Sicherheitsalarmsystem Projekt mit Ultralytics YOLOv8

Das Projekt "Security Alarm System", das Ultralytics YOLOv8 nutzt, integriert fortschrittliche Computer Vision Fähigkeiten, um die Sicherheitsmaßnahmen zu verbessern. YOLOv8 Das von Ultralytics entwickelte System zur Erkennung von Objekten in Echtzeit ermöglicht es dem System, potenzielle Sicherheitsbedrohungen sofort zu erkennen und darauf zu reagieren. Dieses Projekt bietet mehrere Vorteile:

• Erkennung in Echtzeit: Die Effizienz von YOLOv8 ermöglicht es dem Sicherheitsalarmsystem, Sicherheitsvorfälle in Echtzeit zu erkennen und darauf zu reagieren, wodurch die Reaktionszeit minimiert wird.
• Genauigkeit: YOLOv8 ist für seine Genauigkeit bei der Objekterkennung bekannt, die Fehlalarme reduziert und die Zuverlässigkeit des Sicherheitssystems erhöht.
• Integrationsfähigkeiten: Das Projekt kann nahtlos in die bestehende Sicherheitsinfrastruktur integriert werden und bietet eine zusätzliche intelligente Überwachungsebene.

Pass auf: Sicherheitsalarmsystem-Projekt mit Ultralytics YOLOv8 Objekterkennung

Code

Richte die Parameter der Nachricht ein

• Navigiere zum App-Passwort-Generator, gib einen App-Namen ein, z. B. "Sicherheitsprojekt", und erhalte ein 16-stelliges Passwort. Kopiere dieses Passwort und füge es wie angegeben in das vorgesehene Passwortfeld ein.

password = ""
from_email = ""  # must match the email used to generate the password
to_email = ""  # receiver email

Server erstellen und authentifizieren

import smtplib

server = smtplib.SMTP("smtp.gmail.com: 587")
server.starttls()
server.login(from_email, password)

E-Mail senden Funktion

from email.mime.multipart import MIMEMultipart
from email.mime.text import MIMEText


def send_email(to_email, from_email, object_detected=1):
    """Sends an email notification indicating the number of objects detected; defaults to 1 object."""
    message = MIMEMultipart()
    message["From"] = from_email
    message["To"] = to_email
    message["Subject"] = "Security Alert"
    # Add in the message body
    message_body = f"ALERT - {object_detected} objects has been detected!!"

    message.attach(MIMEText(message_body, "plain"))
    server.sendmail(from_email, to_email, message.as_string())

Objekterkennung und Warnsender

from time import time

import cv2
import torch

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors


class ObjectDetection:
    def __init__(self, capture_index):
        """Initializes an ObjectDetection instance with a given camera index."""
        self.capture_index = capture_index
        self.email_sent = False

        # model information
        self.model = YOLO("yolov8n.pt")

        # visual information
        self.annotator = None
        self.start_time = 0
        self.end_time = 0

        # device information
        self.device = "cuda" if torch.cuda.is_available() else "cpu"

    def predict(self, im0):
        """Run prediction using a YOLO model for the input image `im0`."""
        results = self.model(im0)
        return results

    def display_fps(self, im0):
        """Displays the FPS on an image `im0` by calculating and overlaying as white text on a black rectangle."""
        self.end_time = time()
        fps = 1 / round(self.end_time - self.start_time, 2)
        text = f"FPS: {int(fps)}"
        text_size = cv2.getTextSize(text, cv2.FONT_HERSHEY_SIMPLEX, 1.0, 2)[0]
        gap = 10
        cv2.rectangle(
            im0,
            (20 - gap, 70 - text_size[1] - gap),
            (20 + text_size[0] + gap, 70 + gap),
            (255, 255, 255),
            -1,
        )
        cv2.putText(im0, text, (20, 70), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 0), 2)

    def plot_bboxes(self, results, im0):
        """Plots bounding boxes on an image given detection results; returns annotated image and class IDs."""
        class_ids = []
        self.annotator = Annotator(im0, 3, results[0].names)
        boxes = results[0].boxes.xyxy.cpu()
        clss = results[0].boxes.cls.cpu().tolist()
        names = results[0].names
        for box, cls in zip(boxes, clss):
            class_ids.append(cls)
            self.annotator.box_label(box, label=names[int(cls)], color=colors(int(cls), True))
        return im0, class_ids

