摘要：本研究构建了一个面向自动扶梯危险行为检测的目标检测数据集，共包含 2772 张图像和 3168 个标注框，涵盖 10 类典型危险行为。数据集按 7:2:1 的比例划分为训练集、验证集和测试集（分别为 1940、554、278 张），采用 YOLO 标注格式
数据集简介
本研究构建了一个涵盖10类自动扶梯危险行为的目标检测数据集，共2772张图像、3168个标注框，按7:2:1划分为训练集、验证集和测试集，采用YOLO标注格式。
数据集概述
本研究构建了一个面向自动扶梯危险行为检测的目标检测数据集，旨在为智能监控场景下的扶梯安全隐患识别提供数据支撑。数据集共包含2772张图像和3168个标注框，涵盖10类典型危险行为：逆行、摔倒、攀爬扶手、轮椅上扶梯、携带大件行李、婴儿车上扶梯、衣物卷入、手伸出扶手外、头伸出扶手外及鞋子卷入。
数据集按约7:2:1的比例划分为训练集（1940张，2215个标注框）、验证集（554张，626个标注框）和测试集（278张，327个标注框），标注格式采用YOLO格式。各类别样本量存在一定差异，其中逆行类最多（909框），手伸出扶手外类最少（108框）。
图像来源涵盖多种扶梯场景，具有不同的拍摄角度、光照条件和人群密度，能够较好地反映真实监控环境的复杂性，为模型的泛化能力提供了保障。
数据集来源
本研究所使用的数据集为自主构建，图像数据来源于真实自动扶梯监控场景的视频录像及网络公开视频，经逐帧提取与筛选后获得2772张有效图像。所有图像均由人工进行标注，采用YOLO格式的边界框标注方式，定义了逆行、摔倒、攀爬扶手、轮椅上扶梯、携带大件行李、婴儿车上扶梯、衣物卷入、手伸出扶手外、头伸出扶手外及鞋子卷入共10类危险行为目标，共计标注3168个实例。标注过程中严格遵循统一的标注规范，以确保标注质量的一致性与准确性。
类别定义
标注规范
标注采用 YOLO 格式：每个目标一行，字段为 class x_center y_center width height， 坐标均为相对归一化（0~1）。
图1 标注规范图
数据规模与划分
- 总图像数： 2772；**总标注框数：**3168
图2 数据集在训练、验证和测试集上的分布
数据集按照约 70:20:10 的比例划分为训练集、验证集和测试集：
表1 数据集划分及用途说明
质量控制
标注采用双阶段质量控制流程：首先进行规范化标注与自检， 确保目标框贴合实例外接矩形且类别一致；随后进行抽样复核， 针对漏标、错标与框位置偏差进行纠正。对争议样本进行二次确认， 以提高跨标注者一致性与总体标注可靠性。
数据格式与使用
数据集采用标准 YOLO 格式组织，通过 data.yaml 配置文件即可快速集成到训练流程中。
目录结构
数据集采用标准 YOLO 格式组织，图像和标注文件分别存放在 images/ 和 labels/ 目录下，并按训练集、验证集、测试集划分。
使用方式
在训练脚本中指定 data.yaml 即可加载数据：
性能评测
基于 YOLO11 模型在本数据集上进行训练和评测，使用mAP@0.5与mAP@0.5:0.95等标准指标对模型检测效果进行评估。评测结果如下：
训练过程综合指标曲线图
图3 训练与验证指标随Epoch变化趋势图
精确率-召回率（PR）曲线图
图4 目标检测PR曲线（Precision-Recall）
F1分数-置信度阈值曲线图
图5 不同置信度阈值下的F1曲线
归一化混淆矩阵图（分类误判分析）
图6 归一化混淆矩阵（person / leaflet）
应用案例
图7 应用案例：基于深度学习电梯扶梯危险行为检测系统的设计与实现
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。 如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-5
数据大小：1.2G