Progetto di sistema di allarme di sicurezza utilizzando Ultralytics YOLO26#
Il progetto Security Alarm System che utilizza Ultralytics YOLO26 integra funzionalità avanzate di computer vision per migliorare le misure di sicurezza. YOLO26, sviluppato da Ultralytics, offre capacità di object detection in tempo reale, consentendo al sistema di identificare e rispondere tempestivamente a potenziali minacce alla sicurezza. Questo progetto offre diversi vantaggi:
- Rilevamento in tempo reale: L'efficienza di YOLO26 consente al sistema di allarme di sicurezza di rilevare e rispondere agli incidenti di sicurezza in tempo reale, riducendo al minimo i tempi di risposta.
- Accuracy: YOLO26 è noto per la sua precisione nel rilevamento degli oggetti, riducendo i falsi positivi e migliorando l'affidabilità del sistema di allarme di sicurezza.
- Capacità di integrazione: Il progetto può essere integrato senza problemi con l'infrastruttura di sicurezza esistente, fornendo un livello potenziato di sorveglianza intelligente.
Invia avvisi di sicurezza con YOLO26#
La soluzione SecurityAlarm traccia gli oggetti nel tuo flusso video e invia un singolo avviso email con un'immagine annotata allegata non appena il numero di rilevamenti raggiunge la soglia records. Autentica un account Gmail con una password per le app, quindi esegui la soluzione sulla tua origine.
Nota
La generazione della password dell'app è necessaria
- Vai su App Password Generator, assegna un nome all'app come "security project" e ottieni una password di 16 cifre. Copia questa password e incollala nel campo designato
passwordnel codice sottostante.
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="yolo26n.pt", # e.g., yolo26s.pt, yolo26m.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 windowsQuando esegui il codice, riceverai una singola notifica email se viene rilevato un oggetto. La notifica viene inviata immediatamente, non ripetutamente. Puoi personalizzare il codice in base ai requisiti del tuo progetto.
Esempio di email ricevuta#
Argomenti di SecurityAlarm#
Ecco una tabella con gli argomenti di SecurityAlarm:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
model | str | None | Percorso verso un file del modello Ultralytics YOLO. |
records | int | 5 | Conteggio totale dei rilevamenti per attivare un'email con il sistema di allarme di sicurezza. |
line_width | int | 2 | Spessore della linea per i box, i keypoint e i conteggi disegnati dalla soluzione. |
verbose | bool | True | Abilita il registro per fotogramma della soluzione relativo a forma dell'input, conteggi delle classi e velocità di elaborazione. La chiamata di tracking in sé è sempre silenziosa. |
La soluzione SecurityAlarm supporta una varietà di parametri track:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Specifica l'algoritmo di tracciamento da utilizzare. Opzioni integrate: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Imposta la soglia di confidenza per i rilevamenti; valori più bassi consentono di tracciare più oggetti ma possono includere falsi positivi. |
iou | float | 0.7 | Imposta la soglia Intersection over Union (IoU) per filtrare i rilevamenti sovrapposti. |
classes | list | None | Filtra i risultati per indice di classe. Ad esempio, classes=[0, 2, 3] traccia solo le classi specificate. |
device | str | None | Specifica il dispositivo per l'inferenza (ad esempio, cpu, cuda:0 o 0). Consente agli utenti di scegliere tra CPU, una specifica GPU o altri dispositivi di calcolo per l'esecuzione del modello. |
Inoltre, sono disponibili le seguenti impostazioni di visualizzazione:
| Argomento | Tipo | Predefinito | Descrizione |
|---|---|---|---|
show | bool | False | Se True, mostra le immagini o i video annotati in una finestra. Utile per un riscontro visivo immediato durante lo sviluppo o i test. |
show_conf | bool | True | Mostra il punteggio di confidenza per ogni rilevamento accanto all'etichetta. Fornisce informazioni sulla certezza del modello per ogni rilevamento. |
show_labels | bool | True | Mostra le etichette per ogni rilevamento nell'output visivo. Offre una comprensione immediata degli oggetti rilevati. |
Come funziona#
Il Security Alarm System utilizza l'object tracking per monitorare i flussi video e rilevare potenziali minacce alla sicurezza. Quando il sistema rileva oggetti che superano la soglia specificata (impostata dal parametro records), invia automaticamente una notifica email con un allegato immagine che mostra gli oggetti rilevati.
Il sistema sfrutta la SecurityAlarm class che fornisce metodi per:
- Elaborare i frame ed estrarre i rilevamenti degli oggetti
- Annotare i frame con bbox attorno agli oggetti rilevati
- Inviare notifiche email quando vengono superate le soglie di rilevamento
Questa implementazione è ideale per la sicurezza domestica, la sorveglianza della vendita al dettaglio e altre applicazioni di monitoraggio in cui la notifica immediata degli oggetti rilevati è fondamentale.
FAQ#
Ultralytics YOLO26 migliora i sistemi di allarme di sicurezza fornendo un'object detection in tempo reale ad alta accuratezza. I suoi algoritmi avanzati riducono significativamente i falsi positivi, assicurando che il sistema risponda solo a minacce autentiche. Questa maggiore affidabilità può essere integrata senza problemi con l'infrastruttura di sicurezza esistente, migliorando la qualità complessiva della sorveglianza.
Sì, Ultralytics YOLO26 può essere integrato senza problemi con la tua infrastruttura di sicurezza esistente. Il sistema supporta varie modalità e offre flessibilità per la personalizzazione, consentendoti di migliorare la tua configurazione esistente con capacità avanzate di rilevamento degli oggetti. Per istruzioni dettagliate sull'integrazione di YOLO26 nei tuoi progetti, visita la integration section.
L'esecuzione di Ultralytics YOLO26 su una configurazione standard richiede in genere circa 5 GB di spazio libero su disco. Ciò include lo spazio per la memorizzazione del modello YOLO26 e di eventuali dipendenze aggiuntive. Per le soluzioni basate su cloud, Ultralytics Platform offre una gestione efficiente dei progetti e la gestione dei dataset, che può ottimizzare le esigenze di archiviazione. Scopri di più sul Pro Plan per funzionalità avanzate tra cui l'archiviazione estesa.
Ultralytics YOLO26 offre un vantaggio rispetto a modelli come Faster R-CNN o SSD grazie alle sue capacità di rilevamento in tempo reale e alla maggiore precisione. La sua architettura unica gli consente di elaborare le immagini molto più velocemente senza compromettere la precision, rendendolo ideale per applicazioni sensibili al tempo come i sistemi di allarme di sicurezza. Per un confronto completo dei modelli di rilevamento degli oggetti, puoi esplorare la nostra guide.
Per ridurre i falsi positivi, assicurati che il tuo modello Ultralytics YOLO26 sia adeguatamente addestrato con un dataset diversificato e ben annotato. La messa a punto degli iperparametri e l'aggiornamento regolare del modello con nuovi dati possono migliorare significativamente la precisione del rilevamento. Tecniche dettagliate di hyperparameter tuning possono essere trovate nella nostra hyperparameter tuning guide.