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公共场所暴力安全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，为商场、地铁站厅、校园广场、街区步行区等公共场所提供智能化的暴力行为识别、安全异常分析与预警服务。系统集成了图片检测、视频检测、RTSP多路实时监控、模型管理、数据集管理等多项功能，构建了一个完整的公共场所暴力安全检测与预警服务平台。
项目链接
公共场所暴力安全智能检测分析预警系统(YOLO检测_多模态大模型分析)
链接: https://pan.baidu.com/s/15bKt7FhkQaFcER3gdwOpBg?pwd=g3gc 提取码: g3gc
二、技术栈
前端技术栈 (web-vue)
- 核心框架: Vue 3.5.13 (Composition API)
- UI组件库: Element Plus 2.9.4
- 状态管理: Pinia 2.3.1
- 路由管理: Vue Router 4.5.0
- HTTP客户端: Axios 1.7.9
- 图表可视化: ECharts 5.6.0
- 视频播放: flv.js 1.6.2
- 构建工具: Vite 6.1.0 + TypeScript 5.7.2
后端+算法端技术栈 (web-flask)
- 核心框架: Flask (Python)
- 数据库: SQLite 3
- 身份认证: JWT
- 图像处理: OpenCV + NumPy
- 深度学习: YOLOv8/YOLO11/YOLO12/YOLO26
- 视频处理: OpenCV视频流处理
- 实时监控: RTSP多路视频流拉取与分析
- 大模型编排: LangChain（暴力安全助手流式问答）
- 大语言模型: Qwen-VL的API接口
三、功能模块
核心创新点
- 目标精准检测：支持暴力行为（violence）与非暴力（nonviolence）2类目标的智能识别和定位
- 多模态检测方式：支持图片、视频、RTSP多路实时监控三种检测模式
- 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的公共场所暴力安全异常自动识别、定位与分级预警
- 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检测分析预警的完整闭环
- 多模态大模型辅助分析：使用通义千问VL多模态大模型提供三大场景的AI分析能力：
- 图片检测中对公共场所场景进行结果评估（场景正常/存在冲突风险/疑似暴力行为/异常聚集/疑似误检等结论）+详细场景分析+监测处置建议生成，支持用户填写补充信息引导分析；
- 视频检测完成后对关键帧手动触发AI诊断（发现异常/未见异常）；
- 实时监控中对YOLO检测到的目标进行实时暴力安全异常诊断
- 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ByteTrack多目标跟踪、虚拟检测线目标过线统计（累计过线/近1分钟过线）、严重程度分级(可忽略/轻微/中等/严重/紧急)、AI异常诊断(发现异常记录+报警/未见异常仅记录/未开启诊断不记录)、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：上传图片进行暴力行为/非暴力目标检测，支持CLAHE图像增强、AI场景分析（结果评估+详细分析，支持用户补充信息）、监测处置建议生成、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、关键帧截图保存、对关键帧手动触发AI诊断（发现异常/未见异常）
- 实时监控：接入多路RTSP摄像头进行实时检测，虚拟检测线目标过线统计（累计过线/近1分钟过线）、会话级智能去重、AI异常诊断（发现异常记录+报警/未见异常仅记录/未开启诊断不记录）、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/诊断结果/处理状态)
- 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
- 商业综合体监测：商场中庭、步行街区等客流密集区域的暴力行为识别与安全观察
- 交通枢纽与地铁站厅：站厅、进出站口场景下的冲突与异常聚集辅助分析
- 校园与文体场馆：广场、看台、公共区的人员行为监测与异常预警
- 安防指挥与值守中心：为管理人员提供图像记录与暴力安全异常参考
四、项目内容
- 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) - 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)核心功能模块介绍
(5)API接口文档 - 系统PPT
(1)系统架构图、架构交互图
(2)算法模块流程图
(3)图片、视频、实时检测时序图
(4)数据流图
(5)UML类图
(6)功能模块概要图、功能模块图
(7)数据库ER图
(8)训练过程图
(9)验证指标图
(10)验证效果图 - 系统使用注意事项
- 模型训练文档
- 数据库开发文档
(1)数据库概述
(2)数据库表详细设计结构
(3)建表SQL语句 - 系统文档
(1)介绍
(2)相关技术与理论
(3)系统需求分析
(4)系统总体设计
(5)系统设计与实现
(6)模型训练与性能评估
(7)系统测试 - 公共场所暴力安全检测数据集
(1)总样本数：23045张公共场所行为场景图片
(2)训练集：18000张图片 (用于模型训练)
(3)验证集：2438张图片 (用于模型验证和性能调优)
(4)测试集：2607张图片 (用于模型最终性能评估，含3596个目标实例)
(5)检测类别: 2类目标检测
0: violence - 暴力行为
1: nonviolence - 非暴力 - 已经训练好的模型权重，整体精度如下：
(1)precision (精确率): 0.801
(2)recall (召回率): 0.879
(3)mAP50 (IoU阈值0.5时的平均精度): 0.902
(4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.691
(5)violence mAP50 (暴力行为类别): 0.931
五、系统主要功能截图
