Как использовать модели Ultralytics YOLO для обнаружения угроз с помощью ИИ

Во многих отраслях внедряют искусственный интеллект (AI), чтобы повысить безопасность, эффективность и защиту людей. В офисах, на заводах, в кампусах, на складах и в общественных местах достижение этих целей зависит от понимания происходящего в реальном времени.

Для этого всё чаще используют камеры видеонаблюдения и интеллектуальные системы наблюдения. Однако одного сбора видеозаписей недостаточно.

Традиционные системы часто полагаются на ручной мониторинг со стороны аналитиков или заранее заданные правила, из-за чего трудно распознавать ранние признаки риска. Анализировать большие объёмы визуальных данных в реальном времени непросто, особенно в оживлённой или динамичной обстановке.

Именно поэтому обнаружение угроз с помощью AI играет ключевую роль. Анализируя видеопотоки в реальном времени, системы AI могут выявлять закономерности, модели поведения и ситуации, указывающие на потенциальные угрозы или нападения. В частности, компьютерное зрение — это направление AI, которое позволяет таким системам понимать визуальную информацию и превращать необработанные видеозаписи в полезные для принятия мер данные.

Технология Vision AI позволяет организациям перейти от реактивных мер безопасности к заблаговременному предотвращению возникающих угроз. В этой статье мы разберём, как работает обнаружение угроз с помощью AI и как модели компьютерного зрения, например Ultralytics YOLO26, помогают раньше выявлять риски и обеспечивать более безопасную среду.

Проблемы традиционных систем безопасности#

Прежде чем перейти к тому, как AI улучшает обнаружение угроз, рассмотрим проблемы, с которыми сталкиваются традиционные системы обнаружения угроз.

Большинство существующих решений полагаются на человеческий контроль или инструменты на основе сигнатур, которые обнаруживают угрозы, сопоставляя активность с известными угрозами. Часто службам безопасности приходится одновременно отслеживать потоки с нескольких камер или панели мониторинга, чтобы выявлять возможную несанкционированную активность или отклонения от нормы.

На крупных объектах с сотнями камер быстро становится трудно обрабатывать огромные объёмы данных. В результате некоторые действия могут остаться незамеченными, особенно в сложных местах, например в производственных цехах или закрытых помещениях, таких как серверные.

Ещё одно ограничение — задержка реакции. Традиционные системы обычно обнаруживают злонамеренную активность только после того, как событие уже произошло. Такой подход помогает подтвердить известные угрозы, но не позволяет заранее на них отреагировать.

Из-за этой задержки сложнее реагировать на ситуации, когда физический доступ, например проникновение в закрытую серверную, связан с более широкими проблемами безопасности, включая киберугрозы и кибератаки на центры обработки данных. Системы на базе AI помогают сократить этот разрыв, выявляя уязвимости и ускоряя реагирование.

Что такое обнаружение угроз с помощью AI?#

Обнаружение угроз с помощью AI — это применение искусственного интеллекта для выявления ситуаций, которые могут представлять риск для людей, процессов или инфраструктуры. Вместо простого хранения больших объёмов видео или данных с датчиков такие системы активно анализируют эту информацию и формируют полезные выводы.

К таким выводам относятся автоматический мониторинг, обнаружение аномалий и ранние предупреждения, которые оповещают службы безопасности о потенциальных проблемах. Этот подход важен как для кибербезопасности, так и для физической безопасности.

Главное различие между традиционными методами и обнаружением угроз с помощью AI заключается в том, как именно выявляются риски. Например, традиционные методы основаны на системах с заданными правилами и ручной проверке, что ограничивает их способность адаптироваться к изменениям.

Системы AI, напротив, более адаптивны. Они используют данные и алгоритмы, чтобы анализировать визуальную информацию в реальном времени и выявлять необычное поведение. Это помогает обнаруживать неизвестные или новые угрозы и быстрее реагировать на инциденты, давая службам безопасности больше времени на действия, а в некоторых случаях — ещё до того, как ситуация обострится.

Автоматизация обнаружения угроз с помощью Vision AI#

Существует много видов обнаружения угроз с помощью AI: от мер кибербезопасности на основе AI до систем мониторинга физических пространств. Для разных задач обнаружения угроз применяются разные методы AI.

Например, компьютерное зрение хорошо подходит для выявления рисков, заметных в реальном мире. Многие потенциальные угрозы можно увидеть на камерах: это несанкционированный доступ в закрытые зоны, необычные перемещения или предметы в неожиданных местах.

В частности, модели компьютерного зрения, такие как Ultralytics YOLO26, можно использовать для анализа видеопотоков в реальном времени, распознавания объектов и отслеживания перемещений. YOLO26 поддерживает целый ряд задач компьютерного зрения, включая обнаружение объектов, отслеживание объектов и сегментацию экземпляров.

