使用 Ultralytics YOLO26 的安全报警系统项目

AI-powered security alarm system with object detection

这个利用 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，使系统能够识别并迅速响应潜在的安全威胁。该项目提供以下优势：

实时检测： YOLO26 的高效率使安全报警系统能够实时检测并响应安全事件，从而最小化响应时间。
准确率： YOLO26 以其在目标检测方面的准确性而闻名，可减少误报并提高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，提供一层升级的智能监控。

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

注意

需要生成应用专用密码

导航到应用专用密码生成器，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，不会重复发送。你可以根据项目需求自定义代码。

收到的电子邮件示例

Security alert email notification example

`SecurityAlarm` 参数

以下是 SecurityAlarm 参数的表格：

参数	类型	默认值	描述
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径。
`records`	`int`	`5`	触发带有安全警报系统的电子邮件所需的总检测计数。

SecurityAlarm 解决方案支持多种 track 参数：

参数	类型	默认值	描述
`tracker`	`str`	`'botsort.yaml'`	指定使用的跟踪算法，例如 `bytetrack.yaml` 或 `botsort.yaml`。
`conf`	`float`	`0.1`	设置检测的置信度阈值；较低的值允许跟踪更多对象，但可能会包含误报。
`iou`	`float`	`0.7`	设置过滤重叠检测的 Intersection over Union (IoU) 阈值。
`classes`	`list`	`None`	按类别索引过滤结果。例如，`classes=[0, 2, 3]` 将仅跟踪指定的类别。
`verbose`	`bool`	`True`	控制跟踪结果的显示，提供跟踪对象的视觉输出。
`device`	`str`	`None`	指定推理设备（例如 `cpu`、`cuda:0` 或 `0`）。允许用户选择 CPU、特定的 GPU 或其他计算设备来执行模型。

此外，还提供以下可视化设置：

参数	类型	默认值	描述
`show`	`bool`	`False`	如果设为 `True`，则在一个窗口中显示标注后的图像或视频。这对于开发或测试期间的即时视觉反馈非常有用。
`line_width`	`int or None`	`None`	指定边界框的线宽。如果为 `None`，线宽将根据图像大小自动调整。提供视觉自定义以提高清晰度。
`show_conf`	`bool`	`True`	在标签旁边显示每个检测结果的置信度分数。让你可以洞察模型对每个检测的确定性。
`show_labels`	`bool`	`True`	在可视化输出中显示每个检测结果的标签。提供对检测对象的即时了解。

工作原理

该安全报警系统使用目标追踪来监控视频流并检测潜在的安全威胁。当系统检测到的对象超过指定阈值（由 records 参数设置）时，它会自动发送一封包含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：

处理帧并提取目标检测结果
在检测到的目标周围使用边界框标注帧
当超过检测阈值时发送电子邮件通知

这种实现方案非常适合家庭安防、零售监控以及其他需要对检测到的目标进行即时通知的监控应用。

常见问题 (FAQ)

Ultralytics 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，确保系统仅对真实的威胁做出响应。这种提高后的可靠性可以与现有的安全基础设施无缝集成，从而提升整体监控质量。

我可以将 Ultralytics YOLO26 与我现有的安全基础设施集成吗？

可以，Ultralytics YOLO26 可以与你现有的安全基础设施无缝集成。系统支持多种模式并提供灵活的自定义选项，使你能够利用先进的目标检测功能来增强现有设置。有关在项目中集成 YOLO26 的详细说明，请访问集成部分。

运行 Ultralytics YOLO26 的存储要求是什么？

在标准设置下运行 Ultralytics YOLO26 通常需要约 5GB 的可用磁盘空间。这包括存储 YOLO26 模型和任何额外依赖项所需的空间。对于基于云的解决方案，Ultralytics Platform 提供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。

Ultralytics YOLO26 与 Faster R-CNN 或 SSD 等其他目标检测模型有何不同？

Ultralytics YOLO26 凭借其实时检测能力和更高的准确性，比 Faster R-CNN 或 SSD 等模型更具优势。其独特的架构使其能够更快地处理图像而不牺牲精确度，这使其成为安全报警系统等时间敏感型应用的理想选择。如需目标检测模型的全面对比，你可以查阅我们的指南。

我该如何使用 Ultralytics YOLO26 减少我安全系统中的误报频率？

To reduce false positives, ensure your Ultralytics YOLO26 model is adequately trained with a diverse and well-annotated dataset. Fine-tuning hyperparameters and regularly updating the model with new data can significantly improve detection accuracy. Detailed hyperparameter tuning techniques can be found in our hyperparameter tuning guide.

Contributors

GLglenn-jocher¹⁶ RIRizwanMunawar⁶ RAraimbekovm¹ PDpderrenger¹ ONonuralpszr¹ Y-Y-T-G¹ JKjk4e¹ AMambitious-octopus¹ IVIvorZhu331¹

Created 2023年12月1日Updated 上周