Sintonize na YOLO Vision 2025!
25 de setembro de 2025
10:00 — 18:00 BST
Evento híbrido
Yolo Vision 2024

Monitoramento de segurança em tempo real com IA e Ultralytics YOLO11

Abirami Vina

Leitura de 5 minutos

4 de junho de 2025

Descubra como o Ultralytics YOLO11 está a redefinir a monitorização de segurança em tempo real com IA, melhorando a deteção de ameaças em direto e permitindo uma vigilância mais inteligente.

As tecnologias de vigilância inteligentes desempenham um papel vital na proteção de pessoas, bens 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 depressa do que nunca.

Tradicionalmente, a revisão dessas filmagens tem sido uma tarefa manual realizada por operadores humanos que examinam telas em busca de ameaças potenciais. Embora essa abordagem possa funcionar em ambientes menores, ela se torna opressiva e ineficiente em escalas maiores. Também consome muito tempo, o que é uma grande desvantagem em ambientes movimentados ou lotados.

Hoje, os sistemas de vigilância por vídeo estão começando a contar com soluções de inteligência artificial (IA) para fornecer insights em tempo real para tomar decisões mais bem informadas. Uma parte fundamental desse progresso é a visão computacional, um ramo da IA que permite que as máquinas interpretem dados visuais.

Os modelos de visão computacional como o Ultralytics YOLO11 são projetados para lidar com várias tarefas de deteção de imagem e vídeo em tempo real. Eles podem detetar indivíduos, rastrear movimentos e identificar comportamentos incomuns com rapidez e precisão. Mesmo em ambientes complexos, esses modelos permitem que as equipas de segurança permaneçam alertas e responsivas. 

Neste artigo, exploraremos como a visão computacional e modelos como o YOLO11 podem ajudar a mudar a forma como a segurança é gerenciada em diferentes ambientes. Vamos começar!

O papel da visão computacional e da IA em sistemas de segurança pública

O setor de segurança está adotando rapidamente a visão computacional. Sistemas de vigilância inteligentes que combinam visão computacional, computação de borda (que processa dados localmente, perto da fonte) e câmeras de CFTV agora podem analisar pessoas e veículos em tempo real, ajudando as equipes de segurança a detectar ameaças de forma mais eficiente. À medida que a IA e as tecnologias de câmera continuam a avançar, a análise de vídeo está se tornando quase tão nítida quanto o olho humano, remodelando a forma como protegemos os espaços públicos.

Os sistemas de visão computacional podem realizar tarefas como detetar objetos, rastrear movimentos e reconhecer padrões em vídeos. Isto significa que podem identificar pessoas, detetar comportamentos invulgares e monitorizar a atividade à medida que acontece. Tais capacidades podem tornar os sistemas de vigilância mais avançados e fiáveis em espaços públicos e privados. Como resultado, espera-se que o mercado de videovigilância com IA cresça para 12,46 mil milhões de dólares até 2030.

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

Como o YOLO11 da Ultralytics pode habilitar sistemas de segurança mais inteligentes

Em seguida, vamos dar uma olhada mais de perto no Ultralytics YOLO11 e nos recursos que o tornam uma ferramenta impactante para análise de vídeo em tempo real.

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

Semelhante aos modelos YOLO anteriores, o YOLO11 pode lidar com tarefas complexas de Visão de IA, como detecção de objetos (localizar e identificar objetos), segmentação de instâncias (destacando e delineando objetos específicos em uma imagem), rastreamento de objetos (seguindo objetos ao longo do tempo) e estimativa de pose (compreendendo como os objetos estão posicionados ou se movendo).

YOLO11 também é muito mais eficiente do que os modelos anteriores. Com 22% menos parâmetros do que o Ultralytics YOLOv8m, ele alcança uma precisão média (mAP) mais alta no conjunto de dados COCO, o que significa que o YOLO11m detecta objetos com mais precisão, utilizando menos recursos. Além disso, oferece velocidades de processamento mais rápidas, tornando-o adequado para aplicações em tempo real onde a detecção e resposta rápidas são críticas e cada milissegundo conta.

__wf_reserved_inherit
Fig 2. O YOLO11 supera os modelos YOLO anteriores em vários testes de benchmark.

Utilização do YOLO11 e da visão computacional para aplicações de segurança

Agora que temos uma melhor compreensão de como a visão computacional funciona em sistemas de segurança e vigilância, vamos analisar mais de perto algumas aplicações de segurança do mundo real onde o YOLO11 pode desempenhar um papel fundamental.

Detecção de intrusão usando visão computacional e YOLO11

Manter áreas restritas seguras é essencial para garantir a segurança e proteger a propriedade. Seja um local privado, armazém ou instalação de transporte público, detectar acesso não autorizado pode prevenir incidentes graves.

O YOLO11 pode ajudar na detecção de intrusão em tempo real, identificando pessoas, veículos ou outros objetos em movimento por meio de feeds de vídeo. Dentro do campo de visão da câmera, limites virtuais chamados de geo-cercas podem ser definidos. Quando um objeto cruza uma zona restrita, o YOLO11 pode detectar a intrusão e acionar um alerta ou passar os dados de detecção para um sistema de segurança integrado para ação adicional.

Os objetos detectados são destacados com caixas delimitadoras, fornecendo uma indicação visual clara da atividade. Isso reduz a necessidade de monitoramento humano contínuo e aumenta as chances de detectar incidentes à medida que ocorrem.

Essa abordagem também é útil em ambientes de segurança pública. Por exemplo, linhas amarelas em plataformas de trem indicam áreas que os passageiros não devem cruzar por motivos de segurança. Nesses cenários, o YOLO11 pode ser usado para monitorar a linha de limite e detectar quando alguém a ultrapassa. O sistema pode então mudar a cor da caixa delimitadora para destacar uma possível preocupação de segurança. Com recursos como este, o YOLO11 permite uma detecção de intrusão mais responsiva e confiável em ambientes de alto risco.

