Projeto de Sistema de Alarme de Segurança Usando Ultralytics YOLO11

O Projeto de Sistema de Alarme de Segurança que utiliza o Ultralytics YOLO11 integra capacidades avançadas de visão computacional para aprimorar as medidas de segurança. O YOLO11, desenvolvido pela Ultralytics, fornece detecção de objetos em tempo real, permitindo que o sistema identifique e responda prontamente a potenciais ameaças à segurança. Este projeto oferece várias vantagens:

• Detecção em Tempo Real: A eficiência do YOLO11 permite que o Sistema de Alarme de Segurança detecte e responda a incidentes de segurança em tempo real, minimizando o tempo de resposta.
• Precisão: O YOLO11 é conhecido por sua precisão na detecção de objetos, reduzindo falsos positivos e aumentando a confiabilidade do sistema de alarme de segurança.
• Capacidades de Integração: O projeto pode ser integrado perfeitamente com a infraestrutura de segurança existente, fornecendo uma camada atualizada de vigilância inteligente.

Ver: Sistema de Alarme de Segurança com Ultralytics YOLO11 + Soluções Deteção de objectos

• Navegue até Gerador de Senhas de App, designe um nome de aplicativo como "projeto de segurança" e obtenha uma senha de 16 dígitos. Copie esta senha e cole-a no local designado password campo no código abaixo.

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("security_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

from_email = "abc@gmail.com"  # the sender email address
password = "---- ---- ---- ----"  # 16-digits password generated via: https://myaccount.google.com/apppasswords
to_email = "xyz@gmail.com"  # the receiver email address

# Initialize security alarm object
securityalarm = solutions.SecurityAlarm(
    show=True,  # display the output
    model="yolo11n.pt",  # i.e. yolo11s.pt, yolo11m.pt
    records=1,  # total detections count to send an email
)

securityalarm.authenticate(from_email, password, to_email)  # authenticate the email server

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = securityalarm(im0)

    # print(results)  # access the output

    video_writer.write(results.plot_im)  # write the processed frame.

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

É isso mesmo! Quando executar o código, receberá uma única notificação no seu e-mail se for detectado algum objeto. A notificação é enviada imediatamente, não repetidamente. No entanto, sinta-se à vontade para personalizar o código de acordo com os requisitos do seu projeto.

Amostra de Email Recebido

SecurityAlarm Argumentos

Aqui está uma tabela com o SecurityAlarm argumentos:

O SecurityAlarm solução suporta uma variedade de track parâmetros:

Além disso, as seguintes configurações de visualização estão disponíveis:

Como Funciona

O Sistema de Alarme de Segurança usa rastreamento de objetos para monitorar feeds de vídeo e detectar potenciais ameaças de segurança. Quando o sistema detecta objetos que excedem o limite especificado (definido pelo records parâmetro), ele envia automaticamente uma notificação por e-mail com um anexo de imagem mostrando os objetos detectados.

O sistema utiliza a classe SecurityAlarm, que fornece métodos para:

1. Processar frames e extrair detecções de objetos
2. Anotar frames com caixas delimitadoras ao redor de objetos detectados
3. Enviar notificações por e-mail quando os limites de detecção forem excedidos

Esta implementação é ideal para segurança doméstica, vigilância de varejo e outras aplicações de monitoramento onde a notificação imediata de objetos detectados é crítica.

FAQ

Como o Ultralytics YOLO11 melhora a precisão de um sistema de alarme de segurança?

O Ultralytics YOLO11 aprimora os sistemas de alarme de segurança, fornecendo detecção de objetos em tempo real e com alta precisão. Seus algoritmos avançados reduzem significativamente os falsos positivos, garantindo que o sistema responda apenas a ameaças genuínas. Essa maior confiabilidade pode ser integrada perfeitamente com a infraestrutura de segurança existente, aprimorando a qualidade geral da vigilância.

Posso integrar o Ultralytics YOLO11 com minha infraestrutura de segurança existente?

Sim, o Ultralytics YOLO11 pode ser integrado perfeitamente à sua infraestrutura de segurança existente. O sistema suporta vários modos e oferece flexibilidade para personalização, permitindo que você aprimore sua configuração existente com recursos avançados de detecção de objetos. Para obter instruções detalhadas sobre como integrar o YOLO11 em seus projetos, visite a seção de integração.

Quais são os requisitos de armazenamento para executar o Ultralytics YOLO11?

Executar Ultralytics YOLO11 em uma configuração padrão normalmente requer cerca de 5 GB de espaço livre em disco. Isso inclui espaço para armazenar o modelo YOLO11 e quaisquer dependências adicionais. Para soluções baseadas na nuvem, o Ultralytics HUB oferece gerenciamento de projetos e tratamento de conjuntos de dados eficientes, o que pode otimizar as necessidades de armazenamento. Saiba mais sobre o Plano Pro para recursos aprimorados, incluindo armazenamento estendido.

O que torna o Ultralytics YOLO11 diferente de outros modelos de detecção de objetos como o Faster R-CNN ou SSD?

O Ultralytics YOLO11 oferece uma vantagem sobre modelos como Faster R-CNN ou SSD com seus recursos de detecção em tempo real e maior precisão. Sua arquitetura exclusiva permite processar imagens muito mais rapidamente sem comprometer a precisão, tornando-o ideal para aplicações sensíveis ao tempo, como sistemas de alarme de segurança. Para uma comparação abrangente de modelos de detecção de objetos, você pode explorar nosso guia.

Como posso reduzir a frequência de falsos positivos no meu sistema de segurança usando Ultralytics YOLO11?

Para reduzir falsos positivos, certifique-se de que seu modelo Ultralytics YOLO11 esteja adequadamente treinado com um conjunto de dados diversificado e bem anotado. O ajuste fino dos hiperparâmetros e a atualização regular do modelo com novos dados podem melhorar significativamente a precisão da detecção. Técnicas detalhadas de ajuste de hiperparâmetros podem ser encontradas em nosso guia de ajuste de hiperparâmetros.

📅C riado há 1 ano ✏️ Atualizado há 2 meses

Comentários