智慧校园 13 类视频异常检测数据集与预训练模型全攻略文章目录智慧校园 13 类视频异常检测数据集与预训练模型全攻略前言一、13 类异常行为定义二、按类别数据集 预训练模型2.1 fight / brawl打架 / 群殴推荐数据集推荐预训练模型2.2 fall_down / ground_fall跌倒 / 倒地推荐数据集推荐预训练模型2.3 climb / climb_over攀爬 / 翻越推荐数据集推荐预训练模型与论文2.4 intrude / illegal_breakin入侵 / 非法闯入推荐数据集推荐预训练模型2.5 fire_smoke烟火推荐数据集推荐预训练模型2.6 chase / gather / run / throw_object追逐 / 聚集 / 奔跑 / 投物可用数据集视频级 / 弱监督推荐方案三、综合型视频异常数据集多类覆盖四、推荐落地路线4.1 路线对比4.2 短期方案1–2 天组合现有模型4.3 中期方案1–2 周微调统一 13 类模型4.4 标签合并映射示例label_merge.yaml4.5 数据来源优先级五、YOLO 训练配置要点5.1 anomaly_video.yaml 配置5.2 训练超参建议5.3 模型导出与部署六、数据集获取注意事项七、架构设计建议八、总结参考资料前言在智慧校园、周界安防等场景中视频异常检测Video Anomaly Detection, VAD是核心能力之一。不同于通用目标检测安防场景往往需要对打架、跌倒、攀爬、入侵、烟火等十余类异常行为进行实时识别与告警。本文系统梳理13 类完全一致的单一预训练模型所需的数据集与预训练权重资源覆盖从「快速落地」到「统一微调」的完整技术路线并给出可直接用于 Ultralytics YOLO 训练的配置方案。无论你是算法工程师还是平台开发者都能从中找到可复用的资源与落地路径。一、13 类异常行为定义以下 13 类与常见智慧校园/周界安防标注体系对齐可直接映射为 YOLO 多类检测任务的类别 IDID类名中文含义检测难度0fight打架★★☆1fall_down跌倒进行中★★☆2climb_over翻越★★☆3chase追逐★★★★4gather聚集★★★5intrude入侵★★★6run奔跑★★★7throw_object投掷★★★★★8fire_smoke烟火★★☆9ground_fall倒地已躺平★★☆10brawl群殴★★☆11climb攀爬★★☆12illegal_breakin非法闯入★★★关键认知公开数据里几乎没有「13 类一体」的现成权重。可行路径有三条分任务组合多个专用模型最快落地1–2 天用相近数据集微调后合并为多类模型中期方案1–2 周行为类chase/gather/run采用「检测 跟踪 轨迹规则」而非纯 YOLO 单帧分类二、按类别数据集 预训练模型2.1 fight / brawl打架 / 群殴打架与群殴在公开数据集中通常合并为violence/fighting类别训练时建议合并标注或让brawl作为fight的子类。推荐数据集名称规模与说明获取链接UBI-Fights1000 段视频216 段含打斗帧级标注OpenDataLabHockey Fight Detection1000 段fight / non-fight 二分类Papers With Code校园异常行为 5 类7000 张图像含「暴力斗殴」阿里云开发者社区firc-dataset 6 类2266 张含 fight、Fall-person面包多推荐预训练模型名称架构说明链接Musawer14/fight_detection_yolov8YOLOv8Violence / NoViolence 二分类Hugging FaceCrimeNet-ViTViTUBI-Fights 上训练GitHubVideoMAE (UCF-Crime)VideoMAE视频级异常分类含 FightingHugging Facesec-fight-nano / sec-fight-smallYOLOviolence / non_violence项目内置 ONNX项目内置快速调用示例fromultralyticsimportYOLO model_fightYOLO(Musawer14/fight_detection_yolov8)resultsmodel_fight.predict(test_video.mp4,saveTrue)2.2 fall_down / ground_fall跌倒 / 倒地fall_down偏「正在跌倒」的过程态ground_fall偏「已躺地」的结果态。LE2I 数据集提供起止帧标注可拆分为两类分别训练。推荐数据集名称规模与说明获取链接LE2I Fall Detection经典跌倒基准4 场景KaggleLE2I (Roboflow)YOLO 格式191 段视频Roboflow Universe校园 5 类安防含「人员跌倒」技术栈推荐预训练模型名称架构说明链接Real-Time Fall Detection (YOLOv11)YOLOv11LE2I 微调约 95% 准确率GitHubfall-detection-stcfYOLOv8m 时序时序确认机制降低误报GitHubsec-fall-yolo11nYOLO11nfall/sit/sleep/standing/Violence 等 7 类项目内置 ONNX进阶方案姿态估计 规则判定如/ai/fall四指标判定比纯 YOLO 单帧检测更稳定适合生产环境。2.3 climb / climb_over攀爬 / 翻越climb与climb_over可共用攀爬数据集通过不同标注粒度区分「正在攀爬」与「翻越完成」。