Monitorização de segurança em tempo real com IA e Ultralytics YOLO11

As tecnologias de vigilância inteligente desempenham um papel fundamental na proteção de pessoas, propriedades e infraestruturas em todo o mundo. No centro destes esforços estão os sistemas de câmaras, que monitorizam ruas, aeroportos, escolas, escritórios e espaços públicos 24 horas por dia. Com mais de mil milhões de câmaras de vigilância em utilização a nível mundial, a quantidade de vídeo gravado está a crescer mais rapidamente do que nunca.

Tradicionalmente, a análise destas imagens era uma tarefa manual realizada por operadores humanos que examinavam ecrãs à procura de potenciais ameaças. Embora esta abordagem possa funcionar em ambientes menores, torna-se excessiva e ineficiente em maior escala. Também é demorada, o que representa uma grande desvantagem em ambientes movimentados ou com muita afluência.

Atualmente, os sistemas de videovigilância começam a recorrer a soluções de inteligência artificial (AI) para fornecer informações em tempo real e permitir decisões mais fundamentadas. Uma parte essencial deste progresso é a visão computacional, um ramo da IA que permite às máquinas interpretar dados visuais.

Modelos de visão computacional como o Ultralytics YOLO11 foram concebidos para lidar com várias tarefas de deteção de imagens e vídeos em tempo real. Conseguem detetar indivíduos, seguir movimentos e identificar comportamentos invulgares com rapidez e precisão. Mesmo em ambientes complexos, estes modelos permitem que as equipas de segurança se mantenham atentas e reativas.

Neste artigo, vamos explorar como a visão computacional e modelos como o Ultralytics YOLO11 podem ajudar a transformar a forma como a segurança é gerida em diferentes ambientes. Vamos começar!

O papel da visão computacional e da IA nos sistemas de segurança pública#

A indústria da segurança está a adotar rapidamente a visão computacional. Os sistemas de vigilância inteligente que combinam visão computacional, computação de periferia (que processa os dados localmente, perto da fonte) e câmaras CCTV conseguem agora analisar pessoas e veículos em tempo real, ajudando as equipas de segurança a detetar ameaças de forma mais eficiente. À medida que as tecnologias de IA e de câmaras continuam a evoluir, a análise de vídeo torna-se quase tão precisa quanto o olho humano, transformando a forma como protegemos os espaços públicos.

Os sistemas de visão computacional conseguem executar tarefas como detetar objetos, seguir movimentos e reconhecer padrões em vídeos. Isto significa que podem identificar pessoas, detetar comportamentos invulgares e monitorizar atividades à medida que acontecem. Estas capacidades podem tornar os sistemas de vigilância mais avançados e fiáveis, tanto em espaços públicos como privados. Como resultado, prevê-se que o mercado de videovigilância com IA cresça para 12,46 mil milhões de dólares até 2030.

Fig. 1. O papel da visão computacional nos sistemas de segurança. Imagem do autor.

Como o Ultralytics YOLO11 pode permitir sistemas de segurança mais inteligentes#

De seguida, vamos analisar mais de perto o Ultralytics YOLO11 e as funcionalidades que fazem dele uma ferramenta importante para a análise de vídeo em tempo real.

Com base nos avanços recentes em IA e visão computacional, o Ultralytics YOLO11 oferece processamento mais rápido, maior precisão e mais flexibilidade para aplicações como sistemas de segurança baseados em vídeo.

Tal como os modelos YOLO anteriores, o Ultralytics YOLO11 consegue lidar com tarefas complexas de IA de visão, como deteção de objetos (localizar e identificar objetos), segmentação de instâncias (destacar e contornar objetos específicos numa imagem), seguimento de objetos (acompanhar objetos ao longo do tempo) e estimação de pose (compreender como os objetos estão posicionados ou se movem).

