafio, especialmente em ambientes movimentados ou dinâmicos.

É aqui que a deteção de ameaças baseada em IA se torna crucial. Ao analisar transmissões de vídeo em direto, os sistemas de IA podem identificar padrões, comportamentos e situações que podem indicar potenciais ameaças ou ataques. Em particular, a visão computacional é um ramo da IA que permite a estes sistemas compreender informações visuais e transformar imagens não processadas em informações úteis para a ação.

Com a tecnologia de IA para visão, as organizações podem passar de medidas de segurança reativas para a prevenção proativa de ameaças emergentes. Neste artigo, vamos explorar como funciona a deteção de ameaças com IA e como modelos de visão como o Ultralytics YOLO26 ajudam a identificar riscos mais cedo e a promover ambientes mais seguros.

Os desafios dos sistemas de segurança tradicionais#

Antes de analisarmos como a IA melhora a deteção de ameaças, vamos começar por examinar os desafios enfrentados pelos sistemas tradicionais de deteção de ameaças.

A maioria das soluções existentes depende da supervisão humana ou de ferramentas baseadas em assinaturas, que detetam ameaças comparando a atividade com ameaças conhecidas. Isto exige frequentemente que as equipas de segurança monitorizem vários feeds de câmaras ou painéis em simultâneo para identificar atividades potencialmente não autorizadas ou desvios em relação à atividade normal.

Em instalações de grande dimensão com centenas de câmaras, gerir rapidamente grandes quantidades de dados torna-se difícil. Como resultado, determinadas atividades podem passar despercebidas, especialmente em áreas complexas, como pisos de fábricas, ou em espaços restritos, como salas de servidores.

Outra limitação são as respostas tardias. Normalmente, os sistemas tradicionais só detetam atividades maliciosas depois de um evento já ter ocorrido. Embora isto funcione para confirmar problemas conhecidos, significa não ser possível responder antecipadamente às ameaças.

Este atraso pode dificultar a resolução de situações em que o acesso físico, como a entrada numa sala de servidores restrita, contribui para problemas de segurança mais amplos, incluindo ameaças cibernéticas e ciberataques em centros de dados. Os sistemas baseados em IA ajudam a reduzir esta lacuna ao identificar vulnerabilidades e apoiar respostas mais rápidas.

O que é a deteção de ameaças com IA?#

A deteção de ameaças com IA refere-se à utilização de inteligência artificial para identificar situações que possam representar riscos para pessoas, operações ou infraestruturas. Em vez de se limitarem a armazenar grandes volumes de vídeo ou dados de sensores, os sistemas de deteção de ameaças com IA analisam ativamente estas informações para gerar insights relevantes.

Estes insights podem incluir monitorização automatizada, deteção de anomalias e sinais de alerta precoce que notificam as equipas de segurança sobre possíveis problemas. Esta abordagem desempenha um papel importante tanto em contextos de cibersegurança como de segurança física.

A principal diferença entre os métodos tradicionais e a deteção de ameaças baseada em IA está na forma como os riscos são identificados. Por exemplo, os métodos tradicionais dependem de sistemas baseados em regras e de análise manual, o que limita a sua capacidade de adaptação à mudança.

Por outro lado, os sistemas de IA são mais adaptáveis. Utilizam dados e algoritmos para analisar informações visuais em tempo real e identificar comportamentos invulgares. Isto ajuda-os a identificar ameaças desconhecidas ou novas e a apoiar uma resposta mais rápida a incidentes, dando às equipas de segurança mais tempo para agir e, em alguns casos, até antes de as situações se agravarem.

Automatizar a deteção de ameaças com IA para visão#

Existem muitos tipos de deteção de ameaças com IA, desde medidas de cibersegurança baseadas em IA até sistemas que monitorizam espaços físicos. Diferentes técnicas de IA respondem a diferentes necessidades de deteção de ameaças.

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

Especificamente, modelos de visão computacional como o Ultralytics YOLO26 podem ser utilizados para analisar transmissões de vídeo em direto, reconhecer objetos e acompanhar movimentos. O YOLO26 suporta várias tarefas de visão, incluindo deteção de objetos, rastreamento de objetos e segmentação de instâncias.

Fig. 1. Utilização de modelos YOLO para detetar e segmentar potenciais perigos, como fumo (Fonte)

Estas capacidades permitem aos sistemas identificar pessoas, veículos ou objetos de interesse, acompanhar os seus movimentos entre cenas e assinalar comportamentos que se desviam dos padrões normais. Ao aplicar estes modelos aos feeds de câmaras de segurança, as organizações podem ir além da monitorização passiva e obter informações relevantes sobre potenciais riscos à medida que estes surgem.

