AI 助理
文档备案控制台
开发者社区 人工智能 文章 正文

基于YOLO26的电梯内电瓶车检测识别（中英文双版） | 附完整源码与效果演示

2026-03-11 98
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 本文提出了一种基于YOLO26深度学习算法的电梯内电瓶车检测识别系统。该系统通过部署在电梯内的摄像头实时采集视频流，利用训练好的YOLO26模型对画面中的目标进行检测，准确识别出自行车和电动摩托车两类目标，从而实现对违规行为的智能预警和拦截。

基于YOLO26的电梯内电瓶车检测识别（中英文双版） | 附完整源码与效果演示

引言

随着城市化进程的加快和高层建筑的普及，电梯已成为人们日常生活中不可或缺的垂直交通工具。然而，近年来电动车进入电梯引发的安全事故频发，给居民生命财产安全带来了严重威胁。电动车在电梯内充电或自燃可能引发火灾，而电梯轿厢空间狭小、通风条件差，一旦发生火灾，后果将不堪设想。

为了解决这一问题，本文提出了一种基于YOLO26深度学习算法的电梯内电瓶车检测识别系统。该系统通过部署在电梯内的摄像头实时采集视频流，利用训练好的YOLO26模型对画面中的目标进行检测，准确识别出自行车和电动摩托车两类目标，从而实现对违规行为的智能预警和拦截。
在这里插入图片描述

背景意义

安全隐患分析

电动车进入电梯存在多重安全隐患：

  1. 火灾风险：电动车电池在密闭空间内可能因过充、短路等原因引发火灾，电梯轿厢内逃生困难
  2. 空间占用：电动车体积较大，影响其他乘客正常乘梯，降低电梯运行效率
  3. 设备损坏：电动车进出电梯容易碰撞轿厢壁板和门机系统，造成设备损坏
  4. 管理困难：传统人工监管成本高、效率低，难以实现全天候有效监控
    在这里插入图片描述

技术解决方案

基于计算机视觉的智能检测系统具有以下优势：

  • 实时性强：YOLO系列算法以速度快著称，能够满足实时检测需求
  • 准确率高：深度学习模型经过大量数据训练，识别准确率高
  • 自动化程度高：无需人工干预，7×24小时自动运行
  • 可扩展性好：可与其他安防系统联动，实现综合管控

社会价值

本项目的实施具有重要的社会意义：

  • 保障居民生命财产安全，减少火灾事故发生
  • 提升物业管理智能化水平，降低人力成本
  • 推动智慧社区建设，促进城市安全管理现代化
    在这里插入图片描述

项目视频展示

https://www.bilibili.com/video/BV1cmcQzKEjQ/

在这里插入图片描述
包含：
📦完整项目源码
📦预训练模型权重
🗂️数据集

项目详细效果展示

在这里插入图片描述
在这里插入图片描述

数据集信息

本项目使用的数据集专门针对电梯场景下的交通工具检测任务构建，包含两个检测类别：

类别编号 类别名称（中文） 类别名称（英文）
0 自行车 Bicycle
1 电动摩托车 EVMotorcycle

数据集采用标准的YOLO格式进行标注，每个图像对应一个文本文件，标注格式为：类别ID 中心点x坐标 中心点y坐标 宽度 高度，所有坐标均为相对于图像尺寸的归一化值。

数据集按照标准比例划分为训练集、验证集和测试集，确保模型训练和评估的科学性。训练集用于模型参数学习，验证集用于超参数调优和模型选择，测试集用于最终性能评估。

数据集中的图像采集自真实电梯环境，涵盖了不同光照条件、不同角度、不同距离的目标样本，具有良好的场景多样性和代表性。数据增强技术的应用进一步提升了模型的泛化能力。

本项目主要工作

系统架构设计

本系统采用端到端的深度学习检测框架，整体架构如下图所示：

flowchart TB
    subgraph 数据采集层
        A[电梯摄像头] --> B[视频流采集]
    end

    subgraph 模型推理层
        B --> C[图像预处理]
        C --> D[YOLO26检测模型]
        D --> E[目标检测与分类]
    end

    subgraph 业务应用层
        E --> F{检测到<br/>电动车?}
        F -->|是| G[触发告警]
        F -->|否| H[正常通行]
        G --> I[声光报警]
        G --> J[电梯门控制]
        G --> K[记录日志]
    end

    style D fill:#e1f5ff,stroke:#01579b,stroke-width:2px
    style G fill:#ffebee,stroke:#c62828,stroke-width:2px

