Privacy, regioni e conformità

Regione dei dati e regione di distribuzione#

Durante la configurazione iniziale, la piattaforma misura la latenza verso le sue tre regioni dei dati e consiglia quella più vicina. La scelta diventa la dataRegion dell'account:

La regione dei dati determina dove la piattaforma archivia dataset, modelli e dati di addestramento gestito, nonché da dove viene eseguita l'inferenza condivisa. Tre aspetti non rientrano in questo ambito:

• Gli endpoint dedicati vengono eseguiti in una delle 42 regioni di distribuzione che scegli: un workspace EU può quindi fornire il servizio da Tokyo e l'immagine di ogni richiesta viene inviata lì.
• I dati a livello di account, come il profilo, la fatturazione e l'attività, vengono elaborati a livello globale, come descritto nell'informativa sulla privacy.
• Posizione di calcolo. La regione dei dati garantisce la posizione di archiviazione. Se un contratto limita la posizione in cui avviene l'elaborazione, verifica con Ultralytics la posizione di GPU ed endpoint prima dell'addestramento oppure usa On Premise.

Non puoi modificare autonomamente la regione dei dati: devi inviare una richiesta all'assistenza. I workspace del team ereditano la regione dei dati della persona che li crea. Prendi la decisione in base al contratto, non alla latenza:

Quando la latenza e la residenza dei dati entrano in conflitto per utenti multinazionali, scegli con attenzione: un endpoint nella regione dei dati (conformità più semplice, ma più lento per gli utenti lontani), endpoint in più regioni (più veloci, ma ogni regione riceve le immagini delle richieste, quindi verifica che ciascuna sia conforme al contratto) oppure workspace separati per giurisdizione (separazione più rigorosa, ma più onerosi da gestire).

Visibilità e accesso#

I nuovi dataset e progetti sono Pubblici per impostazione predefinita nei piani Free e Pro e Privati nel piano Enterprise. Chiunque, compresi i visitatori senza aver effettuato l'accesso, può visualizzare le risorse pubbliche e clonarle da Esplora; rendere privata una risorsa in un secondo momento non rimuove le copie già clonate da altri. I workspace del team (Pro ed Enterprise) prevedono quattro ruoli:

Ogni endpoint dedicato è associato a una sola chiave API e solo il proprietario del workspace può visualizzare i valori delle chiavi. Eliminare la chiave non blocca l'endpoint; per farlo, devi arrestare o eliminare la distribuzione.

Esempio svolto: anonimizzare prima del caricamento#

La piattaforma sfoca i volti: fai clic con il pulsante destro del mouse su un'immagine e scegli Sfoca volti (gratuito), esegui l'operazione su un intero dataset da Altre azioni (1,00 $ ogni 1.000 immagini) oppure attiva la sfocatura nella finestra Nuovo dataset, così le immagini vengono sfocate durante l'elaborazione senza costi. La funzione non sfoca targhe, schermi o intere persone presenti sullo sfondo e non è disponibile sui dataset collegati.

Per tutto il resto, anonimizza i dati prima che i pixel lascino il tuo dispositivo. Per esempio, in un progetto con carrelli elevatori le persone sono passanti, non una classe da rilevare, quindi sfoca completamente ciascuna persona:

from pathlib import Path

import cv2

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # swap in a plate or face detector for those objects
out = Path("anonymized")
out.mkdir(exist_ok=True)

for result in model.predict("https://ultralytics.com/images/bus.jpg", classes=[0], conf=0.25, verbose=False):
    img = result.orig_img
    for x1, y1, x2, y2 in result.boxes.xyxy.int().tolist():
        img[y1:y2, x1:x2] = cv2.GaussianBlur(img[y1:y2, x1:x2], (51, 51), 0)  # irreversible once saved
    cv2.imwrite(str(out / Path(result.path).name), img)
    print(f"{Path(result.path).name}: blurred {len(result.boxes)} people")

bus.jpg: blurred 4 people

• classes=[0] limita il rilevamento alle persone; imposta predict sulla cartella dei tuoi fotogrammi per elaborare un'intera serie.
• conf=0.25 è volutamente basso: per la privacy, una zona sfocata in più è preferibile a una persona non rilevata. Controlla comunque a campione i risultati, perché i rilevatori non individuano alcune persone piccole o parzialmente occluse.
• Carica solo la cartella anonymized/ e conserva gli originali secondo quanto previsto dalla tua policy di conservazione.

Regole decisionali: sfoca solo i volti (con lo strumento della piattaforma) quando le persone sono una classe che rilevi, perché sfocare interi corpi eliminerebbe il segnale da cui apprende il modello. Sfoca interamente i passanti quando le persone non sono una classe. Maschera le targhe quando le tue regole le considerano dati personali, come spesso accade nell'EU e in California. Quando dal sito possono uscire solo conteggi o avvisi, esegui l'inferenza all'edge e invia metadati invece dei fotogrammi.

Conservazione ed eliminazione#

Per le richieste di accesso, l'opzione Esporta tutti i dati in Impostazioni > Profilo genera un file JSON con i tuoi metadati (profilo, dataset, progetti, modelli, attività), ma non immagini o pesi.

Checklist di conformità prima del lancio#

1. Quali dati escono dall'ambiente del cliente? Fotogrammi, predizioni o solo dati aggregati?
2. Quali sono le regioni dei dati e le regioni di distribuzione? Sono tutte conformi al contratto?
3. Tutti i dataset e i progetti sensibili sono impostati come Privati? Verifica l'eventuale presenza di cloni pubblici creati in precedenza.
4. I volti sono sfocati e le targhe mascherate dove necessario? Chi controlla a campione ciò che la sfocatura non ha rilevato?
5. Puoi addestrare il modello con i dati di questo cliente? In caso contrario, conservali in un workspace separato.
6. Come elimini le immagini di un cliente su richiesta? Indica i dataset e la procedura per spostarli nel Cestino.
7. Chi ha ciascun ruolo e chi possiede le chiavi API della distribuzione?

Ultralytics pubblica il proprio profilo di sicurezza, incluse la conformità a ISO/IEC 27001:2022 e SOC 2 Type I, nella pagina sulla sicurezza. Per ogni distribuzione soggetta a normative, chiedi l'approvazione di un revisore della conformità.

Insidie#