Meet YOLO26: next-gen vision AI.

Link to this sectionProjeto de Sistema de Alarme de Segurança usando Ultralytics YOLO26#

AI-powered security alarm system with object detection

O Projeto de Sistema de Alarme de Segurança utilizando Ultralytics YOLO26 integra recursos avançados de visão computacional para aprimorar as medidas de segurança. O YOLO26, desenvolvido pela Ultralytics, oferece detecção de objetos em tempo real, permitindo que o sistema identifique e responda a possíveis ameaças de segurança prontamente. Este projeto oferece várias vantagens:

  • Detecção em Tempo Real: A eficiência do YOLO26 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 YOLO26 é conhecido pela 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 à infraestrutura de segurança existente, fornecendo uma camada atualizada de vigilância inteligente.


Watch: Security Alarm System with Ultralytics YOLO26 + Solutions Object Detection
Nota

A Geração de Senha de Aplicativo é necessária

  • Navegue até o Gerador de Senha de Aplicativo, designe um nome para o aplicativo como "projeto de segurança" e obtenha uma senha de 16 dígitos. Copie esta senha e cole-a no campo password designado no código abaixo.
Sistema de Alarme de Segurança usando Ultralytics YOLO
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 windows

Ao executar o código, você receberá uma notificação por e-mail única se qualquer objeto for detectado. A notificação é enviada imediatamente, não repetidamente. Você pode personalizar o código para atender aos requisitos do seu projeto.

Link to this sectionExemplo de E-mail Recebido#

Security alert email notification example

Link to this sectionArgumentos de SecurityAlarm#

Aqui está uma tabela com os argumentos de SecurityAlarm:

ArgumentoTipoPredefiniçãoDescrição
modelstrNoneCaminho para um ficheiro de modelo YOLO da Ultralytics.
recordsint5Contagem total de deteções para disparar um e-mail com o sistema de alarme de segurança.

A solução SecurityAlarm suporta uma variedade de parâmetros track:

ArgumentoTipoPredefiniçãoDescrição
trackerstr'botsort.yaml'Especifica o algoritmo de rastreamento a ser usado. As opções integradas são: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml.
conffloat0.1Define o limiar de confiança para as deteções; valores mais baixos permitem que mais objetos sejam rastreados, mas podem incluir falsos positivos.
ioufloat0.7Define o limiar de Intersection over Union (IoU) para filtrar deteções sobrepostas.
classeslistNoneFiltra resultados por índice de classe. Por exemplo, classes=[0, 2, 3] rastreia apenas as classes especificadas.
verboseboolTrueControla a exibição dos resultados de rastreio, fornecendo uma saída visual dos objetos rastreados.
devicestrNoneEspecifica o dispositivo para inferência (p. ex., cpu, cuda:0 ou 0). Permite aos utilizadores selecionar entre CPU, uma GPU específica ou outros dispositivos de computação para a execução do modelo.

Além disso, as seguintes configurações de visualização estão disponíveis:

ArgumentoTipoPredefiniçãoDescrição
showboolFalseSe True, exibe as imagens ou vídeos anotados numa janela. Útil para feedback visual imediato durante o desenvolvimento ou teste.
line_widthint or NoneNoneEspecifica a largura da linha das caixas delimitadoras. Se None, a largura da linha é ajustada automaticamente com base no tamanho da imagem. Proporciona personalização visual para maior clareza.
show_confboolTrueExibe a pontuação de confiança para cada detecção ao lado do rótulo. Fornece uma visão sobre a certeza do modelo para cada detecção.
show_labelsboolTrueExibe rótulos para cada detecção na saída visual. Fornece compreensão imediata dos objetos detectados.

Link to this sectionComo Funciona#

O Sistema de Alarme de Segurança usa rastreamento de objetos para monitorar feeds de vídeo e detectar possíveis ameaças de segurança. Quando o sistema detecta objetos que excedem o limite especificado (definido pelo parâmetro records), 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 quadros e extrair detecções de objetos
  2. Anotar quadros com caixas delimitadoras ao redor dos objetos detectados
  3. Enviar notificações por e-mail quando os limites de detecção forem excedidos

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

Link to this sectionFAQ#

Link to this sectionComo o Ultralytics YOLO26 melhora a precisão de um sistema de alarme de segurança?#

O Ultralytics YOLO26 aprimora sistemas de alarme de segurança entregando detecção de objetos de alta precisão em tempo real. Seus algoritmos avançados reduzem significativamente os falsos positivos, garantindo que o sistema responda apenas a ameaças genuínas. Essa confiabilidade aumentada pode ser integrada perfeitamente à infraestrutura de segurança existente, atualizando a qualidade geral da vigilância.

Link to this sectionPosso integrar o Ultralytics YOLO26 à minha infraestrutura de segurança existente?#

Sim, o Ultralytics YOLO26 pode ser perfeitamente integrado 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 instruções detalhadas sobre a integração do YOLO26 em seus projetos, visite a seção de integração.

Link to this sectionQuais são os requisitos de armazenamento para executar o Ultralytics YOLO26?#

Executar o Ultralytics YOLO26 em uma configuração padrão normalmente requer cerca de 5 GB de espaço livre em disco. Isso inclui espaço para armazenar o modelo YOLO26 e quaisquer dependências adicionais. Para soluções baseadas em nuvem, a Plataforma Ultralytics oferece gerenciamento de projetos e manipulação de conjuntos de dados eficientes, que podem otimizar as necessidades de armazenamento. Saiba mais sobre o Plano Pro para recursos aprimorados, incluindo armazenamento estendido.

Link to this sectionO que torna o Ultralytics YOLO26 diferente de outros modelos de detecção de objetos como Faster R-CNN ou SSD?#

O Ultralytics YOLO26 oferece uma vantagem sobre modelos como Faster R-CNN ou SSD com suas capacidades de detecção em tempo real e maior precisão. Sua arquitetura exclusiva permite que ele processe 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.

Link to this sectionComo posso reduzir a frequência de falsos positivos no meu sistema de segurança usando o Ultralytics YOLO26?#

Para reduzir falsos positivos, certifique-se de que seu modelo Ultralytics YOLO26 seja treinado adequadamente com um conjunto de dados diversificado e bem anotado. O ajuste fino de 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.

Comentários