Рис. 1. Использование моделей YOLO для обнаружения и сегментации потенциальных опасностей, например дыма (Источник)

Эти возможности позволяют системам распознавать людей, транспортные средства и представляющие интерес объекты, отслеживать их перемещения в разных сценах и выявлять поведение, отклоняющееся от обычных моделей. Применяя такие модели к видеопотокам с камер безопасности, организации могут перейти от пассивного наблюдения к получению полезных данных о потенциальных рисках по мере их возникновения.

При развёртывании на периферийных устройствах такие системы работают с низкой задержкой и не зависят постоянно от облачной инфраструктуры, поэтому подходят для реальных условий на заводах, складах, в кампусах и центрах обработки данных.

Как модели Ultralytics YOLO можно использовать для обнаружения угроз с помощью AI#

Модели Ultralytics YOLO, включая YOLO26, предназначены для реальных приложений, где важны скорость и стабильность. Архитектура YOLO26 с поддержкой периферийных устройств снижает зависимость от сложных конвейеров постобработки, упрощая интеграцию в стандартные процессы безопасности на объекте.

Как и предыдущие модели YOLO, Ultralytics YOLO26 предварительно обучена на масштабных наборах данных, таких как COCO, что обеспечивает надёжную основу для распознавания людей, транспортных средств и других повседневных объектов. Для обнаружения угроз YOLO26 можно дообучить на качественных обучающих данных, специфичных для приложения, чтобы выявлять людей в закрытых зонах, отслеживать перемещения по охраняемым зонам и обнаруживать предметы, нарушающие правила безопасности, например оставленные без присмотра вещи в аэропорту.

После обучения модель может обобщать знания на новые данные и сохранять надёжность обнаружения при изменении условий. При интеграции в более крупные конвейеры обнаружения её результаты можно использовать для сопоставления визуальных обнаружений с сигналами других систем. Это позволяет проводить анализ более высокого уровня, например анализировать поведение и точнее оценивать угрозы.

Практическое применение моделей YOLO в системах безопасности#

Теперь, когда мы лучше понимаем, как Vision AI помогает выявлять риски, рассмотрим несколько реальных примеров использования этой технологии для обнаружения угроз.

Контроль закрытых зон с помощью YOLO#

В таких отраслях, как промышленное производство и нефтегазовая отрасль, доступ в некоторые зоны объектов, например на заводах, разрешён только уполномоченному персоналу. Часто это необходимо для безопасности, поскольку в таких зонах могут находиться опасное оборудование, материалы или процессы, требующие специальной подготовки.

Контролировать доступ в эти зоны и обеспечивать соблюдение правил безопасности необходимо, чтобы предотвращать несчастные случаи, защищать активы и поддерживать непрерывность работы. Обычно такие зоны контролируют с помощью сочетания надзора сотрудников, 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 безопасности обычно требуют постоянного внимания сотрудников.

По мере роста и усложнения объектов выявлять опасную или несанкционированную активность в реальном времени становится всё труднее. Более надёжным решением может стать Vision AI.

Такие системы непрерывно анализируют видеопотоки, выявляя проблемы безопасности. Полученные данные можно интегрировать в существующие процессы обнаружения вторжений, чтобы запускать автоматические действия или отправлять уведомления, позволяя сотрудникам службы безопасности немедленно реагировать.

Например, в недавнем исследовании изучалось, как Ultralytics YOLOv8, входящую в семейство моделей Ultralytics YOLO, можно использовать для обнаружения запрещённых предметов в закрытых зонах. В этом случае модель обучили распознавать мобильные телефоны в зонах с повышенными требованиями безопасности. Обучаясь на визуальных данных, специфичных для приложения, система смогла выявлять нарушения правил в реальном времени, помогая повысить уровень их соблюдения и снизить риски для безопасности без увеличения нагрузки на сотрудников.

Рис. 2. Пример обнаружения использования мобильного телефона в закрытой зоне фабрики (Источник)

Интеллектуальный мониторинг скоплений людей в общественных местах#

В людных общественных местах, таких как транспортные узлы, крупные мероприятия или оживлённые центры городов, важно понимать, как перемещаются и ведут себя люди, чтобы поддерживать общественную безопасность. Высокая плотность скопления людей, внезапные изменения в движении или падения могут быстро привести к опасным ситуациям, если вовремя их не обнаружить.

Традиционные системы мониторинга скоплений людей сильно зависят от операторов, которые наблюдают за несколькими экранами: из-за этого легко не заметить незначительные, но важные изменения в поведении толпы. Vision AI улучшает мониторинг скоплений людей, автоматически анализируя видеопотоки с камер в реальном времени.

