Una Dashboard YoLo per Telecamere IP: Il Progetto Prende Vita! 🤖📹

Tra i progetti che sto portando avanti con più entusiasmo ce n’è uno che unisce diverse cose che mi divertono parecchio: automazione, Computer Vision, backend web e alert in tempo reale. 🚦🤖

L’idea è costruire una dashboard personale in PHP, affiancata da servizi in Python, per collegarsi a una qualsiasi telecamera IP disponibile in rete tramite flussi RTSP e avviare inferenze live con modelli della famiglia YOLO.

In pratica, l’obiettivo è semplice da spiegare ma molto interessante da realizzare: collego una camera, seleziono un modello, scelgo il tipo di analisi da eseguire, definisco alcune condizioni di alert e ricevo una notifica su Telegram quando viene rilevato ciò che mi interessa. Il tutto da una dashboard unica, pensata per essere modulare, leggera e facile da estendere. 🌐

🎛️ L’idea alla base della dashboard

Il progetto nasce da un’esigenza molto concreta: avere un’interfaccia semplice per orchestrare tutto il flusso, senza dover ogni volta aprire script sparsi, modificare parametri a mano o lanciare comandi diversi da terminale.

Invece di ragionare per script isolati, sto lavorando a una dashboard centralizzata che permetta di gestire:

• 📷 La connessione alla telecamera IP
• 🧠 Il caricamento o download dei modelli YOLO
• ⚙️ Il tipo di task da eseguire, ad esempio detection o pose estimation
• 📺 La visualizzazione del feed e dei risultati dell’inferenza
• 🚨 Le regole di alert e le notifiche via Telegram
• 🗃️ La cronologia degli eventi e degli snapshot salvati

L’obiettivo non è creare un semplice viewer RTSP, ma un piccolo centro di controllo per testare scenari di sorveglianza intelligente, automazione visuale e prototipi di monitoraggio personalizzato.

📡 Connessione alle telecamere IP

Il primo blocco della piattaforma è naturalmente la connessione alla sorgente video. La dashboard permette di configurare i parametri principali della camera: indirizzo IP o hostname, porta, credenziali, protocollo e URL del flusso.

In molti casi la sorgente viene raggiunta tramite uno stream RTSP, spesso decodificato lato Python con OpenCV o FFmpeg. Questo approccio è molto flessibile perché consente di lavorare con numerose telecamere IP, NVR, DVR o stream compatibili esposti in rete locale o in ambienti controllati.

I parametri della connessione possono essere salvati in MariaDB, così da poter riutilizzare facilmente configurazioni già pronte senza reinserire tutto ogni volta. In prospettiva, questo permette anche di gestire più telecamere, profili diversi e scenari separati per ciascun ambiente.

Una precisazione importante: credenziali, endpoint RTSP e token non dovrebbero mai essere gestiti in chiaro nel codice o nel database senza protezioni. Anche in un progetto personale conviene usare cifratura, variabili d’ambiente e ruoli di accesso ben definiti. 🔐

🧠 Gestione dei modelli YOLO

Uno degli aspetti più interessanti della dashboard è la gestione dei modelli di inferenza. L’idea è permettere all’utente di caricare o collegare modelli YOLO in modo abbastanza flessibile, senza dover ogni volta lavorare manualmente da shell.

Sto progettando un flusso che supporti più modalità:

• ⬇️ Upload diretto di pesi locali, ad esempio file .pt
• 🔗 Download tramite URL fornito dall’utente
• 🧪 Integrazione con repository o workflow collegati a Roboflow
• 🤗 Integrazione con modelli e risorse pubblicate su Hugging Face

Qui è utile fare una distinzione tecnica: non tutti i servizi espongono i modelli nello stesso modo e non sempre il download diretto dei pesi personalizzati è disponibile con le stesse condizioni per ogni piano o workflow. In alcuni casi è più corretto parlare di integrazione con API, export di dataset, endpoint di inferenza o recupero di artefatti compatibili, piuttosto che di “download automatico garantito” del file finale.

Per questo la dashboard è pensata in modo modulare: invece di legarsi a un unico provider, prova a gestire più sorgenti possibili e ad astrarre il concetto di modello, task e sorgente dei pesi.