模型选择与优化

本项目选用YOLO26作为基础检测模型，主要基于以下考虑：

  1. 检测速度：YOLO系列算法以单阶段检测架构著称，推理速度快，能够满足实时性要求
  2. 检测精度：YOLO26在保持高速度的同时，通过网络结构优化提升了检测精度
  3. 部署便利：模型结构简洁，易于在边缘设备上部署运行

针对电梯场景的特点，本项目进行了以下优化：

  • 数据增强：采用Mosaic增强、MixUp、随机翻转等多种增强策略，提升模型泛化能力
  • 锚框优化：根据数据集中目标的尺寸分布，优化预设锚框参数
  • 损失函数调优：调整分类损失、定位损失和置信度损失的权重比例

训练策略

模型训练采用以下策略：

  1. 迁移学习：基于预训练权重进行微调，加速收敛并提升性能
  2. 学习率调度：采用余弦退火策略，动态调整学习率
  3. 早停机制：监控验证集性能，防止过拟合
  4. 多尺度训练：随机调整输入图像尺寸，增强模型对不同尺度目标的适应能力

国内外研究现状

目标检测算法发展

目标检测是计算机视觉领域的核心任务之一，近年来取得了长足发展：

两阶段检测器：

  • R-CNN系列（R-CNN、Fast R-CNN、Faster R-CNN）通过区域提议网络生成候选框，再进行分类和回归，精度高但速度较慢
  • 适用于对实时性要求不高的场景

单阶段检测器：

  • YOLO（You Only Look Once）系列将检测任务转化为回归问题，单次前向传播完成检测和分类，速度极快
  • SSD（Single Shot MultiBox Detector）采用多尺度特征图进行检测，在速度和精度之间取得平衡
  • RetinaNet引入Focal Loss解决类别不平衡问题

Transformer-based方法：

  • DETR系列将Transformer架构引入目标检测，实现端到端的检测
  • 在复杂场景下表现出色，但计算开销较大

电动车检测研究现状

国内外学者针对电动车检测开展了大量研究：

传统方法：

  • 基于HOG、SIFT等手工特征的方法，在特定场景下有效，但泛化能力差
  • 背景差分法、帧差法等运动检测方法，对静态目标效果不佳
    在这里插入图片描述

深度学习方法：

  • 基于YOLO、Faster R-CNN等通用检测框架的迁移学习
  • 针对小目标、遮挡等难点问题的专项优化
  • 多模态融合（可见光+红外）提升复杂环境下的检测性能

电梯场景专用系统：

  • 国内已有部分厂商推出电梯电动车检测产品，主要采用YOLOv5、YOLOv8等算法
  • 系统集成度不断提高，支持与梯控系统、门禁系统的联动
    在这里插入图片描述

技术发展趋势

  1. 轻量化部署：模型压缩、量化技术使深度学习模型能够在边缘设备上高效运行
  2. 多任务学习：同时进行检测、跟踪、行为分析等多项任务
  3. 自监督学习：利用未标注数据提升模型性能，降低标注成本
  4. 联邦学习：在保护隐私的前提下，利用多源数据协同训练
    在这里插入图片描述

快速开始-部署指南

环境准备

硬件要求：

  • 处理器：支持AVX指令集的Intel/AMD处理器，或ARM架构处理器
  • 内存：最低4GB，推荐8GB及以上
  • 显卡：NVIDIA GPU（可选，用于加速推理）
  • 摄像头：支持RTSP协议的网络摄像头或USB摄像头

