本教程将详细讲解如何基于YOLOv8构建电梯内异常行为检测系统，覆盖扒门、摔倒、超载等核心异常场景的识别，从数据集定制化构建、模型训练优化到实时检测与告警集成的全流程，帮助开发者快速落地电梯智能安防方案。

学习步骤

1. 需求分析与数据集规划

   1. 明确检测目标：确定电梯内需要识别的异常行为类型，包括乘客扒门、摔倒、人员超载、携带危险物品4类核心场景；
   2. 数据集来源规划：优先选用公开电梯场景数据集（如Elevator Action Dataset）补充自采视频数据，自采需覆盖不同品牌电梯、不同时段光照、不同乘客数量的场景；
   3. 数据量规划：每类异常行为标注数据不少于500张，正常场景数据不少于2000张，确保模型泛化能力。

2. 电梯异常行为数据集构建与标注

   1. 数据预处理：将自采视频按10帧/秒抽取图片，对模糊、过曝/欠曝图片进行筛选剔除；
   2. 标注工具选择：使用Roboflow或LabelImg进行标注，针对不同异常类型设置标签：door_pry、fall、overload、dangerous_item；
   3. 标注规范：标注框需精准框住目标主体，对于摔倒场景需标注人体整体，超载场景需标注所有乘客并添加overload标签；
   4. 数据集划分：按7:2:1比例划分为训练集、验证集、测试集，导出为YOLO格式的数据集文件。

3. YOLOv8模型配置与训练环境搭建

   1. 环境搭建：安装Python 3.8+、PyTorch 2.0+，通过pip安装ultralytics库：`pip install ultralytics`；
   2. 模型选择：初始选用YOLOv8m模型，兼顾精度与速度，后续可根据部署需求切换轻量化模型YOLOv8n；
   3. 配置文件修改：复制YOLOv8默认yaml配置文件，修改nc（类别数）为4，names为自定义标签列表；
   4. 启动训练：执行命令`yolo detect train data=elevator_data.yaml model=yolov8m.pt epochs=50 batch=16 imgsz=640`，训练过程中监控loss曲线与验证集指标。

4. 模型优化与性能验证

   1. 数据增强优化：在训练配置中添加Mosaic、MixUp、亮度对比度调整等增强策略，提升模型对复杂光照场景的适应能力；
   2. 模型微调：针对检测精度低的场景（如低光照下的摔倒检测），增加对应场景的训练数据，进行10-20轮微调；
   3. 性能验证：在测试集上计算mAP@0.5、Precision、Recall指标，确保mAP@0.5≥0.92，帧率≥25FPS；
   4. 模型导出：将最优模型导出为ONNX、TensorRT格式，便于后续部署。

5. 实时检测系统部署与告警集成

   1. 视频流接入：使用OpenCV读取电梯摄像头RTSP流，编写帧处理逻辑；
   2. 推理部署：加载导出的YOLOv8模型，对每帧图像进行推理，获取异常行为检测结果；
   3. 告警逻辑开发：当检测到异常行为时，触发声光告警（通过GPIO控制硬件）、推送邮件/短信告警（调用第三方短信API），同时保存异常场景截图；
   4. 后台监控：搭建简单Web界面，实时展示电梯监控画面与告警记录。

6. 系统测试与迭代优化

   1. 场景测试：模拟电梯内各种异常场景，测试模型检测准确率与告警响应速度；
   2. 边缘部署适配：若部署在边缘设备（如NVIDIA Jetson Nano），使用TensorRT进行模型量化，确保推理延迟≤100ms；
   3. 迭代更新：定期收集新的异常场景数据，补充到数据集进行模型迭代，提升系统鲁棒性。