使用Ultralytics YOLO11的安防报警系统项目
利用Ultralytics YOLO11的安防报警系统项目集成了先进的计算机视觉能力，以增强安全措施。YOLO11由Ultralytics开发，提供实时物体检测，使系统能够及时识别和响应潜在的安全威胁。该项目提供以下几个优势：
- 实时检测： YOLO11的高效性使安防报警系统能够实时检测和响应安全事件，最小化响应时间。
- 准确性： YOLO11以其物体检测的准确性著称，减少误报，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现有安防基础设施，提供升级的智能监控层。
观看： 使用Ultralytics YOLO11的安防报警系统项目 物体检测
代码
设置消息参数
Note
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“安全项目”，并获取一个16位密码。复制此密码并按照指示粘贴到指定的密码字段中。
服务器创建和认证
import smtplib
server = smtplib.SMTP("smtp.gmail.com: 587")
server.starttls()
server.login(from_email, password)
发送邮件函数
from email.mime.multipart import MIMEMultipart
from email.mime.text import MIMEText
def send_email(to_email, from_email, object_detected=1):
"""发送一封电子邮件通知，指示检测到的物体数量；默认检测到一个物体。"""
message = MIMEMultipart()
message["From"] = from_email
message["To"] = to_email
message["Subject"] = "安全警报"
# 添加消息正文
message_body = f"警报 - 已检测到{object_detected}个物体!!"
message.attach(MIMEText(message_body, "plain"))
server.sendmail(from_email, to_email, message.as_string())
物体检测和警报发送器
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):
"""初始化一个带有指定摄像头索引的ObjectDetection实例。"""
self.capture_index = capture_index
self.email_sent = False
# 模型信息
self.model = YOLO("yolo11n.pt")
# 视觉信息
self.annotator = None
self.start_time = 0
self.end_time = 0
# 设备信息
self.device = "cuda" if torch.cuda.is_available() else "cpu"
def predict(self, im0):
"""使用YOLO模型对输入图像`im0`进行预测。"""
results = self.model(im0)
return results
def display_fps(self, im0):
"""在图像`im0`上显示FPS，通过计算并叠加为白色文本在黑色矩形上。"""
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):
"""在图像上绘制边界框，给定检测结果；返回带注释的图像和类别ID。"""
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):
"""从摄像头流中对视频帧运行对象检测，绘制并显示结果。"""
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: # 仅在之前未发送时发送电子邮件
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("YOLO11 Detection", im0)
frame_count += 1
if cv2.waitKey(5) & 0xFF == 27:
break
cap.release()
cv2.destroyAllWindows()
server.quit()
调用对象检测类并运行推理
就是这样！当你执行代码时，如果检测到任何物体，你将收到一封电子邮件通知。通知会立即发送，不会重复。不过，欢迎根据项目需求自由定制代码。
收到的邮件示例
常见问题
Ultralytics YOLO11如何提高安防报警系统的准确性？
Ultralytics YOLO11通过提供高精度、实时的物体检测来增强安防报警系统。其先进的算法显著减少了误报，确保系统仅对真实威胁做出响应。这种提高的可靠性可以无缝集成到现有的安防基础设施中，提升整体监控质量。
我可以将Ultralytics YOLO11与现有的安防基础设施集成吗？
是的，Ultralytics YOLO11可以无缝集成到您现有的安防基础设施中。该系统支持多种模式，并提供灵活的自定义选项，使您能够通过先进的物体检测功能增强现有设置。有关在项目中集成YOLO11的详细说明，请访问集成部分。
运行Ultralytics YOLO11需要多少存储空间？
在标准设置上运行Ultralytics YOLO11通常需要大约5GB的可用磁盘空间。这包括存储YOLO11模型和任何额外依赖项的空间。对于基于云的解决方案，Ultralytics HUB提供了高效的项目管理和数据集处理，可以优化存储需求。了解更多关于Pro计划的信息，包括扩展存储等增强功能。
Ultralytics YOLO11与其他物体检测模型（如Faster R-CNN或SSD）有何不同？
Ultralytics YOLO11在实时检测能力和更高精度方面优于Faster R-CNN或SSD等模型。其独特的架构使其能够在不牺牲精度的情况下更快地处理图像，非常适合安防报警系统等对时间敏感的应用。有关物体检测模型的全面比较，您可以查看我们的指南。
如何使用Ultralytics YOLO11减少安防系统中的误报频率？
要减少误报，请确保您的Ultralytics YOLO11模型使用多样且标注良好的数据集进行充分训练。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精度。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。
