Взгляд на использование моделей Ultralytics YOLO для обнаружения угроз с помощью ИИ

Во многих отраслях внедряется искусственный интеллект (ИИ) для повышения безопасности, эффективности и создания более безопасной среды. В таких местах, как офисы, заводы, университетские городки, склады и общественные пространства, достижение этих целей зависит от понимания того, что происходит в режиме реального времени.

Для поддержки этого всё более распространенными становятся камеры наблюдения и интеллектуальные системы мониторинга. Однако одного сбора видеозаписей недостаточно.

Традиционные системы часто полагаются на ручной мониторинг аналитиками или предопределенные правила, что затрудняет распознавание ранних признаков риска. Интерпретация больших объемов визуальных данных в режиме реального времени может быть сложной задачей, особенно в загруженных или динамичных условиях.

Именно здесь критически важным становится обнаружение угроз с помощью ИИ. Анализируя прямые видеотрансляции, системы ИИ могут выявлять закономерности, поведение и ситуации, которые могут указывать на потенциальные угрозы или атаки. В частности, компьютерное зрение — это отрасль ИИ, позволяющая таким системам понимать визуальную информацию и превращать «сырые» кадры в полезные для принятия решений данные.

Благодаря технологии машинного зрения организации могут перейти от реактивных мер безопасности к проактивному предотвращению возникающих угроз. В этой статье мы рассмотрим, как работает обнаружение угроз с помощью ИИ и как модели машинного зрения, такие как Ultralytics YOLO26, помогают выявлять риски раньше и обеспечивать более безопасную среду.

Link to this sectionПроблемы традиционных систем безопасности#

Прежде чем мы перейдем к тому, как ИИ улучшает обнаружение угроз, давай сначала взглянем на проблемы, с которыми сталкиваются традиционные системы обнаружения угроз.

Большинство существующих решений полагаются на человеческий контроль или инструменты, основанные на сигнатурах, которые обнаруживают угрозы, сопоставляя активность с известными угрозами. Это часто требует, чтобы службы безопасности следили за несколькими каналами камер или дашбордами одновременно для выявления потенциально несанкционированной активности или отклонений от нормального поведения.

На крупных объектах с сотнями камер управление огромными объемами данных быстро становится сложным. В результате некоторые действия могут быть упущены, особенно в сложных зонах, таких как цеха заводов или ограниченные пространства, например, серверные комнаты.

Еще одно ограничение — задержка реакции. Традиционные системы обычно обнаруживают вредоносную активность только после того, как событие уже произошло. Хотя это работает для подтверждения известных проблем, это означает невозможность раннего реагирования на угрозы.

Эта задержка может затруднить решение ситуаций, когда физический доступ, например, проникновение в ограниченную серверную комнату, способствует более широким проблемам безопасности, включая киберугрозы и кибератаки на центры обработки данных. Системы на базе ИИ помогают сократить этот разрыв, выявляя уязвимости и обеспечивая более быстрое реагирование.

Link to this sectionЧто такое обнаружение угроз с помощью ИИ?#

Обнаружение угроз с помощью ИИ — это использование искусственного интеллекта для выявления ситуаций, которые могут представлять риск для людей, операций или инфраструктуры. Вместо того чтобы просто хранить большие объемы видео или данных с датчиков, системы обнаружения угроз на базе ИИ активно анализируют эту информацию для формирования значимых выводов.

Эти выводы могут включать автоматизированный мониторинг, обнаружение аномалий и сигналы раннего предупреждения, которые оповещают службы безопасности о потенциальных проблемах. Такой подход играет важную роль как в контексте кибербезопасности, так и в обеспечении физической безопасности.

Главное различие между традиционными методами и обнаружением угроз с помощью ИИ заключается в том, как выявляются риски. Например, традиционные методы опираются на системы, основанные на правилах, и ручную проверку, что ограничивает их способность адаптироваться к изменениям.

С другой стороны, системы ИИ более адаптивны. Они используют данные и алгоритмы для анализа визуальной информации в режиме реального времени и выявления необычного поведения. Это помогает им обнаруживать неизвестные или новые угрозы и поддерживать быстрое реагирование на инциденты, давая службам безопасности больше времени на действия, а в некоторых случаях — даже до того, как ситуация обострится.

Link to this sectionАвтоматизация обнаружения угроз с помощью машинного зрения#

Существует много типов обнаружения угроз с помощью ИИ, начиная от мер кибербезопасности на базе ИИ и заканчивая системами, контролирующими физические пространства. Различные методы ИИ поддерживают разные потребности в обнаружении угроз.

Например, компьютерное зрение — это хороший вариант для идентификации рисков, которые можно увидеть в реальном мире. Многие потенциальные угрозы можно заметить через камеры, например, несанкционированный доступ в ограниченные зоны, необычные движения или наличие объектов в неожиданных местах.