Quando implementados na periferia, estes sistemas podem funcionar com baixa latência e sem depender constantemente de ambientes na cloud, o que os torna adequados para contextos reais, como fábricas, armazéns, campus e centros de dados.

Como os modelos Ultralytics YOLO podem ser utilizados para a deteção de ameaças com IA#

Os modelos Ultralytics YOLO, como o YOLO26, foram concebidos para aplicações do mundo real em que a velocidade e a consistência são essenciais. O design do YOLO26 compatível com edge reduz a dependência de pipelines complexos de pós-processamento, facilitando a integração em operações de segurança padrão no local.

Tal como os modelos YOLO anteriores, o Ultralytics YOLO26 é pré-treinado em conjuntos de dados de grande escala, como o COCO, fornecendo uma base fiável para reconhecer objetos como pessoas, veículos e outros objetos do quotidiano. Em casos de utilização de deteção de ameaças, o YOLO26 pode ser ajustado com dados de treino de alta qualidade e específicos da aplicação para identificar pessoas em áreas restritas, acompanhar movimentos através de zonas seguras e assinalar objetos que violem regras de segurança, como itens abandonados num aeroporto.

Depois de treinado, o modelo pode generalizar para novos dados, permitindo-lhe manter um desempenho de deteção fiável à medida que as condições mudam. Quando integrado em pipelines de deteção mais amplos, os seus resultados podem ser utilizados para correlacionar deteções visuais com sinais de outros sistemas, apoiando análises de nível superior, como a análise comportamental, e melhorando a avaliação de ameaças.

Aplicações reais dos modelos YOLO em ferramentas de segurança#

Agora que compreendemos melhor como a IA para visão ajuda a identificar riscos, vamos analisar alguns exemplos reais da sua utilização na deteção de ameaças.

Monitorização de zonas restritas com YOLO#

Em setores industriais como a indústria transformadora e o petróleo e gás, determinadas áreas das instalações, como as fábricas, estão restritas apenas a pessoal autorizado. Muitas vezes, isto é uma questão de segurança, uma vez que estas zonas podem conter equipamentos, materiais ou processos perigosos que exigem formação especializada.

Monitorizar o acesso a estas áreas e garantir o cumprimento dos regulamentos de segurança é essencial para prevenir acidentes, proteger ativos e manter a continuidade operacional. De um modo geral, estas áreas são monitorizadas através de uma combinação de supervisão humana, sistemas de controlo de acesso e câmaras de segurança.

No entanto, estas abordagens têm limitações. A supervisão manual não escala bem, os sistemas de controlo de acesso apenas monitorizam os pontos de entrada e as câmaras de segurança normalmente exigem atenção humana constante.

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

Funciona através da análise contínua dos feeds de vídeo para identificar problemas de segurança e proteção. Estes insights podem ser integrados nos fluxos de trabalho existentes de deteção de intrusões, que podem acionar respostas ou alertas automatizados para que as equipas de segurança humanas possam agir imediatamente.

Por exemplo, um estudo recente explorou como o Ultralytics YOLOv8, parte da família de modelos Ultralytics YOLO, pode ser utilizado para detetar itens proibidos em áreas restritas. Neste caso, o modelo foi treinado para identificar a presença de telemóveis em zonas sensíveis do ponto de vista da segurança. Ao aprender com dados visuais específicos da aplicação, o sistema conseguiu assinalar violações de políticas em tempo real, ajudando a melhorar a conformidade e a reduzir os riscos de segurança sem aumentar a carga sobre as equipas humanas.

Fig. 2. Exemplo de deteção da utilização de telemóveis numa área restrita de uma fábrica (Fonte)

Monitorização inteligente de multidões em áreas públicas#

Em espaços públicos movimentados, como terminais de transporte, grandes eventos ou centros urbanos movimentados, compreender como as pessoas se deslocam e comportam é importante para manter a segurança pública. Uma elevada densidade de pessoas, mudanças súbitas de movimento ou quedas de pessoas podem criar rapidamente situações de risco se não forem detetadas atempadamente.

Os sistemas tradicionais de monitorização de multidões dependem fortemente de operadores humanos que observam vários ecrãs, o que facilita a não deteção de mudanças subtis, mas importantes, no comportamento da multidão. A IA para visão melhora a monitorização de multidões ao analisar automaticamente, em tempo real, os feeds de vídeo das câmaras.

