基于改进YOLOv8的无人机航拍小目标检测实战：电动自行车违规行为识别

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Claude 随心用，限时 5 折。 👉 点击领海量免费额度

在智慧城市建设和交通管理精细化的大背景下，电动自行车因其便捷性成为市民短途出行的主力，但随之而来的未佩戴头盔、违规载人等行为也带来了显著的安全隐患。传统固定摄像头存在监控盲区，人工巡查则效率低下且难以持续。无人机航拍以其灵活、广覆盖的优势，成为解决这一痛点的有效技术手段。然而，从高空俯拍的视角带来了目标小、遮挡多、尺度变化剧烈等全新挑战，直接套用现有的通用目标检测模型往往效果不佳。

本文将围绕“基于改进YOLOv8与无人机航拍的电动自行车违规行为智能检测”这一主题，为你拆解从算法选型、模型改进、工程部署到系统集成的完整实战流程。无论你是刚接触计算机视觉的学生，还是希望将AI能力落地到安防巡检项目的工程师，都能从本文中获得一套可复现、可优化的技术方案。我们将不仅讲解如何训练一个YOLOv8模型，更会深入探讨如何针对航拍小目标进行专项改进，并构建一个包含目标跟踪与行为判定的完整视频分析管道。

1. 项目背景与核心挑战

1.1 为什么选择无人机航拍进行违规检测？

电动自行车违规行为多发于背街小巷、学校周边、支路路口等区域，这些地方往往是固定监控网络的盲区。无人机巡检系统能够按预设航线进行大范围、重复性的巡查，通过自动机库实现全天候待命，有效弥补了固定监控的不足。其核心优势在于：

• 灵活性高：可快速响应，覆盖任意需要监测的区域。
• 视角独特：高空俯视视角有助于理解交通流整体状况，避免地面视角的严重遮挡。
• 成本可控：相较于建设大量高清固定摄像头，无人机巡检的初期投入和运维成本更具优势。

1.2 航拍视角下的核心技术挑战

将目标检测技术应用于无人机航拍视频，并非简单的“拿来主义”，主要面临以下几大挑战：

1. 小目标检测：在50米以上的飞行高度，电动自行车及骑行人头部在4K图像中可能仅占几十甚至十几个像素，属于典型的小目标。模型必须对微小特征有极强的感知能力。
2. 尺度多样性：无人机在飞行过程中高度会变化，同一目标在视频序列中会呈现不同大小，要求模型具备优秀的尺度不变性。
3. 复杂背景干扰：城市环境中包含车辆、行人、树木、建筑阴影、路面反光等大量干扰信息，极易导致误检或漏检。
4. 目标遮挡：尤其在路口，车辆和行人相互交错，造成部分遮挡，给目标识别和持续跟踪带来困难。
5. 实时性要求：为了达到实时监控与即时预警的目的，系统需要在处理高清视频流时保持较高的帧率（通常要求>30 FPS）。

1.3 技术选型：为什么是YOLOv8？

YOLO（You Only Look Once）系列因其在速度与精度间的出色平衡，成为工业界目标检测的首选之一。YOLOv8在YOLOv5的基础上进行了多项架构改进，包括：

• 新的骨干网络和特征融合结构：提供了更强的特征提取能力。
• Anchor-Free 检测头：简化了训练过程，对尺度变化更鲁棒。
• 更灵活的模型尺寸：从YOLOv8n（纳米级）到YOLOv8x（超大级），满足不同算力需求。
• 完善的生态：提供从训练、验证、导出到部署的全套工具链。

对于无人机巡检场景，我们通常需要在边缘设备（如机载计算机）或轻量级服务器上运行，因此YOLOv8s或YOLOv8m是兼顾精度与速度的较好起点。然而，原生YOLOv8对于上述挑战，尤其是小目标检测，仍有优化空间，这正是本文“改进”的出发点。

2. 环境准备与数据集构建

2.1 软硬件环境配置

一个稳定的环境是项目成功的基石。以下是推荐的开发与实验环境：

硬件环境：

• 训练平台：至少配备 NVIDIA GTX 1660 Ti 或以上性能的GPU（显存6GB+），推荐RTX 3060 12GB或更高。CPU和内存要求相对宽松，但建议16GB RAM以上。
• 推理/部署平台：可根据实际场景选择，如NVIDIA Jetson系列（边缘端）、带GPU的云服务器或高性能工控机。

软件环境：

• 操作系统：Ubuntu 20.04/22.04 LTS 或 Windows 10/11（建议Linux以获得更好的深度学习支持）。
• Python: 3.8 或 3.9。
• 深度学习框架：PyTorch >= 1.12.0。可通过以下命令安装（以CUDA 11.3为例）：

  pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113

• 核心工具包：

  pip install ultralytics # YOLOv8官方库 pip install opencv-python pip install pandas pip install seaborn

