了解如何使用 Ultralytics YOLO 模型进行 AI 威胁检测

在许多行业中，人们正在采用人工智能 (AI)来提升安全性、提高效率并营造更安全的环境。在办公室、工厂、园区、仓库和公共场所等地点，实现这些目标取决于能否实时了解正在发生的情况。

为此，安全摄像头和智能监控系统正变得越来越普遍。然而，仅仅收集视频影像还不够。

传统系统通常依靠人工分析人员进行监控，或依赖预先定义的规则，因此很难发现风险的早期迹象。在实时环境中解读海量视觉数据可能十分困难，尤其是在繁忙或动态变化的场景中。

这正是 AI 驱动的威胁检测发挥关键作用的地方。通过分析实时视频流，AI 系统可以识别可能预示潜在威胁或潜在攻击的模式、行为和情况。具体来说，计算机视觉是 AI 的一个分支，能够让这些系统理解视觉信息，并将原始影像转化为可执行的洞见。

借助视觉 AI 技术，组织可以从被动的安全措施转向主动预防新兴威胁。本文将探讨 AI 威胁检测的工作原理，以及 Ultralytics YOLO26 等视觉模型如何帮助更早发现风险，并营造更安全的环境。

传统安全系统面临的挑战#

在深入了解 AI 如何改进威胁检测之前，我们先来看看传统威胁检测系统面临的挑战。

大多数现有解决方案依靠人工监督或基于特征库的工具，通过将活动与已知威胁进行匹配来检测威胁。这通常要求安保团队同时监控多个摄像头画面或仪表板，以识别可能未经授权的活动或偏离正常情况的行为。

在拥有数百台摄像头的大型设施中，快速管理海量数据很快就会变得困难。因此，某些活动可能会被忽略，特别是在工厂车间等复杂区域，或服务器机房等限制区域。

另一个局限是响应延迟。传统系统通常只有在事件发生后才会检测到恶意活动。虽然这有助于确认已知风险，却意味着系统无法及早应对威胁。

这种延迟会让情况更难处理。例如，进入受限服务器机房等物理访问行为，可能会引发更广泛的安全问题，包括数据中心的网络威胁和网络攻击。AI 驱动的系统可以通过识别漏洞并支持更快响应，缩小这一差距。

什么是 AI 威胁检测？#

AI 威胁检测是指利用人工智能识别可能对人员、运营或基础设施构成风险的情况。AI 威胁检测系统不会只是存储大量视频或传感器数据，而是会主动分析这些信息，生成有意义的洞见。

这些洞见可以包括自动监控、异常检测和早期预警信号，向安保团队提示潜在问题。这种方法在网络安全和实体安全场景中都发挥着重要作用。

传统方法与 AI 驱动的威胁检测之间的主要区别，在于识别风险的方式。例如，传统方法依赖基于规则的系统和人工审查，因此适应变化的能力有限。

另一方面，AI 系统的适应能力更强。它们利用数据和算法实时分析视觉信息，并识别异常行为。这有助于系统发现未知或新型威胁，并支持更快地响应事件，让安保团队有更多时间采取行动，有时甚至能赶在事态升级之前采取行动。

使用视觉 AI 自动进行威胁检测#

AI 威胁检测有多种类型，从 AI 驱动的网络安全措施到监控实体空间的系统，不一而足。不同的 AI 技术可以满足不同的威胁检测需求。

例如，计算机视觉适合识别现实世界中可见的风险。许多潜在威胁可以通过摄像头观察到，例如未经授权进入限制区域、异常移动，或物体出现在不寻常的位置。

具体来说，可以使用 Ultralytics YOLO26 等计算机视觉模型分析实时视频流，以识别目标并跟踪移动情况。YOLO26 支持多种视觉任务，包括目标检测、目标跟踪和实例分割。

图 1. 使用 YOLO 模型检测并分割烟雾等潜在危险因素（来源）

这些能力让系统能够识别人、车辆或感兴趣的物体，跟踪它们在不同场景中的移动，并标记偏离正常模式的行为。通过将这些模型应用于安全摄像头画面，组织可以摆脱被动监控，在潜在风险不断发展的过程中获得有意义的洞见。

部署在边缘端时，这类系统可以低延迟运行，无需持续依赖云环境，因此适用于工厂、仓库、园区和数据中心等现实场景。

如何使用 Ultralytics YOLO 模型进行 AI 威胁检测#

Ultralytics YOLO 模型（例如 YOLO26）专为速度和一致性至关重要的现实应用而设计。YOLO26 支持边缘部署的设计减少了对复杂后处理流程的依赖，让模型更容易集成到现场的标准安全运营中。

与之前的 YOLO 模型类似，Ultralytics YOLO26 已在 COCO 等大规模数据集上预训练，为识别人员、车辆及其他日常物体提供了可靠的基线。在威胁检测应用中，可以使用高质量、针对具体应用的训练数据对 YOLO26 进行微调，以识别限制区域内的人员、跟踪人员穿越安全区域的移动情况，以及标记违反安全规则的物体，例如机场内无人看管的物品。

训练完成后，模型可以泛化到新数据，从而在条件变化时仍保持可靠的检测性能。将模型集成到更大型的检测流程后，其输出可用于将视觉检测结果与其他系统的信号关联起来，支持行为分析等更高层级的分析，并改进威胁评估。