Modelos como o Ultralytics YOLO26 podem ser utilizados para detetar e rastrear pessoas em cenas com multidões, monitorizar padrões de movimento e identificar situações como quedas ou pessoas que permanecem no chão durante períodos prolongados. Estes sinais podem indicar potenciais problemas de segurança, especialmente em multidões densas ou em movimento rápido.

Fig. 3. Deteção de quedas possibilitada por modelos YOLO (Fonte)

Além de tarefas básicas, como contar pessoas, os sistemas baseados em visão também podem fornecer informações importantes para sistemas de IA que se concentram na identificação de congestionamentos, fluxos anormais de multidões ou comportamentos que se desviam dos padrões normais. Ao detetar estes indicadores precoces, as organizações podem responder mais rapidamente a situações que possam representar um risco para a segurança pública, apoiando uma intervenção atempada sem exigir monitorização manual constante.

Garantir a segurança dos trabalhadores na construção#

Os locais de construção ativos apresentam vários riscos de segurança e proteção, uma vez que as condições mudam frequentemente e trabalhadores, veículos e equipamentos pesados circulam por espaços partilhados. O acesso não autorizado a zonas restritas, a ausência de equipamento de proteção individual (PPE) ou interações inseguras entre trabalhadores e maquinaria podem rapidamente provocar incidentes se não forem identificados atempadamente.

A IA para visão ajuda a enfrentar estes riscos através da análise contínua dos feeds de vídeo das câmaras no local. Os modelos de visão computacional, como o Ultralytics YOLO26, podem detetar e rastrear trabalhadores em várias áreas enquanto monitorizam o cumprimento dos requisitos de segurança, incluindo a utilização de equipamento de proteção individual, como capacetes ou coletes de segurança.

Fig. 4. O YOLO pode ser utilizado para monitorizar zonas de construção (Fonte)

Ao observar padrões de movimento e comportamentos em tempo real, estes sistemas podem assinalar potenciais perigos antes de estes se agravarem. Para além de melhorar a supervisão da segurança, a monitorização baseada em visão reduz a dependência de verificações manuais periódicas e apoia uma resposta mais rápida a situações inseguras.

Vantagens e desvantagens da utilização de modelos de IA para a deteção de ameaças#

Eis alguns dos principais benefícios da utilização de capacidades de IA para visão na deteção de ameaças:

• Operação contínua: Os sistemas de IA e os modelos de deteção funcionam ininterruptamente, sem fadiga causada por alertas, sendo adequados para ambientes que exigem monitorização constante.
• Melhor coordenação entre equipas: Os alertas e insights partilhados facilitam o trabalho das equipas de segurança, proteção e operações, permitindo-lhes utilizar estas informações para tomar decisões mais inteligentes.
• Escalabilidade: Os sistemas de IA para visão podem ser implementados em muitas câmaras e locais sem um aumento proporcional do pessoal, facilitando a expansão da monitorização à medida que os ambientes se tornam mais complexos.

Embora a IA para visão ofereça vantagens claras na deteção de ameaças, também é importante considerar algumas limitações. Eis alguns desafios a ter em conta:

• Sensibilidade à qualidade dos dados: O posicionamento inadequado das câmaras ou entradas de baixa qualidade podem limitar as capacidades de deteção, especialmente na identificação de comportamentos subtis ou eventos raros.
• Preocupações com a privacidade dos dados: A monitorização contínua pode envolver dados sensíveis, exigindo salvaguardas fortes para evitar utilizações indevidas, especialmente em cenários que envolvam riscos de dia zero ou movimento lateral entre sistemas.
• Cobertura limitada de ameaças não visuais: A IA para visão não consegue detetar problemas como tentativas de phishing, ameaças de cibersegurança, malware, ransomware ou engenharia social, que normalmente exigem tecnologias de IA como o processamento de linguagem natural (NLP) e a análise comportamental ou de redes, em vez de análise visual.

Principais conclusões#

A deteção de ameaças baseada em IA combina visão computacional e práticas modernas de segurança para ajudar as organizações a identificar riscos mais cedo e a responder de forma mais eficaz. Modelos como o Ultralytics YOLO permitem a análise de dados visuais em tempo real, apoiando casos de utilização que vão desde a monitorização de acessos restritos até à segurança de multidões e à proteção dos trabalhadores. Ao passar da monitorização reativa para a consciencialização proativa, a IA para visão ajuda as organizações a melhorar a segurança perante ameaças em evolução, reforçar as operações de segurança e escalar a inteligência de ameaças em ambientes complexos.

Junta-te à nossa comunidade ativa e descobre inovações como a IA na indústria e a IA visual no retalho. Visita o nosso repositório no GitHub e começa hoje a trabalhar com visão computacional, consultando as nossas opções de licenciamento.