Detecção de objetos abandonados em vigilância com YOLO11

Uma mala não supervisionada em um aeroporto ou estação de trem movimentada pode levantar preocupações de segurança rapidamente. Em espaços públicos lotados, é um desafio para o pessoal de segurança identificar tais objetos rapidamente, especialmente durante longos turnos ou horários de pico. Atrasos na detecção podem levar a pânico desnecessário ou riscos de segurança.

Os modelos de visão computacional como o YOLO11 podem ajudar a melhorar a vigilância, detetando, segmentando e rastreando objetos não vigiados em feeds de vídeo em tempo real. Se uma mala ou pacote for identificado como permanecendo estacionário num local por muito tempo sem uma pessoa por perto, o sistema pode sinalizá-lo como potencialmente abandonado. Esta camada adicional de análise pode distinguir objetos com mais precisão e reduzir a necessidade de observação humana constante, permitindo respostas mais rápidas e focadas.

__wf_reserved_inherit
Fig 3. Utilização do YOLO11 para detectar uma mala.

Contagem de entrada e saída com modelos de IA como o YOLO11

Saber quantas pessoas estão a entrar e a sair de um espaço é vital tanto para a segurança como para a eficiência operacional. Em locais como centros comerciais, edifícios de escritórios e estações de comboio, esta informação pode agilizar a gestão de grandes multidões, melhorar os layouts e manter as operações diárias a funcionar sem problemas.

Antes da adoção da visão computacional, a contagem era normalmente feita por funcionários usando contadores manuais ou sensores simples na porta. Tais métodos funcionam, mas não são eficientes ao lidar com grandes multidões. Também nem sempre são confiáveis em instalações com múltiplas entradas e saídas. 

O suporte do YOLO11 para detecção e rastreamento de objetos pode ser usado para contar pessoas ou objetos dentro de uma região de interesse definida. Ele pode ajudar a contar entradas e saídas em tempo real, mesmo em espaços grandes ou lotados. Por exemplo, lojas de varejo podem usar este método para rastrear o tráfego de pedestres em vários pontos de entrada, auxiliando os gerentes no ajuste da equipe durante os horários de pico. 

Dados precisos de entrada e saída também podem apoiar o planejamento de longo prazo. Os insights de tais dados podem ajudar os gestores a estudar os padrões de tráfego de pedestres ao longo do tempo, tornando possível identificar zonas de alto tráfego e decidir onde colocar sinais ou reconfigurar as entradas para melhorar o conforto e a segurança.

__wf_reserved_inherit
Fig. 4. Um exemplo de um contador de entrada e saída em tempo real habilitado pelo YOLO11.

Prós e contras de sistemas de vigilância com tecnologia de IA

Aqui estão alguns dos principais benefícios de usar visão computacional em sistemas de segurança inteligentes:

  • Eficiência de custo ao longo do tempo: Embora a configuração inicial possa ser dispendiosa, os sistemas de IA podem reduzir as despesas de longo prazo relacionadas com pessoal, formação e ineficiências operacionais.
  • Escalabilidade: As soluções de vigilância por IA são facilmente escaláveis, tornando-as adequadas para qualquer coisa, desde um pequeno escritório até uma grande rede de câmeras em toda a cidade.
  • Fácil integração com a infraestrutura existente: Muitos modelos de IA, incluindo o YOLO11, são projetados para se integrar perfeitamente com os atuais sistemas de CFTV e segurança, minimizando a interrupção.

Apesar das várias vantagens da vigilância alimentada por IA, também existem algumas limitações a serem consideradas. Aqui estão alguns dos principais desafios associados aos sistemas de vigilância inteligentes: 

  • Ética epreocupações com a privacidade: Ao usar a visão computacional em espaços públicos, é importante abordar questões relacionadas ao consentimento, armazenamento de dados e como as filmagens são tratadas para garantir que a privacidade seja respeitada.
  • Dependência de dados de treinamento de qualidade: O desempenho dos modelos de visão computacional depende muito de conjuntos de dados diversos e bem selecionados. Dados de treinamento inadequados ou tendenciosos podem levar a detecção imprecisa, identificação incorreta ou resultados discriminatórios.
  • Fatores ambientais: Fatores como iluminação precária, clima ou obstruções visuais podem afetar o desempenho da detecção, principalmente em ambientes externos.

Principais conclusões

YOLO11 está aprimorando as soluções de segurança em tempo real, ajudando a detectar pessoas, objetos e atividades incomuns com maior velocidade e precisão. Ele oferece suporte a aplicações como detecção de intrusão, rastreamento de objetos e alertas de permanência, tornando-o útil em áreas públicas, locais de trabalho e centros de transporte.

Ao reduzir a necessidade de monitoramento manual constante, o YOLO11 permite que as equipes de segurança respondam de forma mais rápida e confiante. Sua capacidade de lidar com análise de multidões e contagem de pessoas mostra como a Visão de IA está moldando o futuro da segurança. À medida que a tecnologia avança, é provável que continue a dar suporte a sistemas de vigilância mais inteligentes e confiáveis.

Faça parte da nossa comunidade e explore nosso repositório GitHub para mergulhar no mundo da IA. Explore as aplicações interessantes de visão computacional na indústria automotiva e IA na logística em nossas páginas de soluções. Dê uma olhada em nossas opções de licenciamento e comece agora!

Vamos construir o futuro
da IA juntos!

Comece sua jornada com o futuro do aprendizado de máquina

Comece gratuitamente
Link copiado para a área de transferência