软件环境：

  • 操作系统：Windows 10/11、Linux（Ubuntu 18.04+）
  • Python版本：3.8及以上
  • 深度学习框架：PyTorch 1.10+

安装步骤

  1. 克隆项目代码

  2. 安装依赖包

    pip install -r requirements.txt

主要依赖包括：

  • ultralytics：YOLO模型训练和推理框架
  • opencv-python：图像处理和视频流读取
  • numpy：数值计算
  • torch：深度学习框架
  1. 准备数据集

按照YOLO格式组织数据集目录结构：

datasets/
├── train/
│   ├── images/
│   └── labels/
├── valid/
│   ├── images/
│   └── labels/
├── test/
│   ├── images/
│   └── labels/
└── data.yaml
  1. 配置数据集文件

编辑data.yaml文件，设置正确的路径和类别信息：

path: main/datasets
train: train/images
val: valid/images
test: test/images

nc: 2
names: ['自行车', '电动摩托车']

模型训练

启动训练：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')

# 开始训练
model.train(
    data='main/datasets/data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # GPU设备号，CPU训练设置为'cpu'
    workers=8,
    patience=20,
    save=True,
    project='runs/train',
    name='elevator_ev_detect'
)

关键参数说明：

  • epochs：训练轮数，根据数据集大小调整
  • imgsz：输入图像尺寸，默认为640
  • batch：批次大小，根据显存容量调整
  • patience：早停耐心值，验证集性能不提升的轮数超过该值则停止训练

模型推理

单张图片推理：

from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('runs/train/elevator_ev_detect/weights/best.pt')

# 进行推理
results = model('test_image.jpg')
results[0].show()

视频流实时检测：

import cv2
from ultralytics import YOLO

model = YOLO('best.pt')
cap = cv2.VideoCapture(0)  # 0表示默认摄像头，或替换为RTSP流地址

while True:
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame)
    annotated_frame = results[0].plot()

    cv2.imshow('EV Detection', annotated_frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

模型导出与部署

导出ONNX格式（便于跨平台部署）：

model.export(format='onnx', imgsz=640)

导出TensorRT格式（NVIDIA GPU加速）：

model.export(format='engine', imgsz=640, half=True)

技术亮点

1. 场景定制化优化

针对电梯场景的特殊性，本项目进行了深度优化：

  • 视角适应：电梯摄像头通常为俯视角度，目标存在较大形变，通过数据增强和几何变换提升模型适应能力
  • 光照鲁棒性：电梯内光照条件复杂，模型在不同光照条件下均能保持稳定检测性能
  • 遮挡处理：电梯内可能存在部分遮挡情况，模型具备良好的遮挡目标检测能力

2. 高精度与高效率平衡

graph LR
    A[输入图像<br/>640×640] --> B[Backbone<br/>特征提取]
    B --> C[Neck<br/>特征融合]
    C --> D[Head<br/>检测头]
    D --> E[检测结果<br/>类别+位置+置信度]

    style B fill:#e3f2fd,stroke:#1565c0
    style C fill:#e8f5e9,stroke:#2e7d32
    style D fill:#fff3e0,stroke:#ef6c00

YOLO26采用先进的网络架构设计：

  • CSPDarknet骨干网络：高效提取多尺度特征
  • PANet特征金字塔：充分融合高层语义信息和低层位置信息
  • 解耦检测头：分类和回归任务分离，提升检测精度

3. 工程化部署优化

  • 模型量化：INT8量化减少模型体积和推理延迟
  • 批处理推理：支持批量图像输入，提升吞吐量
  • 异步处理：图像采集和模型推理异步进行，最大化硬件利用率

4. 系统集成能力

本系统具备良好的扩展性和集成能力：

flowchart LR
    subgraph 检测系统
        A[YOLO26<br/>检测模块]
    end

    subgraph 联动系统
        B[梯控系统]
        C[门禁系统]
        D[报警系统]
        E[管理平台]
    end