O YOLO11 também é muito mais eficiente do que os modelos anteriores. Com menos 22% de parâmetros do que o Ultralytics YOLOv8m, alcança uma precisão média média (mAP) superior no conjunto de dados COCO, o que significa que o YOLO11m deteta objetos com maior precisão usando menos recursos. Além disso, oferece velocidades de processamento mais elevadas, sendo adequado para aplicações em tempo real nas quais a deteção e a resposta rápidas são fundamentais e cada milissegundo conta.

Fig. 2. O YOLO11 supera modelos YOLO anteriores em vários testes de referência.

Utilizar o Ultralytics YOLO11 e a visão computacional em aplicações de segurança#

Agora que compreendemos melhor como a visão computacional funciona nos sistemas de segurança e vigilância, vamos analisar mais de perto algumas aplicações de segurança do mundo real nas quais o Ultralytics YOLO11 pode desempenhar um papel fundamental.

Deteção de intrusões com visão computacional e Ultralytics YOLO11#

Manter seguras as áreas restritas é essencial para garantir a segurança e proteger propriedades. Quer se trate de um local privado, de um armazém ou de uma instalação de transporte público, detetar acessos não autorizados pode evitar incidentes graves.

O Ultralytics YOLO11 pode ajudar na deteção de intrusões em tempo real, identificando pessoas, veículos ou outros objetos em movimento através de transmissões de vídeo. No campo de visão da câmara, podem ser definidas fronteiras virtuais denominadas cercas geográficas. Quando um objeto entra numa zona restrita, o YOLO11 consegue detetar a intrusão e acionar um alerta ou enviar os dados da deteção para um sistema de segurança integrado, para que sejam tomadas medidas adicionais.

Os objetos detetados são destacados com caixas delimitadoras, fornecendo uma indicação visual clara da atividade. Isto reduz a necessidade de monitorização humana contínua e aumenta a probabilidade de detetar incidentes à medida que ocorrem.

Esta abordagem também é útil em contextos de segurança pública. Por exemplo, as linhas amarelas nas plataformas ferroviárias indicam áreas que os passageiros não devem atravessar por motivos de segurança. Nestes cenários, o Ultralytics YOLO11 pode ser utilizado para monitorizar a linha de limite e detetar quando alguém a ultrapassa. O sistema pode então alterar a cor da caixa delimitadora para destacar um potencial problema de segurança. Com capacidades como esta, o YOLO11 permite uma deteção de intrusões mais reativa e fiável em ambientes de alto risco.

Deteção de objetos abandonados em vigilância com o Ultralytics YOLO11#

Um saco sem vigilância num aeroporto ou estação ferroviária movimentados pode rapidamente suscitar preocupações de segurança. Em espaços públicos cheios, é difícil para o pessoal de segurança detetar rapidamente esses objetos, sobretudo durante turnos longos ou horas de ponta. Atrasos na deteção podem provocar pânico desnecessário ou riscos de segurança.

Modelos de visão computacional como o Ultralytics YOLO11 podem melhorar a vigilância ao detetar, segmentar e seguir objetos sem vigilância em transmissões de vídeo em tempo real. Se for identificado que um saco ou pacote permanece imóvel no mesmo local durante demasiado tempo, sem uma pessoa por perto, o sistema pode sinalizá-lo como potencialmente abandonado. Esta camada adicional de análise consegue distinguir objetos com maior precisão e reduzir a necessidade de observação humana constante, permitindo respostas mais rápidas e direcionadas.

Fig. 3. Utilizar o Ultralytics YOLO11 para detetar uma mala.

Contagem de entradas e saídas com modelos de IA como o Ultralytics YOLO11#

Saber quantas pessoas entram e saem de um espaço é fundamental tanto para a segurança como para a eficiência operacional. Em locais como centros comerciais, edifícios de escritórios e estações ferroviárias, estas informações podem simplificar a gestão de grandes multidões, melhorar a disposição dos espaços e manter as operações diárias a funcionar sem problemas.

