异常行为检测数据集 | 9100张YOLO安防监控数据集适用于公共安防监控、周界防范与目标检测研究一、数据集概述本数据集面向计算机视觉目标检测任务专为行人异常行为识别模型训练、验证与测试设计共包含约9100张高质量标注图像。该数据集覆盖多种行人状态与异常姿态可广泛应用于公共安防监控、周界防范、客流异常预警等场景适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。随着公共安全需求的不断提升和智能安防技术的快速发展利用计算机视觉技术实现行人异常行为的自动检测已成为提升公共区域安全管理水平的重要手段。本数据集针对异常行为检测场景中行为状态多样、场景光照复杂、目标尺度变化等问题进行专项构建可为智能安防监控系统与行为分析设备提供高质量数据支撑。数据集下载通过网盘分享的文件异常行为检测-5类链接: https://pan.baidu.com/s/1Osm8fGOrMM6Mppuha3kOfg?pwd8trg提取码: 8trg二、数据集基本信息项目内容数据集名称异常行为检测数据集数据规模约9100张高质量标注图像任务类型目标检测Object Detection检测目标行人异常行为状态类别数量nc5类标注方式Bounding Box目标框标注数据格式YOLO标准格式数据来源真实公共区域与安防监控视角采集数据划分Train / Valid / Test适配模型YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等三、数据集类别说明本数据集为多类别目标检测数据集共设置5个检测类别覆盖行人异常行为的多种典型状态类别设计贴合公共安防监控实际需求。类别配置nc:5names:-non_pedestrian-reverse-sit-sleep-stand类别详情类别ID类别名称英文名称类别说明0非行人non_pedestrian场景中的非行人目标车辆、物品等背景对象1逆向reverse行人逆向行走或违反正常行进方向的行为2坐sit行人在非正常休息区域坐下的行为状态3睡sleep行人在公共区域躺卧/睡觉的异常行为状态4站stand行人正常站立状态作为正常行为参考基准五类设计从正常行为基准→异常行为识别→背景干扰过滤形成完整的异常行为检测体系基准行为站行人正常站立状态为区分异常行为提供参照异常状态坐、睡公共区域中非正常的停留行为可能预示异常事件异常动态逆向违反正常行进方向的异常行为背景过滤非行人排除非行人目标干扰保障检测精度类别设计覆盖了公共安防监控中常见的行人行为模式对正常/异常行为区分具有一定挑战适合行为检测算法研究与练习。四、数据集结构说明数据集采用标准YOLO目录结构组织已按训练集、验证集、测试集进行科学划分结构清晰便于直接接入主流检测框架。异常行为检测-5类/ ├── train │ ├── images │ └── labels ├── valid │ ├── images │ └── labels ├── test │ ├── images │ └── labels └── data.yaml各数据集作用如下train/images labels训练集图像与标签用于模型参数学习与特征提取valid/images labels验证集图像与标签用于超参数调优、早停监控及防止过拟合test/images labels测试集图像与标签用于最终模型性能评估与泛化能力测试。标注文件为同名.txt格式每行格式为类别索引 x_center y_center width height坐标均为归一化值配套data.yaml已配置好类别名称与数量可直接适配YOLO系列等目标检测框架。五、数据集核心优势1. 聚焦公共区域行人行为分析本数据集以行人异常行为检测为核心任务所有图像聚焦于公共区域的行人活动监控视角覆盖多种行人状态与异常姿态。主题聚焦于公共安全与行为分析类别语义清晰更利于训练出针对异常行为的精准识别模型。覆盖场景包括公共交通区域地铁站、公交站、候车厅公共休闲区域广场、公园、步行街商业区域商场、超市、地下通道重点安防区域重要设施周边、周界不同监控视角与安装高度能够有效提升模型的实际部署效果。2. 完整的行为状态覆盖五类标签覆盖了公共区域行人行为的核心状态谱系站立状态正常等待、观望、交谈等基准行为坐姿状态在非休息区域坐下的异常行为可能是身体不适或异常聚集躺卧/睡觉状态在公共区域躺卧属于明显异常行为可能涉及醉酒、疾病等逆向状态违反正常人流方向可能预示异常事件或故意行为非行人场景背景目标过滤提升检测纯净度覆盖从正常行为基准到多种异常形态的完整行为谱系。3. 丰富的场景与行为多样性数据覆盖多种安防监控环境与行为状态场景类型室内公共区域、室外公共场所、不同背景环境光照条件白天自然光、室内灯光、夜间低照度行人分布单人、多人、人群聚集等不同密度行为姿态不同年龄、体态、着装的行人行为拍摄角度不同监控视角与距离贴近真实公共安防环境有效提升模型泛化能力。4. 高质量人工标注所有图像均经过高质量人工精准标注边界框规整、无漏标/错标以行人为目标进行框选标注5类标签判别标准统一清晰满足高精度检测模型训练需求有效保证模型训练质量。5. 大规模即用型数据约9100张高质量图像样本量充足覆盖多种行人状态与异常姿态。标准目录结构多类别配置无需复杂预处理下载即可直接用于模型训练。6. 适中的难度设计数据集对正常/异常行为区分有一定挑战包含光照变化、遮挡、姿态差异等复杂因素适合行为检测算法研究与模型调优练习。六、适用场景公共区域异常行为预警部署于地铁站、广场、商场等公共区域实现行人异常行为的自动检测与实时预警。周界防范与重点区域监控在重要设施周边、管制区域进行行人行为监测识别异常靠近、滞留等行为。客流异常状态识别在交通枢纽、旅游景点等场所识别客流中的异常行为模式辅助客流管理与应急处置。安防视频智能分析作为安防监控视频智能分析系统的核心模块实现海量视频中异常行为的自动化筛查。社区与校园安全管理应用于居民社区、校园等区域的智能安全监控识别徘徊、躺卧等异常行为。教学科研用于目标检测算法入门、行为识别研究、多类别模型验证与调优等科研场景。七、适用研究方向本数据集可广泛应用于以下研究领域行人行为识别与异常检测研究公共安防智能监控研究多类别目标检测研究5类行为姿态估计与分类研究视频监控实时分析研究YOLO系列模型优化研究轻量化检测模型与边缘部署研究域适应与跨场景泛化研究人群行为分析与态势感知研究智慧安防与平安城市研究八、总结异常行为检测数据集包含约9100张高质量标注图像采用标准YOLO格式构建专注于公共区域行人异常行为的检测任务。数据集覆盖非行人、逆向、坐、睡、站5类核心类别具有样本量大、场景多样、标注精准等特点可广泛应用于公共区域异常行为预警、周界防范、客流异常识别、安防视频分析等领域是开展异常行为检测算法研发与智慧安防系统建设的优质数据资源。