Proyecto de sistema de alarma de seguridad mediante Ultralytics YOLOv8

El Proyecto de Sistema de Alarma de Seguridad que utiliza Ultralytics YOLOv8 integra capacidades avanzadas de visión por ordenador para mejorar las medidas de seguridad. YOLOv8, desarrollado por Ultralytics, proporciona detección de objetos en tiempo real, lo que permite al sistema identificar y responder rápidamente a posibles amenazas para la seguridad. Este proyecto ofrece varias ventajas:

• Detección en tiempo real: la eficacia de YOLOv8 permite al Sistema de Alarma de Seguridad detectar y responder a los incidentes de seguridad en tiempo real, minimizando el tiempo de respuesta.
• Precisión: YOLOv8 es conocido por su precisión en la detección de objetos, lo que reduce los falsos positivos y aumenta la fiabilidad del sistema de alarma de seguridad.
• Capacidad de integración: El proyecto puede integrarse perfectamente con la infraestructura de seguridad existente, proporcionando una capa mejorada de vigilancia inteligente.

Observa: Proyecto de Sistema de Alarma de Seguridad con Ultralytics YOLOv8 Detección de Objetos

Código

Configura los parámetros del mensaje

• Navega hasta App Password Generator, designa un nombre de app como "proyecto de seguridad" y obtén una contraseña de 16 dígitos. Copia esta contraseña y pégala en el campo de contraseña designado según las instrucciones.

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

Creación y autentificación del servidor

import smtplib

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

Función de envío de correo electrónico

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())

Detección de objetos y envío de alertas

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()

Llama a la clase Detección de Objetos y Ejecuta la Inferencia

detector = ObjectDetection(capture_index=0)
detector()

¡Ya está! Cuando ejecutes el código, recibirás una única notificación en tu correo electrónico si se detecta algún objeto. La notificación se envía inmediatamente, no de forma repetida. No obstante, siéntete libre de personalizar el código para adaptarlo a los requisitos de tu proyecto.

Muestra de correo electrónico recibido

PREGUNTAS FRECUENTES

¿Cómo mejora Ultralytics YOLOv8 la precisión de un sistema de alarma de seguridad?

Ultralytics YOLOv8 mejora los sistemas de alarma de seguridad ofreciendo una detección de objetos en tiempo real de gran precisión. Sus algoritmos avanzados reducen significativamente los falsos positivos, garantizando que el sistema sólo responda a las amenazas auténticas. Esta mayor fiabilidad puede integrarse perfectamente en la infraestructura de seguridad existente, mejorando la calidad general de la vigilancia.

¿Puedo integrar Ultralytics YOLOv8 con mi infraestructura de seguridad actual?

Sí, Ultralytics YOLOv8 puede integrarse perfectamente con tu infraestructura de seguridad existente. El sistema admite varios modos y ofrece flexibilidad para la personalización, lo que te permite mejorar tu configuración actual con funciones avanzadas de detección de objetos. Para obtener instrucciones detalladas sobre la integración de YOLOv8 en tus proyectos, visita la sección de integración.

¿Cuáles son los requisitos de almacenamiento para ejecutar Ultralytics YOLOv8 ?

Ejecutar Ultralytics YOLOv8 en una configuración estándar suele requerir unos 5 GB de espacio libre en disco. Esto incluye el espacio para almacenar el modelo YOLOv8 y cualquier dependencia adicional. Para las soluciones basadas en la nube, Ultralytics HUB ofrece una gestión eficaz de los proyectos y del conjunto de datos, lo que puede optimizar las necesidades de almacenamiento. Infórmate sobre el Plan Pro para obtener funciones mejoradas, incluido el almacenamiento ampliado.

¿Qué diferencia a Ultralytics YOLOv8 de otros modelos de detección de objetos como Faster R-CNN o SSD?

Ultralytics YOLOv8 proporciona una ventaja sobre modelos como el R-CNN más rápido o el SSD gracias a su capacidad de detección en tiempo real y a su mayor precisión. Su arquitectura única le permite procesar imágenes mucho más rápido sin comprometer la precisión, lo que lo hace ideal para aplicaciones sensibles al tiempo, como los sistemas de alarma de seguridad. Para una comparación exhaustiva de los modelos de detección de objetos, puedes explorar nuestra guía.

¿Cómo puedo reducir la frecuencia de falsos positivos en mi sistema de seguridad utilizando Ultralytics YOLOv8 ?

Para reducir los falsos positivos, asegúrate de que tu modelo Ultralytics YOLOv8 está adecuadamente entrenado con un conjunto de datos diverso y bien anotado. El ajuste fino de los hiperparámetros y la actualización periódica del modelo con nuevos datos pueden mejorar significativamente la precisión de la detección. Puedes encontrar técnicas detalladas de ajuste de hiperparámetros en nuestra guía de ajuste de hiperparámetros.

Comentarios