⚙️ Task di inferenza

Una volta collegata la camera e scelto il modello, entra in gioco la parte più interessante: l’inferenza in tempo reale.

La dashboard prevede un selettore di task per scegliere il tipo di elaborazione più adatto allo scenario. Tra i casi d’uso più immediati ci sono:

• 🎯 Object Detection, per individuare e classificare oggetti nel frame
• 🧍 Pose Estimation, per rilevare keypoint e postura delle persone
• 🧩 Estensioni future verso segmentation, tracking e counting

Il motore di inferenza gira lato Python, dove è più naturale lavorare con librerie come Ultralytics, OpenCV, NumPy e strumenti di elaborazione video. PHP, in questo schema, ha il ruolo di orchestratore: raccoglie le configurazioni dalla dashboard, salva lo stato, avvia processi controllati e legge i risultati da mostrare a schermo.

Questa separazione dei ruoli mi piace molto perché mantiene il backend web relativamente pulito, lasciando al motore Python la parte computazionale più pesante. 👨‍💻

📺 Feed live e risultati

Una volta avviata l’elaborazione, la dashboard deve mostrare in modo chiaro ciò che sta succedendo. Non basta sapere che il modello sta girando: serve una visualizzazione utile, leggibile e immediata.

L’interfaccia che sto progettando include:

• 🖥️ Anteprima del feed video o del flusso elaborato
• 📦 Bounding box sugli oggetti rilevati
• 📍 Keypoint e skeleton nel caso di pose estimation
• 📊 Confidence score e metadati essenziali
• 🕒 Cronologia degli eventi rilevati
• 📸 Snapshot automatici associati agli alert

Questo permette di passare da un semplice output “tecnico” a una dashboard davvero operativa, utile anche quando il progetto crescerà con nuovi filtri, più camere o logiche di correlazione tra eventi.

In una fase successiva vorrei anche aggiungere una visualizzazione migliore dello stato del sistema: FPS, utilizzo CPU/GPU, camera online/offline, task attivo, modello selezionato e coda delle notifiche.

🚨 Notifiche Telegram

Uno dei moduli che considero più utili è quello delle notifiche Telegram. Quando si lavora con flussi video e rilevamenti automatici, avere una dashboard è comodo, ma ricevere un alert immediato sul telefono è ancora più pratico. 📲

L’idea è permettere di definire una o più keyword o classi di interesse, ad esempio persona, auto, casco, animale, intruso o qualsiasi altra etichetta presente nel modello usato. Quando il sistema rileva quella condizione, viene generata una notifica.

Le notifiche possono includere:

• 🚨 Nome dell’oggetto o dell’evento rilevato
• 🕒 Timestamp dell’evento
• 📷 Snapshot del frame associato al rilevamento
• 📍 Eventuali dettagli aggiuntivi, come camera, livello di confidence o regola attivata

Dal punto di vista tecnico, l’integrazione può avvenire tramite le API HTTP del Telegram Bot, usando chiamate cURL o librerie dedicate lato PHP. È una soluzione comoda perché consente di inviare sia messaggi di testo sia immagini, ad esempio tramite endpoint come sendMessage o sendPhoto.

In ottica pratica, però, conviene sempre aggiungere alcuni controlli: deduplicazione degli alert, soglia minima di confidence, cooldown temporale tra notifiche uguali e magari una logica anti-spam. Altrimenti basta una scena rumorosa per trasformare Telegram in una mitragliatrice di notifiche. 😅

🗃️ Il ruolo di PHP, Python e MariaDB

Lo stack che sto usando è volutamente ibrido. Non perché mi piaccia complicarmi la vita, ma perché ogni componente fa bene cose diverse.

• 🐘 PHP gestisce la dashboard, il backend web, le API interne e l’orchestrazione del sistema
• 🐍 Python si occupa della parte di Computer Vision, elaborazione video, inferenza e post-processing
• 🛢️ MariaDB conserva configurazioni, parametri delle camere, eventi, cronologia degli alert e riferimenti agli snapshot

Questa architettura ha diversi vantaggi. Da un lato PHP resta ottimo per costruire pannelli, CRUD, autenticazione e interfacce amministrative snelle. Dall’altro Python è la scelta naturale quando bisogna lavorare con modelli AI, stream video, immagini e pipeline di inferenza.