YOLO 模型在安全工具中的现实应用#

现在，我们已经更清楚地了解视觉 AI 如何帮助识别风险，接下来看看几个现实案例，了解它如何用于检测威胁。

使用 YOLO 监控限制区域#

在制造业和石油与天然气等工业领域，工厂等设施内的某些区域仅限授权人员进入。这通常是出于安全考虑，因为这些区域可能存在危险设备、材料或工艺，需要经过专门培训才能接触。

监控这些区域的出入情况并确保符合安全法规，对于预防事故、保护资产和维持运营连续性至关重要。通常，这些区域会结合人工监督、门禁系统和安全摄像头进行监控。

然而，这些方法都有局限性。人工监督难以扩展，门禁系统只能跟踪出入口，而安全摄像头通常需要持续的人工关注。

随着设施规模扩大、复杂性增加，实时检测不安全或未经授权的活动会变得越来越困难。视觉 AI 可以提供可靠得多的解决方案。

视觉 AI 通过持续分析视频画面来识别安全问题。可以将这些洞见集成到现有的入侵检测工作流程中，触发自动响应或警报，让人工安保团队立即采取行动。

例如，近期一项研究探讨了如何使用 Ultralytics YOLOv8（Ultralytics YOLO 模型系列的一员）在限制区域内检测违禁物品。在该案例中，模型经过训练，可以识别安全敏感区域内是否出现手机。系统通过针对具体应用的视觉数据进行学习，能够实时标记违规行为，帮助提高合规性、降低安全风险，同时不会增加人工团队的工作负担。

图 2. 在限制进入的工厂区域检测到有人使用手机的示例（来源）

公共区域的智能人群监测#

在交通枢纽、大型活动现场或繁忙的市中心等人群密集的公共场所，了解人们的移动和行为方式对于维护公共安全至关重要。人群密度过高、移动方式突然变化或有人跌倒，都可能迅速造成危险情况，若未能及早发现，风险尤其突出。

传统的人群监测系统严重依赖人工操作员监看多个屏幕，因此很容易忽略人群行为中细微但重要的变化。视觉 AI 通过实时自动分析摄像头视频流，提升人群监测能力。

Ultralytics YOLO26 等模型可用于检测和跟踪拥挤场景中的人员、监测移动模式，并识别跌倒或长时间倒地等情况。这些信号可能表明存在潜在的安全问题，在人群密集或快速移动时尤其如此。

图 3. 借助 YOLO 模型实现跌倒检测（来源）

除了数人数等基本任务，基于视觉的系统还可以为 AI 系统提供关键洞察，帮助系统识别拥堵、异常人流或偏离常态的行为。通过检测这些早期迹象，各组织可以更快地应对可能危及公共安全的情况，及时采取干预措施，而无需持续进行人工监控。

保障建筑施工现场的工人安全#

施工中的建筑工地面临各种安全风险，因为现场情况经常变化，工人、车辆和重型设备会在共用空间内移动。如果未能及早发现，未经授权进入限制区域、未穿戴个人防护装备（PPE），或工人与机械之间的不安全互动，都可能迅速引发事故。

视觉 AI 通过持续分析现场摄像头的视频流，帮助应对这些风险。Ultralytics YOLO26 等计算机视觉模型可以检测并跟踪多个区域内的工人，同时监测他们是否遵守安全要求，包括是否佩戴头盔或穿着安全背心等个人防护装备。

图 4. YOLO 可用于监测施工区域（来源）

通过实时观察移动模式和行为，这些系统可以在潜在危险升级前发出警报。基于视觉的监测不仅能加强安全监督，还能减少对定期人工检查的依赖，并帮助更快地应对不安全情况。

使用 AI 模型进行威胁检测的优缺点#

以下是使用视觉 AI 能力进行威胁检测的一些主要优势：

• 持续运行： AI 系统和检测模型可以全天候运行，不会产生警报疲劳，因此非常适合需要持续监测的环境。
• 加强团队间的协调： 共享警报和洞察有助于安全、安保和运营团队更轻松地协作，并利用这些信息做出更明智的决策。
• 可扩展性： 视觉 AI 系统可以部署在许多摄像头和场所中，而无需按比例增加人员，因此随着环境变得更加复杂，扩大监测范围也会更容易。

尽管视觉 AI 在威胁检测方面有明显优势，但也需要考虑一些局限性。以下是需要注意的挑战：

• 对数据质量敏感： 摄像头安装位置不佳或输入质量低，都会限制检测能力，尤其是在识别细微行为或罕见事件时。
• 数据隐私问题： 持续监测可能涉及敏感数据，因此需要采取有力的防护措施来防止数据遭到滥用，尤其是在涉及零日风险或系统间横向移动的场景中。
• 对非视觉威胁的覆盖有限： 视觉 AI 无法检测网络钓鱼攻击、网络安全威胁、恶意软件、勒索软件或社会工程攻击等问题。这些问题通常需要自然语言处理（NLP）以及行为分析或网络分析等 AI 技术，而不是视觉分析。

要点#

基于 AI 的威胁检测结合了计算机视觉与现代安全实践，帮助各组织更早识别风险并更有效地响应。Ultralytics YOLO 等模型支持对视觉数据进行实时分析，可用于从限制区域访问监测到人群安全和工人保护等多种场景。通过从被动监测转向主动感知，视觉 AI 帮助各组织在应对不断演变的威胁时提升安全性、加强安全运营，并在复杂环境中扩展威胁情报能力。

加入活跃的社区，了解制造业中的 AI和零售业中的视觉 AI等创新。访问我们的 GitHub 代码库，并查看我们的许可选项，立即开始计算机视觉之旅。