推荐数据集名称规模与说明获取链接翻墙/攀爬 10,000 张climb / no_climb 二分类YOLO 格式魔乐社区A2Seek 无人机视角含 climbing over wallsHugging Face推荐预训练模型与论文名称说明链接YOLOv8 翻越围栏项目含数据集 权重 检测程序SegmentFaultban-YOLOv11 翻越检测mAP 98.0%80.6 FPSIJEH 论文2.4 intrude / illegal_breakin入侵 / 非法闯入周界入侵场景的核心难点在于人形检测 区域/越线规则往往比纯分类模型更合适。推荐数据集名称规模与说明获取链接UCF-Crime13 类犯罪异常含 BurglaryPapers With CodeMSAD14 场景含 Assault、Robbery 等官网校园 6 类 firc含 thief、breaking面包多推荐预训练模型名称说明链接VadCLIPUCF-Crime 弱监督 VAD含预训练权重GitHubAnomalyCLIP异常检测 CLIP 变体GitHub落地建议YOLO 检测人形 平台越线/区域告警规则比端到端分类模型更易调试和维护。2.5 fire_smoke烟火烟火检测是公开资源最丰富的类别之一多个高质量 YOLO 格式数据集可直接用于训练。推荐数据集名称规模与说明获取链接Fire Smoke 40K40900 张Fire/SmokeYOLO 格式Hugging FaceFire SM2717 张真实场景IMEKO ACTAGWFP 野火大规模开源野火图像/视频arXiv推荐预训练模型名称架构说明链接jojomoi-meme/YOLO_fire_detectionYOLOv8sFire/Smoke 二分类Hugging Facethalos-fire-safety-v1YOLO工业/工地烟火场景Hugging Facesec-fire-yolov8nYOLOv8nfire/smoke 及 88 类灾害扩展项目内置 ONNX快速调用示例fromultralyticsimportYOLO model_fireYOLO(jojomoi-meme/YOLO_fire_detection)resultsmodel_fire.predict(camera_feed.jpg,conf0.5)2.6 chase / gather / run / throw_object追逐 / 聚集 / 奔跑 / 投物这类行为在公开 YOLO 数据集中极少作为独立检测类出现。业界更常见的做法是YOLO 检测人形 ByteTrack 跟踪 速度/方向/人数规则可用数据集视频级 / 弱监督名称规模与说明获取链接XD-Violence217 小时4754 段含追逐等暴力官网A2Seek20 异常类型含聚集、奔跑等Hugging FaceCrowd-Behaviour行走/徘徊/恐慌/聚集等论文引用较多ShanghaiTech Campus13 场景校园异常经典 VAD 基准推荐方案方案适用类别说明VadCLIP / TrCLIP-VADchase、runXD-Violence / UCF-Crime 微调YOLO ByteTrack 规则run、chase、gather速度、方向、人数阈值crowd-gathering 告警规则gather平台内置规则可复用throw_object公开数据极少建议参考 Sports/action recognition 数据集或自采标注。三、综合型视频异常数据集多类覆盖若希望一次性获取多类异常样本以下综合数据集值得优先关注数据集规模与 13 类的重合获取方式UCF-Crime1900 段13 类犯罪fight、intrude 相关需申请XD-Violence4754 段217hfight、chase 等暴力GitHubMSAD720 段14 场景fight、fall、fire官网下载A2Seek542 段 4Kfight、fall、climb_overHugging FaceUBI-Fights1000 段fight/brawlOpenDataLab校园 5/6 类 YOLO 数据集2266–7000 张fight、fall、fire、thief阿里云/面包多四、推荐落地路线4.1 路线对比方案是否有现成 13 类权重实施周期适用场景分任务挂 sec-* ONNX部分类别有1–2 天快速上线、验证业务分任务微调 YOLO需逐类微调1–2 周精度要求较高YOLO 检测 跟踪 规则无需专用权重3–5 天chase/gather/run 等行为类统一 13 类微调需自采 合并2–4 周长期维护、单模型部署4.2 短期方案1–2 天组合现有模型异常类别建议模型/方案fight, brawlsec-fight-nano/sec-fight-smallfall_down, ground_fallsec-fall-yolo11n或/ai/fall姿态规则fire_smokesec-fire-yolov8ngather平台crowd-gathering告警规则intrude, illegal_breakinCOCO/YOLO 人形检测 区域/越线run, chase, throw_object人形检测 ByteTrack 速度/轨迹规则4.3 中期方案1–2 周微调统一 13 类模型步骤概览合并上述 YOLO 格式数据集通过label_merge.yaml统一映射到 13 类以yolo11m.pt为基座进行微调通过平台 pt → onnx 转换后入库部署训练目录结构anomaly_video/ ├── images/train/ ├── labels/train/ ├── images/val/ └── labels/val/训练命令yolo detect train\datadocs/datasets/anomaly_video/anomaly_video.yaml\modelyolo11m.pt\epochs200\imgsz640\batch164.4 