Модели, такие как Ultralytics YOLO26, позволяют обнаруживать и отслеживать людей в толпе, контролировать характер их перемещения и выявлять такие ситуации, как падения или длительное пребывание человека на земле. Эти сигналы могут указывать на потенциальные угрозы безопасности, особенно в плотной или быстро движущейся толпе.

Рис. 3. Обнаружение падения с помощью моделей YOLO (Источник)

Помимо базовых задач, например подсчёта людей, системы на основе компьютерного зрения также могут предоставлять важную информацию системам ИИ, которые выявляют скопления людей, аномальное движение толпы или поведение, отклоняющееся от обычных моделей. Обнаруживая такие ранние признаки, организации могут быстрее реагировать на ситуации, которые могут угрожать общественной безопасности, и своевременно принимать меры без необходимости постоянного ручного мониторинга.

Обеспечение безопасности работников на стройке#

На действующих строительных площадках возникают самые разные риски для безопасности и охраны труда: условия часто меняются, а работники, транспорт и тяжёлая техника перемещаются по общим зонам. Несанкционированный доступ в закрытые зоны, отсутствие средств индивидуальной защиты (СИЗ) или опасное взаимодействие работников с техникой могут быстро привести к происшествиям, если их вовремя не выявить.

Vision AI помогает справляться с этими рисками, постоянно анализируя видеопотоки с камер на объекте. Модели компьютерного зрения, такие как Ultralytics YOLO26, могут обнаруживать и отслеживать работников в разных зонах и одновременно контролировать соблюдение требований безопасности, в том числе использование средств индивидуальной защиты, таких как каски и сигнальные жилеты.

Рис. 4. YOLO можно использовать для мониторинга строительных площадок (Источник)

Отслеживая модели перемещения и поведения в реальном времени, такие системы могут выявлять потенциальные опасности до того, как ситуация обострится. Помимо улучшения контроля за безопасностью, мониторинг на основе компьютерного зрения снижает зависимость от периодических ручных проверок и помогает быстрее реагировать на опасные ситуации.

Плюсы и минусы использования моделей ИИ для обнаружения угроз#

Вот несколько ключевых преимуществ использования возможностей Vision AI для обнаружения угроз:

• Непрерывная работа: Системы ИИ и модели обнаружения работают круглосуточно и не устают от потока оповещений, поэтому они хорошо подходят для сред, требующих постоянного мониторинга.
• Улучшение координации между командами: Общие оповещения и аналитические данные помогают командам безопасности, охраны труда и эксплуатации эффективнее взаимодействовать и принимать более взвешенные решения.
• Масштабируемость: Системы Vision AI можно развернуть на множестве камер и объектов без пропорционального увеличения штата, что упрощает расширение мониторинга по мере усложнения среды.

Несмотря на очевидные преимущества Vision AI для обнаружения угроз, важно учитывать и некоторые ограничения. Вот несколько проблем, о которых стоит помнить:

• Зависимость от качества данных: Неудачное размещение камер или низкое качество входных данных могут ограничить возможности обнаружения, особенно при выявлении незаметных поведенческих признаков или редких событий.
• Риски для конфиденциальности данных: Непрерывный мониторинг может затрагивать конфиденциальные данные, поэтому необходимы надёжные меры защиты от неправомерного использования, особенно в сценариях с рисками уязвимостей нулевого дня или горизонтальным перемещением по системам.
• Ограниченные возможности обнаружения невизуальных угроз: Vision AI не может обнаруживать такие проблемы, как фишинговые атаки, угрозы кибербезопасности, вредоносное ПО, программы-вымогатели или социальная инженерия. Для этого обычно нужны технологии ИИ, например обработка естественного языка (NLP), а также поведенческий анализ или анализ сети, а не визуальный анализ.

Главные выводы#

Обнаружение угроз на основе ИИ сочетает компьютерное зрение и современные методы обеспечения безопасности, помогая организациям раньше выявлять риски и эффективнее реагировать на них. Модели, такие как Ultralytics YOLO, обеспечивают анализ визуальных данных в реальном времени и поддерживают сценарии от мониторинга доступа в закрытые зоны до обеспечения безопасности толпы и защиты работников. Переходя от реактивного мониторинга к проактивному выявлению угроз, Vision AI помогает организациям повышать безопасность в условиях меняющихся угроз, укреплять процессы защиты и масштабировать сбор данных об угрозах в сложных средах.

Присоединяйся к нашему активному сообществу и узнай о таких инновациях, как ИИ в производстве и ИИ для компьютерного зрения в розничной торговле. Посети наш репозиторий GitHub и начни работать с компьютерным зрением уже сегодня — ознакомься с нашими вариантами лицензирования.