Güvenlik Alarm Sistemi Projesi Kullanımı Ultralytics YOLOv8
Ultralytics YOLOv8 adresini kullanan Güvenlik Alarm Sistemi Projesi, güvenlik önlemlerini artırmak için gelişmiş bilgisayarla görme yeteneklerini entegre etmektedir. YOLOv8 tarafından geliştirilen Ultralytics, gerçek zamanlı nesne tespiti sağlayarak sistemin potansiyel güvenlik tehditlerini anında tespit etmesine ve bunlara yanıt vermesine olanak tanır. Bu proje çeşitli avantajlar sunmaktadır:
- Gerçek Zamanlı Algılama: YOLOv8'un verimliliği, Güvenlik Alarm Sisteminin güvenlik olaylarını gerçek zamanlı olarak algılamasını ve yanıt vermesini sağlayarak yanıt süresini en aza indirir.
- Doğruluk: YOLOv8 nesne tespitindeki doğruluğu ile bilinir, yanlış pozitifleri azaltır ve güvenlik alarm sisteminin güvenilirliğini artırır.
- Entegrasyon Yetenekleri: Proje, mevcut güvenlik altyapısıyla sorunsuz bir şekilde entegre edilebilir ve yükseltilmiş bir akıllı gözetim katmanı sağlar.
İzle: Ultralytics YOLOv8 Nesne Algılama ile Güvenlik Alarm Sistemi Projesi
Kod
Mesaj parametrelerini ayarlayın
Not
Uygulama Şifresi Oluşturma gereklidir
- Uygulama Parolası Oluşturucu'ya gidin, "güvenlik projesi" gibi bir uygulama adı belirleyin ve 16 basamaklı bir parola edinin. Bu parolayı kopyalayın ve belirtilen parola alanına talimatlara uygun şekilde yapıştırın.
password = ""
from_email = "" # must match the email used to generate the password
to_email = "" # receiver email
Sunucu oluşturma ve kimlik doğrulama
import smtplib
server = smtplib.SMTP("smtp.gmail.com: 587")
server.starttls()
server.login(from_email, password)
E-posta Gönderme Fonksiyonu
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())
Nesne Algılama ve Uyarı Gönderme
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()
Nesne Algılama sınıfını çağırın ve Çıkarsamayı Çalıştırın
İşte bu kadar! Kodu çalıştırdığınızda, herhangi bir nesne tespit edilirse e-postanızda tek bir bildirim alırsınız. Bildirim tekrar tekrar değil, hemen gönderilir. Ancak, kodu proje gereksinimlerinize uyacak şekilde özelleştirmekten çekinmeyin.
Alınan E-posta Örneği
SSS
Ultralytics YOLOv8 bir güvenlik alarm sisteminin doğruluğunu nasıl artırır?
Ultralytics YOLOv8 yüksek doğrulukta, gerçek zamanlı nesne algılama sağlayarak güvenlik alarm sistemlerini geliştirir. Gelişmiş algoritmaları yanlış pozitifleri önemli ölçüde azaltarak sistemin yalnızca gerçek tehditlere yanıt vermesini sağlar. Bu artan güvenilirlik, mevcut güvenlik altyapısına sorunsuz bir şekilde entegre edilebilir ve genel gözetim kalitesini yükseltir.
Ultralytics YOLOv8 adresini mevcut güvenlik altyapımla entegre edebilir miyim?
Evet, Ultralytics YOLOv8 mevcut güvenlik altyapınızla sorunsuz bir şekilde entegre edilebilir. Sistem çeşitli modları destekler ve özelleştirme için esneklik sağlayarak mevcut kurulumunuzu gelişmiş nesne algılama yetenekleriyle geliştirmenize olanak tanır. YOLOv8 adresini projelerinize entegre etmeye ilişkin ayrıntılı talimatlar için entegrasyon bölümünü ziyaret edin.
Ultralytics YOLOv8 çalıştırmak için depolama gereksinimleri nelerdir?
Standart bir kurulumda Ultralytics YOLOv8 çalıştırmak genellikle yaklaşık 5 GB boş disk alanı gerektirir. Bu, YOLOv8 modelini ve tüm ek bağımlılıkları depolamak için gereken alanı içerir. Bulut tabanlı çözümler için Ultralytics HUB, depolama ihtiyaçlarını optimize edebilen verimli proje yönetimi ve veri kümesi kullanımı sunar. Genişletilmiş depolama alanı da dahil olmak üzere gelişmiş özellikler için Pro Plan hakkında daha fazla bilgi edinin.
Ultralytics YOLOv8 adresini Faster R-CNN veya SSD gibi diğer nesne algılama modellerinden farklı kılan nedir?
Ultralytics YOLOv8 gerçek zamanlı algılama yetenekleri ve daha yüksek doğruluğu ile Faster R-CNN veya SSD gibi modellere göre üstünlük sağlar. Benzersiz mimarisi, hassasiyetten ödün vermeden görüntüleri çok daha hızlı işlemesini sağlar ve bu da onu güvenlik alarm sistemleri gibi zamana duyarlı uygulamalar için ideal hale getirir. Nesne algılama modellerinin kapsamlı bir karşılaştırması için kılavuzumuzu inceleyebilirsiniz.
Ultralytics YOLOv8 adresini kullanarak güvenlik sistemimdeki yanlış pozitiflerin sıklığını nasıl azaltabilirim?
Yanlış pozitifleri azaltmak için Ultralytics YOLOv8 modelinizin çeşitli ve iyi açıklanmış bir veri kümesiyle yeterince eğitildiğinden emin olun. Hiperparametrelerin ince ayarının yapılması ve modelin yeni verilerle düzenli olarak güncellenmesi tespit doğruluğunu önemli ölçüde artırabilir. Ayrıntılı hiperparametre ayarlama teknikleri hiperparametre ayarlama kılavuzumuzda bulunabilir.
Oluşturma 2023-12-02, Güncelleme 2024-07-05
Yazarlar: glenn-jocher (7), ambitious-octopus (1), IvorZhu331 (1), RizwanMunawar (1)