Ultralytics YOLO26 如何提高安防报警系统的准确率？

Ultralytics YOLO26 通过提供高准确率的实时目标检测来增强安防报警系统。其先进算法可显著减少误报，确保系统仅对真实威胁做出响应。提升后的可靠性可以无缝集成到现有安全基础设施中，从而提高整体监控质量。

我可以将 Ultralytics YOLO26 集成到现有的安全基础设施中吗？

可以，Ultralytics YOLO26 能够无缝集成到现有的安全基础设施中。该系统支持多种模式，并提供灵活的自定义选项，让你能够通过先进的目标检测能力增强现有系统。有关在项目中集成 YOLO26 的详细说明，请参阅集成部分。

运行 Ultralytics YOLO26 需要什么存储空间？

在标准配置上运行 Ultralytics YOLO26 通常需要约 5GB 的可用磁盘空间，其中包括存储 YOLO26 模型和其他依赖项所需的空间。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，有助于优化存储需求。详细了解具备扩展存储等增强功能的 Pro Plan。

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

Ultralytics YOLO26 凭借实时检测能力和更高的准确率，在 Faster R-CNN 或 SSD 等模型的基础上更具优势。其独特架构能够以更快的速度处理图像，同时不牺牲精确率，因此非常适合安防报警系统等对时效性要求高的应用。如需全面比较目标检测模型，可以查看我们的指南。

如何使用 Ultralytics YOLO26 降低安防系统中的误报频率？

要减少误报，请确保你的 Ultralytics YOLO26 模型使用多样且标注完善的数据集进行了充分训练。微调超参数并定期使用新数据更新模型，可以显著提高检测准确率。你可以在我们的超参数调优指南中找到详细的超参数调优技术。

使用 Ultralytics YOLO26 的安防报警系统项目#

AI-powered security alarm system with object detection

使用 Ultralytics YOLO26 的安防报警系统项目集成了先进的计算机视觉能力，以增强安全防护措施。Ultralytics 开发的 YOLO26 提供实时目标检测功能，使系统能够及时识别并响应潜在的安全威胁。该项目具有以下优势：

**实时检测：**YOLO26 的高效性使安防报警系统能够实时检测并响应安全事件，从而缩短响应时间。
**准确率：**YOLO26 以其目标检测准确率而闻名，可减少误报并提高安防报警系统的可靠性。
**集成能力：**该项目可以无缝集成到现有的安全基础设施中，为其提供升级后的智能监控层。

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

使用 YOLO26 发送安全警报#

SecurityAlarm 解决方案会跟踪视频流中的对象，并在检测数量达到 records 阈值后，立即发送一封附带标注图像的电子邮件警报。使用应用专用密码验证 Gmail 账户，然后针对源运行该解决方案。

需要应用专用密码

前往 App Password Generator，指定一个应用名称（例如“security project”），并获取一个 16 位密码。复制这个密码并将其粘贴到下方代码的 password 字段中。

使用 Ultralytics YOLO 的安防报警系统

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

运行代码后，如果检测到任何对象，你将收到一封电子邮件通知。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#

下面是 SecurityAlarm 参数表：

参数	类型	默认值	描述
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径。
`records`	`int`	`5`	触发安防报警系统发送电子邮件所需的检测总数。
`line_width`	`int`	`2`	解决方案绘制的框、关键点和计数的线条粗细。
`verbose`	`bool`	`True`	启用解决方案逐帧记录输入形状、类别计数和处理速度的日志。跟踪调用本身始终保持静默。

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'`	指定要使用的跟踪算法。内置选项：`botsort.yaml`、`bytetrack.yaml`、`ocsort.yaml`、`deepocsort.yaml`、`fasttrack.yaml`、`tracktrack.yaml`。
`conf`	`float`	`0.25`	设置检测的置信度阈值；较低的值允许跟踪更多对象，但可能包含误报。
`iou`	`float`	`0.7`	设置用于过滤重叠检测结果的交并比（IoU）阈值。
`classes`	`list`	`None`	按类别索引过滤结果。例如，`classes=[0, 2, 3]` 仅跟踪指定类别。
`device`	`str`	`None`	指定推理设备（例如 `cpu`、`cuda:0` 或 `0`）。允许用户在 CPU、特定 GPU 或其他计算设备之间进行选择，以执行模型。
`imgsz`	`int or tuple`	`640`	目标推理图像大小：用于正方形的整数或 `(height, width)` 对。形状会根据模型步长进行调整。
`max_det`	`int`	`300`	在跟踪前每帧保留的最大检测数，用于限制解决方案在密集场景中处理的对象数量。
`quantize`	`int or str`	`None`	推理精度：针对 PyTorch 和 TorchScript 模型，使用 `16` (FP16) 或 `32`/不设置 (FP32)；其他格式则在其工件和运行时选择的精度下进行计算。它替代了已弃用的 `half` 标志。

此外，还可以使用以下可视化设置：

参数	类型	默认值	描述
`show`	`bool`	`False`	如果为 `True`，则会在窗口中显示带标注的图像或视频。适用于开发或测试期间获取即时视觉反馈。
`show_conf`	`bool`	`True`	在每个检测结果旁显示其置信度分数，让你了解模型对每个检测结果的确定程度。
`show_labels`	`bool`	`True`	在可视化输出中显示每个检测结果的标签，帮助你立即了解检测到的对象。

工作原理#

安防报警系统使用目标跟踪来监控视频流并检测潜在的安全威胁。当系统检测到数量超过指定阈值的对象时（由 records 参数设置），它会自动发送一封电子邮件通知，并附上显示检测对象的图像。

系统利用 SecurityAlarm 类，提供以下方法：

处理帧并提取目标检测结果
在检测到的对象周围绘制边界框，为帧添加标注
当检测阈值超出时发送电子邮件通知

此实现非常适合家庭安防、零售监控及其他监控应用，在这些场景中，对检测到的对象进行即时通知至关重要。

常见问题#

Ultralytics YOLO26 通过提供高准确率的实时目标检测来增强安防报警系统。其先进算法可显著减少误报，确保系统仅对真实威胁做出响应。提升后的可靠性可以无缝集成到现有安全基础设施中，从而提高整体监控质量。
可以，Ultralytics YOLO26 能够无缝集成到现有的安全基础设施中。该系统支持多种模式，并提供灵活的自定义选项，让你能够通过先进的目标检测能力增强现有系统。有关在项目中集成 YOLO26 的详细说明，请参阅集成部分。
在标准配置上运行 Ultralytics YOLO26 通常需要约 5GB 的可用磁盘空间，其中包括存储 YOLO26 模型和其他依赖项所需的空间。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，有助于优化存储需求。详细了解具备扩展存储等增强功能的 Pro Plan。
Ultralytics YOLO26 凭借实时检测能力和更高的准确率，在 Faster R-CNN 或 SSD 等模型的基础上更具优势。其独特架构能够以更快的速度处理图像，同时不牺牲精确率，因此非常适合安防报警系统等对时效性要求高的应用。如需全面比较目标检测模型，可以查看我们的指南。
要减少误报，请确保你的 Ultralytics YOLO26 模型使用多样且标注完善的数据集进行了充分训练。微调超参数并定期使用新数据更新模型，可以显著提高检测准确率。你可以在我们的超参数调优指南中找到详细的超参数调优技术。

贡献者

GLglenn-jocher¹⁸ RAraimbekovm⁶ RIRizwanMunawar⁶ PDpderrenger¹ ONonuralpszr¹ Y-Y-T-G¹ JKjk4e¹ AMambitious-octopus¹ IVIvorZhu331¹

创建时间 2023年12月1日更新时间 4天前