基于「YOLO目标检测 + 多模态AI分析」的人员摔倒智能检测分析预警系统

一、项目演示视频

项目简介：本项目是一个基于人工智能技术的人员摔倒智能检测分析预警系统，旨在通过先进的计算机视觉技术和深度学习模型，为重点区域安全监管与处置提供智能化的摔倒目标识别与预警服务。系统集成了图片检测、视频检测、实时检测、模型管理、数据集管理等多项功能，构建了一个完整的人员摔倒检测与预警服务平台。

核心创新点

摔倒目标精准检测: 支持人员摔倒的智能识别和定位
多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12/YOLO26等先进目标检测模型
智能预警分析: 基于AI的人员摔倒自动识别、定位与预警
分层权限管理: 支持管理员和普通用户的差异化功能访问
完整工作流程: 从数据集管理到模型管理再到摔倒目标检测预警的完整闭环
多模态大模型辅助分析: 使用多模态大模型根据YOLO检测识别结果和图片进一步分析并给出合理处置建议(属于图片识别功能模块)
模型评估系统: 支持上传YOLO格式标签与模型预测对比，自动计算Precision、Recall、mAP50等精度指标，生成GT框与预测框的可视化对比图，支持用户评分和评语
实时预警系统: 支持严重程度分级(可忽略/轻微/中等/严重/紧急)、LLM二次验证、处理状态管理

核心功能模块

用户管理: 支持用户注册、登录、权限管理、个人信息管理等功能
数据集管理: 支持上传ZIP格式YOLO数据集，自动验证数据集结构和完整性
模型管理: 支持创建模型、上传权重、训练过程图片/文件管理、模型发布等
图片检测: 上传图片进行摔倒目标检测，支持CLAHE图像增强、多模态AI分析、处置建议生成、导出Word报告
视频检测: 上传视频进行逐帧检测，支持帧率采样、异步处理、进度查询、关键帧截图、LLM二次验证
实时检测: 使用电脑摄像头进行实时检测，会话级智能去重、LLM二次验证(过滤YOLO误检)、严重程度五级分级(可忽略/轻微/中等/严重/紧急)、处理状态管理(未处理/已处理)、实时通知预警、多维度筛选(用户/严重程度/处理状态/LLM验证状态)
模型评估: 上传图片和标签文件评估模型性能，支持精度指标计算、可视化对比、用户评分筛选

应用场景

链接: https://pan.baidu.com/s/1p1VZegBnOm8BD8mci4lWUg?pwd=usug 提取码: usug

完整系统源码
(1)前端源码(web-vue)
(2)后端+算法端源码(web-flask)
(3)模型训练代码(other/model_train/detect)
项目介绍文档
(1)项目概述
(2)项目技术栈
(3)项目目录结构
(4)系统架构图、功能模块图
(5)数据库开发文档
项目启动教程
(1)环境安装教程(视频+文档)
(2)系统启动教程(视频+文档)
人员摔倒检测数据集
(1)总样本数：10653张图片
(2)训练集：9307张图片 (用于模型训练)
(3)验证集：895张图片 (用于模型验证和性能调优)
(4)测试集：451张图片 (用于模型最终性能评估)
(5)检测类别: 1类人员摔倒检测
0: fall - 摔倒 - 人员摔倒行为
已经训练好的模型权重，在测试集（451张图片、451个目标实例）上的整体精度如下：
(1)precision (精确率, Box P): 0.888
(2)recall (召回率, R): 0.794
(3)mAP50 (IoU阈值0.5时的平均精度): 0.857
(4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.577