本项目旨在通过计算机视觉技术实现暴力行为的实时监测和分类。利用先进的目标检测算法YOLOv8，结合Streamlit开发的前端界面，该系统能够高效地从图像或视频中识别出暴力行为，并及时报警。系统支持对实时摄像头输入进行分析，以及上传的图像和视频文件。

技术栈:

• YOLOv8: 目标检测模型，用于检测图像中的物体。
• Streamlit: Python Web应用框架，用于构建用户界面。

功能特点:

• 支持图片、视频及实时摄像头输入。
• 实现暴力行为与正常行为的二分类。
• 提供直观的用户界面，便于操作和监控。

混淆矩阵示例（假设数据）:

          预测值正常  暴力
实际值
正常   95    5
暴力   10   85

这表明模型在测试集上具有较高的准确率，其中95%的正常行为被正确分类为正常，而85%的暴力行为被正确识别。

关键代码示例

下面是一些关键代码片段，包括如何使用YOLOv8进行预测以及如何用Streamlit构建用户界面。

YOLOv8预测代码

首先确保安装了ultralytics库：

pip install ultralytics

然后编写预测函数：

from ultralytics import YOLOdef predict(image_path, model):"""使用YOLOv8模型进行预测。:param image_path: 图像路径:param model: 加载的YOLOv8模型:return: 预测结果"""results = model.predict(image_path)return results[0].boxes.cls

Streamlit前端代码

创建一个简单的Web应用：

import streamlit as st
from PIL import Image
import torch# 加载模型
model = YOLO('path/to/yolov8_model.pt')# Streamlit应用
st.title("暴力行为分类系统")# 文件上传
uploaded_file = st.file_uploader("上传图片或视频", type=["jpg", "jpeg", "png", "mp4"])if uploaded_file is not None:# 保存上传的文件到临时目录temp_file_path = f"temp_{uploaded_file.name}"with open(temp_file_path, mode='wb') as f:f.write(uploaded_file.read())# 显示上传的文件if uploaded_file.name.endswith(('jpg', 'jpeg', 'png')):image = Image.open(uploaded_file)st.image(image, caption='Uploaded Image.', use_column_width=True)elif uploaded_file.name.endswith('mp4'):st.video(uploaded_file)# 进行预测predictions = predict(temp_file_path, model)# 输出预测结果if 0 in predictions:st.write("预测结果: 正常")elif 1 in predictions:st.write("预测结果: 暴力")else:st.write("无法识别的行为")

注意事项

• 上述代码需要根据实际情况调整模型路径等细节。
• 对于实时摄像头的支持，您可以使用OpenCV来捕获视频流并将其传递给预测函数。
• 在部署前，请确保所有依赖项都已经安装并且兼容。