校园安全AI视频行为分析系统 YOLOv5

校园安全AI视频行为分析系统以视频监控AI分析系统为核心，校园安全AI视频行为分析系统利用校园已有的监控摄像头对校园现场监控画面中学生打架、异常跌倒、攀爬翻墙、违规闯入、明火烟雾、睡岗离岗、抽烟打电话等行为问题，校园安全AI视频行为分析系统主动识别预警存档，并同步把报警信息发送到后台值班保安室提醒值班人员及时处理解决危险事件，尽量避免更加危险的情况发生。

在YOLO系列算法中，针对不同的数据集，都需要设定特定长宽的锚点框。在网络训练阶段，模型在初始锚点框的基础上输出对应的预测框，计算其与GT框之间的差距，并执行反向更新操作，从而更新整个网络的参数，因此设定初始锚点框也是比较关键的一环。在YOLOv3和YOLOv4检测算法中，训练不同的数据集时，都是通过单独的程序运行来获得初始锚点框。YOLOv5中将此功能嵌入到代码中，每次训练时，根据数据集的名称自适应的计算出最佳的锚点框，用户可以根据自己的需求将功能关闭或者打开，具体的指令为parser.add_argument(‘–noautoanchor’, action=‘store_ true’, help=‘disable autoanchor check’)，如果需要打开，只需要在训练代码时增加–noautoanch or选项即可。

随着社会的发展和人们生活水平的快速进步，大家对于校园安全事件越来越重视，不止是学校和学生家长，全社会都在高度关注。现代校园安全借助信息化手段来提高其安全管理，然而传统的校园信息化安防监控系统已经无法满足当下社会信息化校园的需求，而校园安全AI视频行为分析系统因具有及时发现预警灵活的部署与便捷而大规模应用，更加安全、高效成为当下社会阶段平安校园建设的必备AI手段。

import torch
from torch import nn
from d2l import torch as d2l


class Reshape(torch.nn.Module):
    def forward(self, x):
        # 通过view函数把图像展成标准的Tensor接收格式，即(样本数量，通道数，高，宽)
        return x.view(-1, 1, 28, 28)

net = torch.nn.Sequential(
    Reshape(),
    # 第一个卷积块，这里用到了padding=2
    nn.Conv2d(1, 6, kernel_size=5, padding=2), 
    nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    
    # 第二个卷积块
    nn.Conv2d(6, 16, kernel_size=5), 
    nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    
    # 稠密块（三个全连接层）
    nn.Flatten(),
    nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
    nn.Linear(120, 84), nn.Sigmoid(),
    nn.Linear(84, 10))

校园安全AI视频行为分析系统通过AI视频智能分析技术，校园安全AI视频行为分析系统对监控区域出现烟或者火时、检测到人员有吸烟或打电话动作、对监控室人员在岗、学生打架、倒地以及攀高翻墙行为，自动识别并报警通知管理人员，立即做出应对措施。校园安全AI视频行为分析系统采用AI视觉技术，对校园内原有的监控升级为AI视频分析功能，校方不需要再另行投资再增加摄像头，降低校方智能化升级改造的成本。