    def __call__(self):
        """Run object detection on video frames from a camera stream, plotting and showing the results."""
        cap = cv2.VideoCapture(self.capture_index)
        assert cap.isOpened()
        cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
        cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)
        frame_count = 0
        while True:
            self.start_time = time()
            ret, im0 = cap.read()
            assert ret
            results = self.predict(im0)
            im0, class_ids = self.plot_bboxes(results, im0)

            if len(class_ids) > 0:  # Only send email If not sent before
                if not self.email_sent:
                    send_email(to_email, from_email, len(class_ids))
                    self.email_sent = True
            else:
                self.email_sent = False

            self.display_fps(im0)
            cv2.imshow("YOLOv8 Detection", im0)
            frame_count += 1
            if cv2.waitKey(5) & 0xFF == 27:
                break
        cap.release()
        cv2.destroyAllWindows()
        server.quit()

Rufe die Klasse Object Detection auf und führe die Inferenz aus

detector = ObjectDetection(capture_index=0)
detector()

Das war's! Wenn du den Code ausführst, erhältst du eine einzige Benachrichtigung per E-Mail, wenn ein Objekt entdeckt wird. Die Benachrichtigung wird sofort und nicht wiederholt gesendet. Du kannst den Code jedoch gerne an die Anforderungen deines Projekts anpassen.

Empfangene E-Mail Probe

FAQ

Wie kann Ultralytics YOLOv8 die Genauigkeit eines Sicherheitssystems verbessern?

Ultralytics YOLOv8 verbessert Sicherheitsalarmsysteme durch eine hochpräzise Objekterkennung in Echtzeit. Seine fortschrittlichen Algorithmen reduzieren Fehlalarme erheblich und stellen sicher, dass das System nur auf echte Bedrohungen reagiert. Diese erhöhte Zuverlässigkeit lässt sich nahtlos in die bestehende Sicherheitsinfrastruktur integrieren und verbessert die allgemeine Überwachungsqualität.

Kann ich Ultralytics YOLOv8 in meine bestehende Sicherheitsinfrastruktur integrieren?

Ja, Ultralytics YOLOv8 kann nahtlos in deine bestehende Sicherheitsinfrastruktur integriert werden. Das System unterstützt verschiedene Modi und bietet Flexibilität bei der Anpassung, so dass du dein bestehendes System mit fortschrittlichen Objekterkennungsfunktionen erweitern kannst. Detaillierte Anweisungen zur Integration von YOLOv8 in deine Projekte findest du im Bereich Integration.

Wie hoch sind die Speicheranforderungen für die Ausführung von Ultralytics YOLOv8 ?

Für die Ausführung von Ultralytics YOLOv8 auf einer Standardinstallation werden normalerweise etwa 5 GB freier Speicherplatz benötigt. Darin enthalten ist der Speicherplatz für das Modell YOLOv8 und alle zusätzlichen Abhängigkeiten. Für Cloud-basierte Lösungen bietet Ultralytics HUB ein effizientes Projektmanagement und die Verwaltung von Datensätzen, wodurch der Speicherbedarf optimiert werden kann. Erfahre mehr über den Pro Plan mit erweiterten Funktionen und mehr Speicherplatz.

Wodurch unterscheidet sich Ultralytics YOLOv8 von anderen Objekterkennungsmodellen wie Faster R-CNN oder SSD?

Ultralytics YOLOv8 bietet mit seinen Echtzeit-Erkennungsfunktionen und seiner höheren Genauigkeit einen Vorteil gegenüber Modellen wie Faster R-CNN oder SSD. Dank seiner einzigartigen Architektur kann es Bilder viel schneller verarbeiten, ohne Kompromisse bei der Präzision einzugehen, was es ideal für zeitkritische Anwendungen wie Sicherheitsalarmsysteme macht. Einen umfassenden Vergleich von Objekterkennungsmodellen findest du in unserem Leitfaden.

Wie kann ich die Häufigkeit von Fehlalarmen in meinem Sicherheitssystem mit Ultralytics YOLOv8 reduzieren?

Um Fehlalarme zu vermeiden, solltest du sicherstellen, dass dein Ultralytics YOLOv8 Modell mit einem vielfältigen und gut kommentierten Datensatz ausreichend trainiert ist. Die Feinabstimmung der Hyperparameter und die regelmäßige Aktualisierung des Modells mit neuen Daten können die Erkennungsgenauigkeit erheblich verbessern. Detaillierte Techniken zur Abstimmung der Hyperparameter findest du in unserem Leitfaden zur Abstimmung von Hyperparametern.

Kommentare