Meet YOLO26: next-gen vision AI.

Link to this section使用 Ultralytics YOLO26 的安全报警系统项目#

AI-powered security alarm system with object detection

利用 Ultralytics YOLO26 的安全报警系统项目集成了先进的 计算机视觉 功能，以加强安全措施。由 Ultralytics 开发的 YOLO26 提供实时 目标检测，使系统能够及时识别潜在安全威胁并做出响应。该项目具有以下优势：

  • 实时检测： YOLO26 的高效率使安全报警系统能够实时检测并应对安全事件，从而最大限度地缩短响应时间。
  • 准确率： YOLO26 以其目标检测的准确性而闻名，减少了误报并增强了安全报警系统的可靠性。
  • 集成能力： 该项目可以与现有的安全基础设施无缝集成，提供升级的智能监控层。


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

Link to this section使用 YOLO26 发送安全警报#

SecurityAlarm 解决方案会追踪视频流中的对象，并在检测数量达到 records 阈值时，立即发送一封附带标注图像的电子邮件提醒。请使用应用专用密码验证 Gmail 账户，然后在你的源视频上运行此解决方案。

注意

需要生成应用密码

  • 导航至 应用密码生成器，指定一个应用名称（例如“security project”），然后获取一个 16 位的密码。复制此密码并将其粘贴到下方代码中指定的 password 字段中。
使用 Ultralytics YOLO 的安全报警系统
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

当你运行此代码时，如果检测到任何对象，你将收到单封电子邮件通知。通知会立即发送，且不会重复发送。你可以根据项目需求自定义代码。

Link to this section电子邮件接收示例#

Security alert email notification example

Link to this sectionSecurityAlarm 参数#

下表列出了 SecurityAlarm 的参数：

参数类型默认值描述
modelstrNoneUltralytics YOLO 模型文件的路径。
recordsint5触发安全报警系统发送电子邮件所需的检测总数。

SecurityAlarm 解决方案支持多种 track 参数：

参数类型默认值描述
trackerstr'botsort.yaml'指定要使用的追踪算法。内置选项包括：botsort.yaml、bytetrack.yaml、ocsort.yaml、deepocsort.yaml、fasttrack.yaml、tracktrack.yaml。
conffloat0.1设置检测的置信度阈值；较低的值允许跟踪更多的对象，但也可能包含误报。
ioufloat0.7设置用于过滤重叠检测的 交并比 (IoU) 阈值。
classeslistNone按类别索引过滤结果。例如，classes=[0, 2, 3] 仅跟踪指定的类别。
verboseboolTrue控制跟踪结果的显示，提供被跟踪对象的视觉输出。
devicestrNone指定推理设备（例如 cpu、cuda:0 或 0）。允许用户在 CPU、特定的 GPU 或其他计算设备之间进行选择以执行模型。

此外，还提供以下可视化设置：

参数类型默认值描述
showboolFalse如果为 True，则在窗口中显示标注后的图像或视频。这对于开发或测试过程中的即时视觉反馈非常有用。
line_widthint or NoneNone指定边界框的线条宽度。如果为 None，则线条宽度会根据图像尺寸自动调整。提供用于清晰度的视觉自定义功能。
show_confboolTrue在标签旁显示每次检测的置信度得分。让你深入了解模型对每次检测的确定性。
show_labelsboolTrue在视觉输出中显示每次检测的标签。提供对检测到对象的即时理解。

Link to this section工作原理#

安全警报系统利用 对象追踪 来监控视频流并探测潜在的安全威胁。当系统检测到的对象超过指定阈值（由 records 参数设定）时，它会自动发送一封包含所检测对象图像附件的电子邮件通知。

该系统利用 SecurityAlarm 类，它提供了以下方法：

  1. 处理帧并提取目标检测结果
  2. 使用边界框标注帧中检测到的目标
  3. 当超出检测阈值时发送电子邮件通知

此实现非常适合家庭安全、零售监控以及其他对检测到目标后的即时通知至关重要的监控应用。

Link to this section常见问题解答#

Link to this sectionUltralytics YOLO26 如何提高安全报警系统的准确性？#

Ultralytics YOLO26 通过提供高准确性的实时目标检测来增强安全报警系统。其先进的算法显著减少了误报，确保系统仅对真正的威胁做出响应。这种可靠性的提升可以与现有安全基础设施无缝集成，从而升级整体监控质量。

Link to this section我可以将 Ultralytics YOLO26 与我现有的安全基础设施集成吗？#

是的，Ultralytics YOLO26 可以无缝集成到你现有的安全基础设施中。该系统支持多种模式并提供灵活的定制功能，允许你利用先进的对象检测能力来增强现有配置。关于在项目中集成 YOLO26 的详细说明，请访问 集成章节。

Link to this section运行 Ultralytics YOLO26 的存储要求是什么？#

在标准配置下运行 Ultralytics YOLO26 通常需要约 5GB 的可用磁盘空间。这包括了存储 YOLO26 模型及任何额外依赖项所需的空间。对于云端解决方案，Ultralytics Platform 提供了高效的项目管理和数据集处理功能，可以优化存储需求。了解更多关于 Pro Plan 的信息，以获取包括扩展存储在内的增强功能。

Link to this section是什么让 Ultralytics YOLO26 与 Faster R-CNN 或 SSD 等其他目标检测模型不同？#

凭借其实时检测能力和更高的准确性，Ultralytics YOLO26 在 Faster R-CNN 或 SSD 等模型面前具有明显优势。其独特的架构使其能够更快地处理图像而不牺牲 准确率，这使其非常适合安全警报系统等对时间敏感的应用。如需对象检测模型的综合对比，你可以浏览我们的 指南。

Link to this section如何使用 Ultralytics YOLO26 减少我安全系统中的误报频率？#

为了减少误报，请确保你的 Ultralytics YOLO26 模型使用了多样化且标注良好的数据集进行充分训练。微调超参数并使用新数据定期更新模型可以显著提高检测准确率。详细的 超参数调优 技术可以在我们的 超参数调优指南 中找到。

贡献者
GLglenn-jocher17RIRizwanMunawar6RAraimbekovm3PDpderrenger1ONonuralpszr1Y-Y-T-G1JKjk4e1AMambitious-octopus1IVIvorZhu3311

评论