基于YOLOv8深度学习的扰乱公共秩序打架异常行为检测系统研究与实现(PyQt5界面+数据集+训练代码)

随着智能监控技术和人工智能的发展，基于深度学习的行为检测技术在公共安全和防范领域中发挥着越来越重要的作用。传统的监控系统通常依赖于人工监控，这不仅耗费大量的人力和时间，且容易因为人的疲劳或疏忽而漏检关键的异常行为。而近年来，随着深度学习技术的快速发展，计算机视觉领域涌现出了大量基于深度学习模型的行为识别算法，为公共安全提供了自动化、智能化的解决方案。

本研究针对扰乱公共秩序及打架等异常行为，提出了一种基于YOLOV8模型的智能检测系统。YOLOV8作为最新一代的目标检测算法，具有更高的检测精度和更快的检测速度，适合实时监控场景的应用。该系统通过对打架、群体冲突等扰乱公共秩序的行为进行识别，能够有效提高监控视频中的异常行为检测效率。

系统的核心算法部分采用YOLOV8深度学习模型，该模型通过大规模的数据集进行训练，以学习多种异常行为的特征。在训练过程中，使用了丰富的行为数据集，包含不同场景下的打架、暴力行为等视频样本，确保模型在不同光照、角度和遮挡条件下依然能够保持较高的检测性能。同时，系统设计了基于PyQt5的图形用户界面（GUI），使用户能够方便地操作系统。通过界面，用户可以加载实时视频流或者预录的视频文件，进行模型的训练和测试，并实时展示检测结果。检测结果不仅可以显示异常行为的具体位置，还能够统计相关行为发生的频率和持续时间，提供更加全面的行为分析。

为了验证该系统的有效性，本研究进行了大量的实验。实验结果表明，系统在复杂场景下，如拥挤的人群、光线变化较大的室内外环境中，依然能够对扰乱秩序及打架行为进行精准检测。相比传统的监控方法，该系统的反应速度快，检测精度高，能够及时捕捉潜在的公共安全威胁，并通过自动化的方式为监控人员提供警示，大大减少了人工监控的负担。系统的实时性和高效性也使其在实际公共场所，如地铁站、体育馆、大型商场等场景中具备广泛的应用前景。

该基于YOLOV8模型的扰乱公共秩序及打架行为检测系统不仅在技术上实现了突破，还通过用户友好、功能齐全的界面设计，为用户提供了方便快捷的操作体验。本系统的开发为提升公共安全监控的智能化水平提供了一个创新的解决方案，能够有效应对日益复杂的安全环境挑战，具备广泛的应用价值。

算法流程

项目数据

通过搜集关于数据集为各种各样的打架异常行为相关图像，并使用Labelimg标注工具对每张图片进行标注，分3个检测类别，分别是fight表示”打架”、nofight表示”没打架”、walk”行人”。

目标检测标注工具
（1）labelimg:开源的图像标注工具，标签可用于分类和目标检测，它是用python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持 COCO数据集格式。
（2）安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

结束后，在cmd中输入labelimg

初识labelimg

打开后，我们自己设置一下

在View中勾选Auto Save mode

接下来我们打开需要标注的图片文件夹

并设置标注文件保存的目录（上图中的Change Save Dir）
接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。

Labelimg的快捷键

（3）数据准备
这里建议新建一个名为data的文件夹（这个是约定俗成，不这么做也行），里面创建一个名为images的文件夹存放我们需要打标签的图片文件；再创建一个名为labels存放标注的标签文件；最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。

data的目录结构如下：
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别（这个文件可有可无，但是在我们定义类别比较多的时候，最好有这个创建一个这样的txt文件来存放类别）

首先在images这个文件夹放置待标注的图片。
生成文件如下:

“classes.txt”定义了你的 YOLO 标签所引用的类名列表。

（4）YOLO模式创建标签的样式

存放标签信息的文件的文件名为与图片名相同，内容由N行5列数据组成。
每一行代表标注的一个目标，通常包括五个数据，从左到右依次为：类别id、x_center、y_center、width、height。
其中：
–x类别id代表标注目标的类别；