Il punto chiave è definire bene il punto di contatto tra i due mondi: processi lanciati da backend, job queue, file temporanei, endpoint interni o messaggistica. Più questa parte è pulita, più il sistema resta mantenibile nel tempo.

🔩 Vantaggi pratici del progetto

Al di là della componente “nerd”, questa dashboard può diventare molto utile in diversi scenari reali.

• 🏠 Monitoraggio personalizzato di ambienti domestici o piccoli uffici
• 🏭 Test rapidi di Computer Vision in contesti industriali o logistici
• 🚗 Rilevamento di oggetti, mezzi o persone in aree specifiche
• 🧪 Laboratorio per provare modelli custom addestrati su dataset proprietari
• 📡 Integrazione con automazioni, alerting e workflow esterni
• 🧠 Base di partenza per sistemi più avanzati di tracking, counting o anomaly detection

Mi piace soprattutto il fatto che il progetto possa crescere in modo incrementale. Prima una camera, poi più stream. Prima detection, poi tracking. Prima alert base, poi logiche condizionali più intelligenti.

🔐 Sicurezza e aspetti delicati

Quando si lavora con telecamere IP, credenziali, stream video e notifiche remote, la sicurezza non può essere un dettaglio secondario.

Ci sono almeno alcuni aspetti da trattare con attenzione:

• 🔒 Protezione delle credenziali RTSP, dei token API e dei bot Telegram
• 🌐 Esposizione controllata della dashboard, evitando accessi pubblici non necessari
• 🧱 Segmentazione di rete per telecamere e servizi sensibili
• 🗄️ Protezione dei frame e degli snapshot che possono contenere dati sensibili
• 📜 Logging e audit delle azioni più importanti
• ⚖️ Valutazione privacy, soprattutto se il sistema elabora immagini di persone in ambienti reali

In più, una dashboard che lancia processi, scarica file e gestisce input esterni va progettata con grande attenzione su validazione, permessi, sanitizzazione e controllo dei comandi. Quando PHP e Python iniziano a parlarsi, la potenza aumenta — ma anche la superficie d’attacco.

🛠️ Stato attuale e roadmap

Il progetto è ancora in fase iniziale, ma la direzione è già chiara. La struttura generale della dashboard è definita, la parte di connessione alle camere sta prendendo forma e sto lavorando soprattutto sull’integrazione tra motore YOLO, inferenza live e sistema di notifiche.

La roadmap che ho in mente comprende:

• ✅ Gestione stabile delle connessioni camera
• ✅ Configurazione modelli e task dalla dashboard
• 🧪 Integrazione completa dell’inferenza live
• 📲 Pipeline di notifiche Telegram con snapshot allegati
• 🗂️ Storico eventi con filtri e ricerca
• 👥 Gestione utenti e autenticazione dashboard
• 📦 Pubblicazione open source su GitHub, quando il codice sarà abbastanza ordinato da non farmi vergognare troppo

L’idea open source mi piace perché questo tipo di progetto può essere utile a chi vuole sperimentare rapidamente con Computer Vision, telecamere IP e automazione senza dover ricostruire ogni volta tutta l’infrastruttura da zero.

🎉 Dove voglio arrivare

L’obiettivo finale è creare un sistema modulare, leggero e personalizzabile, capace di trasformare una normale telecamera IP in una sorgente intelligente di eventi, analisi e alert.

Non voglio costruire una piattaforma monolitica piena di feature inutili, ma uno strumento pratico: collegare una camera, scegliere un modello, definire una regola e ottenere un comportamento osservabile, utile e replicabile.

Se il progetto evolverà come immagino, potrà diventare una base molto interessante per test di sicurezza, automazione visuale, monitoraggio ambientale, prototipi industriali e piccoli sistemi di sorveglianza intelligente. 🚀

In fondo è proprio questo il bello di progetti del genere: partire da un feed video e arrivare, passo dopo passo, a un sistema che non si limita a vedere, ma inizia anche a interpretare e reagire.