    A -->|控制信号| B
    A -->|控制信号| C
    A -->|告警信号| D
    A -->|日志数据| E

    style A fill:#e1f5ff,stroke:#01579b,stroke-width:2px
  • 梯控联动：检测到电动车时，可控制电梯门保持开启状态并发出语音提示
  • 报警联动：触发声光报警，提醒乘客和物业管理人员
  • 数据上报：检测记录实时上传管理平台，便于统计分析和追溯

5. 持续学习机制

系统支持在线学习和模型更新：

  • 难例挖掘：自动收集检测失败的样本，用于后续模型优化
  • 增量训练：支持在新数据上继续训练，无需从头开始
  • 版本管理：模型版本自动管理，支持快速回滚

总结

本项目基于YOLO26深度学习算法，成功开发了一套电梯内电瓶车检测识别系统。系统具备以下特点：

技术层面：

  • 采用先进的YOLO26目标检测算法，在检测速度和精度之间取得良好平衡
  • 针对电梯场景进行深度优化，具备良好的场景适应能力
  • 支持多种部署方式，满足不同硬件环境需求

应用层面：

  • 实现对自行车和电动摩托车的准确识别
  • 支持与梯控、报警等系统的联动，形成完整解决方案
  • 部署简便，易于集成到现有电梯系统中

社会价值：

  • 有效防范电动车进电梯带来的安全隐患
  • 提升物业管理智能化水平
  • 为智慧社区建设提供技术支撑

未来，我们将继续优化模型性能，探索多模态融合、边缘计算等前沿技术，进一步提升系统的准确性和实用性，为电梯安全管理提供更加智能、高效的解决方案。

文章标签：
机器学习/深度学习
计算机视觉
算法
安全
监控
AI研究者手札
目录
相关文章
AI研究者手札
|
26天前
|
机器学习/深度学习 人工智能 编解码
打击罂粟种植检测数据集（1000张图片已划分、已标注）| AI训练适用于目标检测任务
本数据集含1000张已标注罂粟图像，覆盖多生长阶段、光照与角度，按train/val/test划分，采用YOLO格式标注（单类：罂粟），适用于YOLO系列等目标检测模型训练，专用于植物识别、农业科研与教学，严禁非法用途。
AI研究者手札
225 4
AI研究者手札
|
24天前
|
机器学习/深度学习 人工智能 供应链
中草药检测数据集（10000 张图片已划分、已标注）| AI训练适用于目标检测任务
本数据集用于 中草药图像分类任务，旨在通过深度学习模型对不同种类的中草药进行自动识别与分类。数据来源于多种中草药样本的专业拍摄，涵盖不同形态、色泽与纹理特征，能够有效支持中草药识别算法的研究与模型训练。
AI研究者手札
185 0
AI小怪兽
|
机器学习/深度学习 人工智能 测试技术
YOLO26如何训练自己的obb数据集（原理介绍+代码详见+结构框图） | （无人机航拍船舶为案列）
YOLO26全新发布！本文详解其核心创新：移除DFL、端到端无NMS推理、ProgLoss+STAL小目标优化、MuSGD优化器，并附无人机航拍船舶OBB数据集训练全流程与结构框图。
AI小怪兽
160 0
AI研究者手札
|
26天前
|
机器学习/深度学习 数据采集 人工智能
南瓜叶片病害图像分类数据集（2000张图片已划分、已标注）| AI训练适用于目标检测任务
随着人工智能技术在农业领域的不断发展，利用计算机视觉进行植物病害识别已经成为智慧农业的重要研究方向。高质量的数据集是推动相关技术进步的重要基础。本南瓜叶片病害图像分类数据集提供了 2000 张高质量叶片图像，并涵盖 5 种典型病害类型，可广泛应用于图像分类模型训练、农业科研以及教学实践。
AI研究者手札
169 12
AI研究者手札
