智慧监控视角行人行为跌倒检测数据集 -跌倒检测数据集数据集划分训练集合测试集合验证集合为811数据集提供为YOLO581112等通用版本可以直接使用。本数据map50精度如下图所示。每种类别的图片标注数量如下图所示。Train: 4195val525Test: 524数据集提供为YOLO581112等通用版本可以直接使用。nc: 6names: [‘falling’, ‘sitting’, ‘sleeping’, ‘standing’, ‘wallking’, ‘waving hands’]nc6名称[‘坠落’‘坐下’‘睡觉’‘站立’‘行走’‘挥手’]跌倒行为检测数据集说明一、数据集基础信息表项目详情数据集名称跌倒行为检测数据集数据总量5244张图片数据划分训练集:4195张 / 验证集:525张 / 测试集:524张比例 8:1:1标签格式YOLO通用TXT格式支持YOLOv5/8/11/12直接训练检测类别6类英文falling、sitting、sleeping、standing、walking、waving hands中文坠落、坐下、睡觉、站立、行走、挥手训练模型已训练YOLO系列模型100轮模型精度mAP0.5约0.83适用场景居家/养老院/病房等室内场景老人行为监测、跌倒报警系统二、各类别标注说明与示例图含义类别ID类别英文类别中文示例图含义说明0falling坠落/跌倒图像中人物处于倒地、摔倒或即将摔倒的姿态如躺倒在地、肢体失去支撑属于异常危险行为1sitting坐下人物处于坐姿如坐在椅子/地面上姿态稳定属于正常静态行为2sleeping睡觉人物处于躺卧/趴卧状态疑似休息或无意识躺倒与跌倒姿态易混淆模型可区分两者特征3standing站立人物处于直立、稳定站立的姿态属于正常行为4walking行走人物处于行走状态姿态动态但稳定无摔倒风险5waving hands挥手人物抬手、挥手的动作如呼叫求助或日常互动属于正常行为三、训练曲线解读对应提供的图表指标曲线含义训练结果说明train/box_loss训练集边界框损失随训练轮数持续下降并趋于稳定模型对目标位置的预测精度不断提升train/cls_loss训练集分类损失前期快速下降后期趋于平稳模型对6类行为的分类能力快速收敛train/dfl_loss训练集分布焦点损失持续下降并稳定模型对边界框的精细定位能力良好val/box_loss/val/cls_loss/val/dfl_loss验证集损失与训练集损失同步下降且未出现明显上升模型无过拟合泛化能力强metrics/precision/recall精确率/召回率稳定上升至较高水平模型对目标的检测与识别能力可靠metrics/mAP50平均精度IoU0.5稳定上升至约0.83模型整体检测精度优秀metrics/mAP50-95不同IoU阈值下的平均精度稳定上升模型在不同精度要求下均有良好表现四、YOLO训练代码通用版1. 数据集配置文件fall_detection.yamlpath:./fall_datasettrain:images/trainval:images/valtest:images/testnc:6names:0:falling1:sitting2:sleeping3:standing4:walking5:waving hands2. YOLOv8/11/12训练启动命令# YOLOv8 训练yolo detect train\modelyolov8n.pt\datafall_detection.yaml\epochs100\batch16\imgsz640\device0# YOLOv11 训练yolo detect train\modelyolov11n.pt\datafall_detection.yaml\epochs100\batch16\imgsz640\device03. 模型推理代码fromultralyticsimportYOLOimportcv2# 加载训练好的模型modelYOLO(best.pt)# 图片检测imgcv2.imread(test.jpg)resultsmodel(img,conf0.25)cv2.imwrite(result.jpg,results[0].plot())# 视频/摄像头实时检测capcv2.VideoCapture(0)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame,conf0.25)cv2.imshow(Fall Detection,results[0].plot())ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()需