В частности, модели компьютерного зрения, такие как Ultralytics YOLO26, могут быть использованы для анализа прямых видеотрансляций с целью распознавания объектов и отслеживания движения. YOLO26 поддерживает широкий спектр задач машинного зрения, включая обнаружение объектов, их отслеживание и сегментацию экземпляров.

Рис 1. Использование моделей YOLO для обнаружения и сегментации потенциальных опасностей, таких как дым (Источник)

Эти возможности позволяют системам идентифицировать людей, транспортные средства или интересующие объекты, отслеживать их перемещение по сцене и помечать поведение, отклоняющееся от нормальных шаблонов. Применяя эти модели к каналам камер видеонаблюдения, организации могут выйти за рамки пассивного мониторинга и получить ценную информацию о потенциальных рисках по мере их возникновения.

При развертывании на граничных устройствах (edge) такие системы могут работать с низкой задержкой и без постоянной зависимости от облачных сред, что делает их подходящими для реальных условий, таких как заводы, склады, кампусы и дата-центры.

Link to this sectionКак модели Ultralytics YOLO могут быть использованы для обнаружения угроз с помощью ИИ#

Модели Ultralytics YOLO, такие как YOLO26, разработаны для реальных приложений, где скорость и согласованность имеют решающее значение. Дизайн YOLO26 с поддержкой граничных вычислений снижает зависимость от сложных конвейеров постобработки, упрощая интеграцию в стандартные операционные процессы безопасности на объектах.

Подобно предыдущим моделям YOLO, Ultralytics YOLO26 предварительно обучена на крупномасштабных наборах данных, таких как COCO, обеспечивая надежную базу для распознавания таких объектов, как люди, транспортные средства и другие повседневные предметы. Для задач обнаружения угроз YOLO26 может быть дообучена на высококачественных данных, специфичных для конкретного приложения, чтобы идентифицировать людей в ограниченных зонах, отслеживать движение через охраняемые зоны и помечать объекты, нарушающие правила безопасности, например, оставленные предметы в аэропорту.

После обучения модель может обобщать новые данные, позволяя поддерживать надежную производительность обнаружения по мере изменения условий. При интеграции в более крупные конвейеры обнаружения, её выводы могут быть использованы для сопоставления визуальных обнаружений с сигналами от других систем, поддерживая анализ более высокого уровня, такой как поведенческий анализ и улучшенная оценка угроз.

Link to this sectionРеальные применения моделей YOLO в инструментах безопасности#

Теперь, когда у нас есть лучшее понимание того, как машинное зрение помогает выявлять риски, давай разберем несколько примеров из реальной жизни того, как оно используется для обнаружения угроз.

Link to this sectionМониторинг ограниченных зон с помощью YOLO#

В промышленных секторах, таких как производство и нефтегазовая отрасль, некоторые зоны на объектах, например, заводы, открыты только для авторизованного персонала. Часто это вопрос безопасности, так как в этих зонах может находиться опасное оборудование, материалы или процессы, требующие специальной подготовки.

Мониторинг доступа в эти зоны и обеспечение соблюдения правил безопасности необходимы для предотвращения несчастных случаев, защиты активов и поддержания непрерывности операций. Как правило, такие зоны контролируются с помощью комбинации человеческого надзора, систем контроля доступа и камер безопасности.

Однако у этих подходов есть ограничения. Ручной контроль плохо масштабируется, системы контроля доступа отслеживают только точки входа, а камеры видеонаблюдения обычно требуют постоянного внимания человека.

По мере того как объекты становятся больше и сложнее, становится всё труднее обнаруживать небезопасную или несанкционированную активность в режиме реального времени. Машинное зрение может стать гораздо более надежным подходом.

Оно работает путем непрерывного анализа видеопотоков для выявления проблем безопасности. Эти выводы могут быть интегрированы в существующие рабочие процессы обнаружения вторжений, которые могут запускать автоматические реакции или оповещения, чтобы службы безопасности могли немедленно принять меры.

Например, недавнее исследование изучило, как Ultralytics YOLOv8, часть семейства моделей Ultralytics YOLO, может быть использована для обнаружения запрещенных предметов в ограниченных зонах. В этом случае модель была обучена определять наличие мобильных телефонов в зонах, чувствительных к безопасности. Обучаясь на визуальных данных, специфичных для приложения, система смогла помечать нарушения политики в реальном времени, помогая улучшить соблюдение правил и снизить риски безопасности, не увеличивая нагрузку на персонал.

Рис 2. Пример обнаружения использования мобильного телефона в ограниченной зоне завода (Источник)

Link to this sectionИнтеллектуальный мониторинг толпы в общественных местах#

В людных общественных местах, таких как транспортные узлы, крупные мероприятия или оживленные городские центры, понимание того, как люди двигаются и ведут себя, важно для поддержания общественной безопасности. Высокая плотность толпы, внезапные изменения в движении или падение людей могут быстро создать рискованные ситуации, если их не обнаружить вовремя.