|
2月前
|
机器学习/深度学习 人工智能 算法
无人机角度的道路损害检测数据集（7000张图片已划分、已标注）| AI训练适用于目标检测任务
基于无人机视角的道路损害检测，是智能交通与智慧城市建设的重要组成部分。本文介绍的数据集，从真实巡检场景出发，覆盖典型道路病害类型，为目标检测算法在复杂环境下的验证与落地提供了坚实基础。 随着无人机平台、传感器精度及深度学习算法的持续演进，结合此类高质量数据集的研究，将进一步推动道路养护从“被动响应”向“主动预防”转变。
AI研究者手札
432 1
无人机角度的道路损害检测数据集（7000张图片已划分、已标注）| AI训练适用于目标检测任务
AI研究者手札
|
28天前
|
机器学习/深度学习 人工智能 算法
脑肿瘤识别目标检测数据集（1200张图片已划分、已标注）| AI训练适用于目标检测任务
本数据集含1200张高质量脑部MRI影像，已精准标注“阴性/阳性”二分类标签，并划分训练集与验证集，适用于YOLO、ResNet等模型的脑肿瘤自动识别与辅助诊断任务，结构规范、即取即用。
AI研究者手札
106 8
AI研究者手札
|
29天前
|
机器学习/深度学习 数据采集 并行计算
基于YOLOv8的脑肿瘤识别（中英文双版） | 附完整源码与效果演示
脑肿瘤是严重威胁人类健康的疾病之一，其早期准确诊断对患者的治疗和预后至关重要。传统的脑肿瘤诊断主要依赖放射科医生的经验，通过CT、MRI等医学影像进行人工判读。然而，这种方法存在主观性强、工作量大、易受疲劳影响等问题。随着深度学习技术的快速发展，基于计算机视觉的医学影像分析为脑肿瘤的自动识别提供了新的解决方案。
AI研究者手札
127 8
AI研究者手札
|
16天前
|
机器学习/深度学习 canal 人工智能
31类常见牙科结构与病变目标检测数据集（25000+张图片已标注）| YOLO训练数据集 AI视觉检测
本数据集含25000+张高质量牙科影像，覆盖龋齿、种植体、根尖病变、正畸托槽等31类结构与病变，采用YOLO标准标注格式，支持train/val/test划分，适用于YOLO、Faster R-CNN等模型训练，助力牙科AI诊断、教学与算法研发。
AI研究者手札
131 7
AI研究者手札
|
21天前
|
机器学习/深度学习 人工智能 算法
三类公路裂缝（网状裂缝、纵向裂缝、横向裂缝）目标检测数据集（ 2000 张图片已划分、已标注）| AI训练适用于目标检测任务
本文整理并发布 三类公路裂缝目标检测数据集（2000+ 张图像）。该数据集专门面向 道路裂缝检测任务 构建，可用于训练多种深度学习目标检测模型，如 YOLO、RT-DETR、Faster R-CNN 等，并可广泛应用于智慧交通系统、道路养护评估以及自动化巡检系统开发。
AI研究者手札
169 4
AI研究者手札
|
2月前
|
机器学习/深度学习 监控 算法
基于 YOLO26的5类人体行为姿态智能检测（中英文双版） | 附完整源码与效果演示
本文介绍了基于YOLO26的人体行为姿态智能检测系统的设计与实现。该系统采用YOLO26作为基础模型，实现了对5种人体行为姿态的实时检测。系统的主要特点包括： 高精度：采用YOLO26作为基础模型，结合数据增强和模型优化技术，提高了检测精度。 实时性：YOLO26的推理速度快，能够实现实时人体行为姿态检测。 多场景适应性：模型在不同场景下都能保持较好的检测性能。 易于部署：系统的安装和部署过程简单，便于在实际应用中使用。 基于YOLO26的人体行为姿态智能检测系统在智能安防、体育训练、智能家居等领域具有广泛的应用前景。未来，我们将进一步优化模型，提高检测精度和速度，拓展检测的行为类别，为更多
AI研究者手札
194 6