基于YOLOv8的行人持刀检测系统

项目简介

本项目是一套基于深度学习YOLOv8模型开发的行人持刀检测系统，聚焦安防场景下危险刀具识别需求，适配图片、视频、摄像头实时检测等多场景，配套完整数据集、训练模型、可视化界面及代码，可快速部署落地。g

核心功能

• 多模态检测：支持JPG/PNG图片、MP4/AVI视频、本地摄像头实时流检测
• 可视化交互：基于PyQt5搭建简洁GUI界面，直观展示检测结果、置信度及目标坐标
• 高精度识别：基于5000张标注数据训练，mAP@0.5达96.2%，推理速度约40FPS
• 便捷操作：一键打开文件、启停检测、查看结果，支持检测结果扩展保存

项目架构

整体结构清晰分层，涵盖数据集、模型、代码、界面四大核心模块：

1. 数据集模块：含训练/验证集图片与YOLO格式标注文件，覆盖近景、远景、遮挡、多光照等复杂场景
2. 模型模块：提供YOLOv8s训练的最佳权重文件，可直接加载使用
3. 代码模块：包含模型训练、核心检测、图片/视频测试、配置等脚本
4. 界面模块：PyQt5开发的可视化程序，整合文件操作、检测控制、结果展示功能

环境配置

适配Python3.11，依赖PyTorch、OpenCV、Ultralytics、PyQt5等核心库，支持Anaconda虚拟环境一键安装依赖，快速搭建运行环境。

数据集与模型

• 数据集：采用公开刀具检测数据集+自采集数据，LabelImg标注为YOLO格式，仅含“刀”1个类别
• 模型：以YOLOv8s为基础模型，100轮训练，AdamW优化器，最终模型精度高、推理速度快

运行流程

1. 配置虚拟环境并安装依赖包
2. 直接运行GUI主程序
3. 选择图片/视频文件或调用摄像头
4. 启动检测，实时查看标注结果与数据
5. 可扩展保存检测后的文件及日志

核心优势

• 全链路落地：从数据、训练、模型到界面，提供完整可直接运行方案
• 场景适配强：覆盖静态图片、动态视频、实时监控等安防高频场景
• 轻量化易用：界面简洁、操作门槛低，无需深度学习专业知识
• 可扩展性高：支持替换YOLOv8系列其他模型，可扩展多目标检测、报警联动等功能
  

文章标签

#YOLOv8 #行人持刀检测 #安防AI系统 #深度学习实战 #PyQt5可视化 #危险物品识别