标签合并映射示例label_merge.yaml多源数据合并时将外部标签映射到统一 13 类 ID外部数据集标签映射到 13 类校园 5 类Violence0 fightFireSmoke 40KFire/Smoke8 fire_smoke翻墙数据集climb2 climb_overfircthief/breaking12 illegal_breakinLE2Ifall过程帧1 fall_downLE2Ifall结束帧9 ground_fall4.5 数据来源优先级阶段类别说明阶段 A可立即开训fire_smoke、fight、fall_down、climb_over公开 YOLO 数据充足阶段 B需抽帧/remapbrawl、ground_fall、illegal_breakin、climb需从视频数据集抽帧并重映射阶段 C需自标或规则chase、gather、run、throw_object、intrude公开数据稀缺建议规则引擎辅助五、YOLO 训练配置要点5.1 anomaly_video.yaml 配置13 类配置兼容 Ultralytics 与平台「YOLO 原生」导入格式# anomaly_video.yamlpath:./anomaly_videotrain:images/trainval:images/valnames:0:fight1:fall_down2:climb_over3:chase4:gather5:intrude6:run7:throw_object8:fire_smoke9:ground_fall10:brawl11:climb12:illegal_breakin5.2 训练超参建议参数推荐值说明modelyolo11m.pt精度与速度平衡epochs200多类任务建议充分训练imgsz640标准输入尺寸batch16视 GPU 显存调整RTX 3090 可参考patience50早停耐心值augment默认Mosaic、MixUp 等5.3 模型导出与部署fromultralyticsimportYOLO# 加载训练好的权重modelYOLO(runs/detect/train/weights/best.pt)# 导出 ONNX平台部署常用格式model.export(formatonnx,imgsz640,simplifyTrue)六、数据集获取注意事项UCF-Crime、XD-Violence学术用途需遵守各自许可协议与引用要求部分需邮件申请面包多/阿里云数据集多为付费或社区分享标注精度与许可范围需自行验证Hugging Face / GitHub 社区模型建议先在目标场景做冒烟测试社区权重泛化能力参差不齐13 类一体模型公开资源无法一次性覆盖全部类别阶段 C 类别需自采标注或规则引擎兜底数据合规校园场景涉及隐私采集与使用需符合当地法规与校内规定七、架构设计建议对于生产级智慧校园安防平台推荐采用「多模型 规则引擎」的混合架构┌─────────────────────────────────────────────────────────┐ │ 视频流接入层 │ └─────────────────────────┬───────────────────────────────┘ │ ┌───────────────┼───────────────┐ ▼ ▼ ▼ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ sec-fight │ │ sec-fall │ │ sec-fire │ │ YOLO 模型 │ │ YOLO 模型 │ │ YOLO 模型 │ └──────┬──────┘ └──────┬──────┘ └──────┬──────┘ │ │ │ └───────────────┼───────────────┘ ▼ ┌───────────────────────┐ │ ByteTrack 多目标跟踪 │ └───────────┬───────────┘ ▼ ┌───────────────────────┐ │ 规则引擎层 │ │ · 越线/区域入侵 │ │ · 聚集人数阈值 │ │ · 速度/轨迹异常 │ │ · 跌倒姿态四指标 │ └───────────┬───────────┘ ▼ ┌───────────────────────┐ │ 告警推送层 │ └───────────────────────┘设计原则能检测的用 YOLOfight、fall、fire、climb 等有充足训练数据的类别能规则的用规则gather人数、intrude越线、run/chase速度轨迹模型与规则互补降低误报率提升可解释性八、总结智慧校园 13 类视频异常检测没有「一键下载、直接部署」的万能模型但通过合理组合公开数据集、社区预训练权重与平台规则引擎可以在1–2 天内完成基础能力上线并在1–2 周内通过多源数据合并微调出统一 13 类模型。核心要点回顾要点说明资源最丰富fire_smoke、fight、fall_down需规则兜底chase、gather、run、throw_object最快落地分任务挂 sec-* ONNX 平台规则长期方案多源数据合并 yolo11m 统一微调关键配置anomaly_video.yaml label_merge.yaml如果你有具体的场景需求如某类精度不达标、某数据集下载遇到问题欢迎在评论区交流我可以进一步提供数据合并脚本或告警编排方案的设计思路。参考资料UCF-Crime DatasetXD-ViolenceUltralytics YOLO 文档VadCLIP GitHubA2Seek Dataset标签YOLO视频异常检测智慧校园安防AI目标检测深度学习数据集预训练模型跌倒检测烟火检测