Традиционные системы мониторинга толпы сильно зависят от операторов, наблюдающих за несколькими экранами, из-за чего легко пропустить тонкие, но важные изменения в поведении толпы. Машинное зрение улучшает мониторинг толпы, автоматически анализируя видеопотоки с камер в реальном времени.

Модели, такие как YOLO26, могут использоваться для обнаружения и отслеживания людей в людных сценах, мониторинга шаблонов движения и выявления ситуаций, таких как падения или нахождение людей на земле в течение длительного времени. Эти сигналы могут указывать на потенциальные проблемы безопасности, особенно в плотных или быстро движущихся толпах.

Рис 3. Обнаружение падения, обеспеченное моделями YOLO (Источник)

Помимо базовых задач, таких как подсчет людей, системы на базе зрения могут также предоставлять ключевые данные для систем ИИ, которые фокусируются на выявлении скоплений, аномальных потоков толпы или поведения, отклоняющегося от нормы. Обнаруживая эти ранние индикаторы, организации могут быстрее реагировать на ситуации, которые могут представлять риск для общественной безопасности, поддерживая своевременное вмешательство без необходимости постоянного ручного мониторинга.

Link to this sectionОбеспечение безопасности рабочих на строительстве#

Действующие строительные площадки представляют ряд рисков для безопасности, так как условия часто меняются, а рабочие, транспортные средства и тяжелая техника перемещаются по общим пространствам. Несанкционированный доступ в ограниченные зоны, отсутствие средств индивидуальной защиты (СИЗ) или небезопасное взаимодействие между рабочими и техникой могут быстро привести к инцидентам, если их не выявить на ранней стадии.

Машинное зрение помогает справиться с этими рисками, непрерывно анализируя видеопотоки с камер на площадке. Модели компьютерного зрения, такие как YOLO26, могут обнаруживать и отслеживать рабочих в нескольких зонах, контролируя соблюдение требований безопасности, включая использование СИЗ, таких как каски или сигнальные жилеты.

Рис 4. YOLO может использоваться для мониторинга строительных зон (Источник)

Наблюдая за паттернами движения и поведением в режиме реального времени, эти системы могут помечать потенциальные опасности до того, как они обострятся. Помимо улучшения контроля безопасности, мониторинг на основе зрения снижает зависимость от периодических ручных проверок и поддерживает более быстрое реагирование на небезопасные ситуации.

Link to this sectionПлюсы и минусы использования моделей ИИ для обнаружения угроз#

Вот некоторые ключевые преимущества использования возможностей машинного зрения для обнаружения угроз:

• Непрерывная работа: Системы ИИ и модели обнаружения работают круглосуточно без усталости от оповещений, что делает их хорошо подходящими для сред, требующих постоянного мониторинга.
• Улучшенная координация между командами: Общие оповещения и инсайты облегчают работу команд безопасности, охраны и операционных отделов, позволяя использовать эту информацию для более разумного принятия решений.
• Масштабируемость: Системы машинного зрения могут быть развернуты на множестве камер и объектов без пропорционального увеличения штата сотрудников, что облегчает расширение мониторинга по мере усложнения сред.

Хотя машинное зрение предоставляет явные преимущества в отношении обнаружения угроз, также важно учитывать несколько ограничений. Вот некоторые проблемы, о которых стоит помнить:

• Чувствительность к качеству данных: Плохое размещение камер или низкокачественные входные данные могут ограничить возможности обнаружения, особенно при выявлении тонких моделей поведения или редких событий.
• Вопросы конфиденциальности данных: Непрерывный мониторинг может затрагивать конфиденциальные данные, требуя надежных мер защиты для предотвращения злоупотреблений, особенно в сценариях, связанных с рисками нулевого дня или латеральным перемещением внутри систем.
• Ограниченное покрытие невизуальных угроз: Машинное зрение не может обнаружить такие проблемы, как фишинговые попытки, киберугрозы, вредоносное ПО, программы-вымогатели или социальная инженерия, для чего обычно требуются технологии ИИ, такие как обработка естественного языка (NLP) и поведенческий или сетевой анализ, а не визуальный анализ.

Link to this sectionОсновные выводы#

Обнаружение угроз на основе ИИ сочетает в себе компьютерное зрение и современные методы безопасности, помогая организациям выявлять риски раньше и реагировать более эффективно. Модели, такие как Ultralytics YOLO, обеспечивают анализ визуальных данных в реальном времени, поддерживая сценарии использования от мониторинга ограниченного доступа до безопасности толпы и защиты рабочих. Переходя от реактивного мониторинга к проактивной осведомленности, машинное зрение помогает организациям повысить безопасность перед лицом развивающихся угроз, укрепить операционную деятельность и масштабировать разведку угроз в сложных средах.

Присоединяйся к нашему активному сообществу и открывай для себя инновации, такие как ИИ в производстве и ИИ зрения в рознице. Посети наш репозиторий GitHub и начни работу с компьютерным зрением уже сегодня, ознакомившись с нашими вариантами лицензирования.