Antes da adoção da visão computacional, a contagem era normalmente realizada por funcionários que utilizavam contadores manuais ou sensores simples na porta. Estes métodos funcionam, mas não são eficientes perante multidões maiores. Também nem sempre são fiáveis em instalações com várias entradas e saídas.

O suporte do Ultralytics YOLO11 para deteção e seguimento de objetos pode ser utilizado para contar pessoas ou objetos numa região de interesse definida. Pode ajudar a contar entradas e saídas em tempo real, mesmo em espaços grandes ou movimentados. Por exemplo, as lojas de retalho podem utilizar este método para acompanhar o fluxo de pessoas através de vários pontos de entrada, ajudando os gestores a ajustar o pessoal durante as horas de ponta.

Dados precisos sobre entradas e saídas também podem apoiar o planeamento a longo prazo. As informações obtidas a partir desses dados podem ajudar os gestores a estudar os padrões de fluxo de pessoas ao longo do tempo, permitindo identificar zonas de maior afluência e decidir onde colocar sinalização ou reconfigurar entradas para melhorar o conforto e a segurança.

Fig. 4. Um exemplo de um contador de entradas e saídas em tempo real baseado no YOLO11.

Vantagens e desvantagens dos sistemas de vigilância baseados em IA#

Eis algumas das principais vantagens da utilização da visão computacional em sistemas de segurança inteligente:

• Eficiência de custos ao longo do tempo: Embora a configuração inicial possa ser dispendiosa, os sistemas de IA podem reduzir as despesas a longo prazo relacionadas com pessoal, formação e ineficiências operacionais.
• Escalabilidade: As soluções de vigilância com IA são facilmente escaláveis, sendo adequadas desde um pequeno escritório até uma grande rede de câmaras que abranja toda uma cidade.
• Integração fácil com a infraestrutura existente: Muitos modelos de IA, incluindo o Ultralytics YOLO11, foram concebidos para se integrarem perfeitamente nos sistemas CCTV e de segurança atuais, minimizando as perturbações.

Apesar das várias vantagens da vigilância baseada em IA, também existem algumas limitações a ter em conta. Eis alguns dos principais desafios associados aos sistemas de vigilância inteligente:

• Preocupações éticas e de privacidade: Ao utilizar visão computacional em espaços públicos, é importante abordar questões relacionadas com o consentimento, o armazenamento de dados e a forma como as imagens são tratadas, para garantir o respeito pela privacidade.
• Dependência de dados de treino de qualidade: O desempenho dos modelos de visão computacional depende fortemente de conjuntos de dados bem selecionados e diversificados. Dados de treino de baixa qualidade ou enviesados podem provocar deteções imprecisas, identificações incorretas ou resultados discriminatórios.
• Fatores ambientais: Fatores como iluminação insuficiente, condições meteorológicas ou obstruções visuais podem afetar o desempenho da deteção, sobretudo no exterior.

Principais conclusões#

O Ultralytics YOLO11 está a melhorar as soluções de segurança em tempo real, ajudando a detetar pessoas, objetos e atividades invulgares com maior rapidez e precisão. É compatível com aplicações como deteção de intrusões, seguimento de objetos e alertas de permanência prolongada, sendo útil em áreas públicas, locais de trabalho e centros de transporte.

Ao reduzir a necessidade de monitorização manual constante, o Ultralytics YOLO11 permite que as equipas de segurança respondam mais rapidamente e com maior confiança. A sua capacidade de analisar multidões e contar pessoas demonstra como a IA de visão está a moldar o futuro da segurança. À medida que a tecnologia avança, é provável que continue a apoiar sistemas de vigilância mais inteligentes e fiáveis.

Torna-te parte da nossa comunidade e explora o nosso repositório no GitHub para mergulhares no mundo da IA. Explora as aplicações empolgantes da visão computacional no setor automóvel e da IA na logística nas nossas páginas de soluções. Consulta as nossas opções de licenciamento e começa já!