智慧监控视角行人行为跌倒检测数据集 -跌倒检测数据集数据集 坠落‘，‘坐下‘，‘睡觉‘，‘站立‘，‘行走‘，‘挥手 行为检测数据集的训练及应用 6类检测室内监控行人动作姿态识别检测数据集
智慧监控视角行人行为跌倒检测数据集 -跌倒检测数据集数据集划分训练集合测试集合验证集合为811数据集提供为YOLO581112等通用版本可以直接使用。本数据map50精度如下图所示。每种类别的图片标注数量如下图所示。Train: 4195val525Test: 524数据集提供为YOLO581112等通用版本可以直接使用。nc: 6names: [‘falling’, ‘sitting’, ‘sleeping’, ‘standing’, ‘wallking’, ‘waving hands’]nc6名称[‘坠落’‘坐下’‘睡觉’‘站立’‘行走’‘挥手’]跌倒行为检测数据集说明一、数据集基础信息表项目详情数据集名称跌倒行为检测数据集数据总量5244张图片数据划分训练集:4195张 / 验证集:525张 / 测试集:524张比例 8:1:1标签格式YOLO通用TXT格式支持YOLOv5/8/11/12直接训练检测类别6类英文falling、sitting、sleeping、standing、walking、waving hands中文坠落、坐下、睡觉、站立、行走、挥手训练模型已训练YOLO系列模型100轮模型精度mAP0.5约0.83适用场景居家/养老院/病房等室内场景老人行为监测、跌倒报警系统二、各类别标注说明与示例图含义类别ID类别英文类别中文示例图含义说明0falling坠落/跌倒图像中人物处于倒地、摔倒或即将摔倒的姿态如躺倒在地、肢体失去支撑属于异常危险行为1sitting坐下人物处于坐姿如坐在椅子/地面上姿态稳定属于正常静态行为2sleeping睡觉人物处于躺卧/趴卧状态疑似休息或无意识躺倒与跌倒姿态易混淆模型可区分两者特征3standing站立人物处于直立、稳定站立的姿态属于正常行为4walking行走人物处于行走状态姿态动态但稳定无摔倒风险5waving hands挥手人物抬手、挥手的动作如呼叫求助或日常互动属于正常行为三、训练曲线解读对应提供的图表指标曲线含义训练结果说明train/box_loss训练集边界框损失随训练轮数持续下降并趋于稳定模型对目标位置的预测精度不断提升train/cls_loss训练集分类损失前期快速下降后期趋于平稳模型对6类行为的分类能力快速收敛train/dfl_loss训练集分布焦点损失持续下降并稳定模型对边界框的精细定位能力良好val/box_loss/val/cls_loss/val/dfl_loss验证集损失与训练集损失同步下降且未出现明显上升模型无过拟合泛化能力强metrics/precision/recall精确率/召回率稳定上升至较高水平模型对目标的检测与识别能力可靠metrics/mAP50平均精度IoU0.5稳定上升至约0.83模型整体检测精度优秀metrics/mAP50-95不同IoU阈值下的平均精度稳定上升模型在不同精度要求下均有良好表现四、YOLO训练代码通用版1. 数据集配置文件fall_detection.yamlpath:./fall_datasettrain:images/trainval:images/valtest:images/testnc:6names:0:falling1:sitting2:sleeping3:standing4:walking5:waving hands2. YOLOv8/11/12训练启动命令# YOLOv8 训练yolo detect train\modelyolov8n.pt\datafall_detection.yaml\epochs100\batch16\imgsz640\device0# YOLOv11 训练yolo detect train\modelyolov11n.pt\datafall_detection.yaml\epochs100\batch16\imgsz640\device03. 模型推理代码fromultralyticsimportYOLOimportcv2# 加载训练好的模型modelYOLO(best.pt)# 图片检测imgcv2.imread(test.jpg)resultsmodel(img,conf0.25)cv2.imwrite(result.jpg,results[0].plot())# 视频/摄像头实时检测capcv2.VideoCapture(0)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame,conf0.25)cv2.imshow(Fall Detection,results[0].plot())ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()需
