集成在专有数据上微调并针对多种导出格式优化的 Ultralytics YOLO 模型，使 Videologic Analytics 得以降低成本并缩短上市时间。
Videologic Analytics 是一家总部位于西班牙的先进视频分析解决方案开发商，致力于提升工业场所、太阳能园区和住宅综合体的安全与监控能力。他们部署了与安防摄像头集成的 AI 解决方案，以实时监控周界并检测入侵行为。
由于此前使用的模型成本高且部署缓慢，他们集成了Ultralytics YOLO 模型，以提升检测准确率、降低开发成本并缩短上市时间，同时拓展零售和商业智能等新领域。
借助 AI 摄像头为安防赋能计算机视觉#
Videologic Analytics 由拥有 30 多年经验的专家领导，专注于将 AI 和计算机视觉集成到安防摄像头中，以实现实时监控和自动化威胁检测。他们的解决方案以可靠的性能保护大型设施、可再生能源设施和住宅社区。
他们的客户包括 Prosegur、Securitas、Sabico，以及西班牙 4,000 多家经过认证的安防公司。面对 AI 模型开发和部署成本高、耗时长的挑战，他们将 Ultralytics YOLO 模型应用于创新的 Vision AI 解决方案中。借此，他们不仅能够增强安防应用，还拓展到了新的垂直领域。
对经济高效的 AI 自动化威胁检测的需求#
此前，Videologic Analytics 已将 AI 模型集成到提供给客户的安防摄像头中。这些早期模型经过编程，可检测有限范围的目标类别，包括通用车辆、人类和小型动物。虽然这种基础方法为先进安防系统奠定了基础，但也带来了进一步改进的空间，尤其是在提升精确率和降低误报率方面。
他们的客户希望获得更全面的解决方案，能够在更广泛的目标和场景中提供覆盖范围更广、准确度更高的目标检测能力。为满足这些客户需求，Videologic Analytics 的研发团队开始开发增强型 AI 模型。
在开发这些模型的过程中，Videologic Analytics 很快发现现有方法存在一些问题，例如成本高、开发周期长。公司意识到需要采用更灵活、更高效的方法。这种新方法需要解决这些挑战，并更好地满足客户不断变化的安防需求。
具体而言，他们希望找到一种计算机视觉模型，以提升其Vision AI 解决方案的可靠性并提高客户满意度。此外，该模型必须兼具成本效益，并能适应未来需求。
借助 AI 驱动的异常检测重新定义监控#
在测试了多个 AI 模型后，Videologic Analytics 发现 Ultralytics YOLO 模型具备他们所需的灵活性和性能。他们从使用COCO 数据集开发的预训练 YOLO 模型开始，该数据集包含各种常见目标。这种预训练提供了坚实的基础，因为模型已经能够识别许多基本目标，从而更容易针对特定安防需求进行适配。
例如，Videologic Analytics 使用自有专有数据对这些预训练模型进行了微调，用于监控太阳能园区等应用。
在这一场景中，这些模型用于 AI 驱动的异常检测，区分真正的威胁（例如未经授权的人员或车辆）与小型动物或被风吹动的杂物等无害因素。这种清晰的区分对于减少误报并提升整体安防性能至关重要。
除了监控太阳能农场外，他们还使用 YOLO 开发了工业和住宅安防解决方案，以及用于零售和商业智能计算机视觉创新的概念验证模块。他们主要使用目标检测，同时也利用 YOLO 支持的计算机视觉任务，例如姿态估计和目标跟踪。
图 1。 Videologic Analytics 使用 Ultralytics YOLO 模型监控太阳能发电厂。
为什么选择 Ultralytics YOLO 模型？#
Videologic Analytics 选择 Ultralytics YOLO 模型，是因为他们需要一种强大的解决方案，能够支持大量摄像头通道，同时提供快速且准确的推理。
YOLO 支持多种导出格式，并可与 CUDA、TensorRT、ONNX 和 OpenVINO 等框架无缝集成。这种灵活性使 Videologic Analytics 能够使用 PyTorch 微调模型，并将其高效部署到生产环境中。借助针对硬件的优化，YOLO 比此前的模型更能满足实时视频分析的严苛需求。
简化智能视频监控的模型部署#
自集成 Ultralytics YOLO 模型以来，Videologic Analytics 在性能和效率方面都取得了显著提升。他们全新的 Vision AI 解决方案能够在从太阳能园区、工业场所到住宅综合体的各种设施中，快速进行实时威胁检测。
事实上，Videologic Analytics 每年部署约 10,000 个许可证，每个许可证对应一个专用摄像头通道，目前所有许可证均已升级以支持 Ultralytics YOLO 模型。转向 YOLO 后，误报显著减少，整体检测准确率也得到提升。因此，客户可以享受更可靠的安防系统，同时运营成本也有所降低。
此外，Ultralytics YOLO 模型更快的推理速度和可扩展性缩短了新 AI 功能的上市时间。这使 Videologic Analytics 能够增强其核心安防产品，并探索零售和商业智能等垂直领域的新机遇。总体而言，采用 Ultralytics YOLO 模型既推动了公司运营能力的即时提升，也带来了长期增长前景。
图 2。Videologic Analytics 使用 Ultralytics YOLO 模型监控城市环境。
面向安全与安防的智能视频分析：未来发展方向#
Videologic Analytics 正积极利用 Ultralytics YOLO 模型拓展其解决方案，使其能力超越基础入侵检测。下一步将通过行为分析、趋势跟踪和预测性智能等高级分析功能，提供更丰富、更具可操作性的洞察。
这些增强功能将帮助客户优化安防运营，并在零售和商业智能领域释放新的可能性，推动实时视频分析持续创新与发展。
想了解计算机视觉如何重塑你的业务吗？欢迎探索我们的 GitHub 代码库，了解 Ultralytics 的 AI 解决方案如何推动自动驾驶汽车中的 AI和农业中的计算机视觉等创新。进一步了解我们的 YOLO 模型和许可选项，立即开启更智能、更高效的自动化之旅。