• 可选（用于部署）：

  pip install onnx onnxruntime # ONNX导出与推理 # 或安装TensorRT用于NVIDIA平台极致加速

2.2 构建无人机航拍电动自行车数据集

公开数据集中鲜有专门针对无人机视角电动自行车违规行为的数据，因此自建数据集是关键一步。

数据采集：

• 设备：使用大疆Mavic 3E/3T、Phantom 4 RTK等具备高分辨率摄像头的行业无人机。
• 场景：覆盖城中村道路、十字路口、学校周边、商业区等违规高发场景。
• 条件：涵盖晴天、多云、阴天、傍晚等不同光照条件，以提升模型鲁棒性。
• 参数：拍摄4K（3840x2160）分辨率视频，帧率30fps。飞行高度在50-100米之间变化，以模拟真实巡检。

数据标注：

1. 标注工具：推荐使用labelImg、CVAT或Roboflow。
2. 类别定义：根据你的检测目标定义类别。例如：
   • ebike(电动自行车)
   • person(骑行人)
   • helmet(安全头盔)
   • head(头部，用于未戴头盔时)
   • passenger(违规搭载的乘客)
3. 标注格式：YOLOv8使用TXT格式的标注文件，每行代表一个对象：<class_id> <x_center> <y_center> <width> <height>，坐标均为归一化后的值（0-1之间）。
4. 数据集划分：按约 8:1:1 的比例划分为训练集、验证集和测试集。

目录结构示例：

datasets/ └── ebike_violation/ ├── train/ │ ├── images/ # 存放训练图片 │ └── labels/ # 存放对应的TXT标注文件 ├── val/ │ ├── images/ │ └── labels/ └── data.yaml # 数据集配置文件

data.yaml文件内容示例：

# 数据集路径 path: /home/user/datasets/ebike_violation # 数据集根目录 train: train/images # 训练集相对路径 val: val/images # 验证集相对路径 # 类别数量与名称 nc: 4 # 类别数，例如：ebike, person, helmet, head names: ['ebike', 'person', 'helmet', 'head'] # 可选：下载地址/自动下载设置 # download: ...

3. YOLOv8模型改进策略详解

针对航拍小目标检测的挑战，我们对原生YOLOv8模型进行针对性改进。以下介绍几种有效且易于实现的策略。

3.1 改进一：增强小目标检测层（添加P2层）

YOLOv8默认的特征金字塔网络（FPN）输出P3, P4, P5三个尺度的特征图，分别对应下采样8倍、16倍、32倍。对于高空拍摄的极小目标，P3层（下采样8倍）的特征可能仍然不够精细。

改进思路：在骨干网络更浅层（下采样4倍）引出特征图，构成P2层，并将其融入特征金字塔。这样，网络就拥有了更高分辨率的特征图来检测微小目标。

实现方法（修改YOLOv8模型配置文件）： YOLOv8使用YAML文件定义模型结构。我们需要修改ultralytics/models/v8/yolov8.yaml或创建其副本进行修改。

关键修改点：

1. 在backbone部分的末尾，从某个浅层（如第2或第3个C2f模块后）引出一个新的输出。
2. 在head部分，修改Detect模块的输入通道数，使其能接收来自P2层的特征。

简化示例（概念性代码，需根据实际版本调整）：

# yolov8-P2.yaml backbone: # ... [前面的层保持不变] - [-1, 1, C2f, [512]] # 假设这是第10层 - [-1, 1, SPPF, [1024, 5]] # 假设这是第11层 # 新增：从较浅层（例如第3层）引出特征作为P2 - [3, 1, Conv, [256, 3, 2]] # 对第3层输出进行下采样和通道调整 - [[-1, 11], 1, Concat, [1]] # 将调整后的特征与深层特征融合（简化示意） head: # ... [Neck部分可能需要调整以融合P2特征] - [[17, 20, 23, 26], 1, Detect, [nc, anchors]] # 原来的Detect，输入层号需对应修改 # 修改后，Detect需要接收4个输入：[P2, P3, P4, P5]对应的层索引

实际操作中，更常见的做法是直接修改Detect层的channels参数和head中Concat操作的来源层。由于YOLOv8官方代码结构可能更新，建议参考社区中关于“YOLOv8添加小目标检测层”的具体实现。

3.2 改进二：引入注意力机制（以CA注意力为例）

注意力机制可以让模型更关注图像中重要的区域，抑制背景噪声，对于复杂背景下的目标检测尤为有效。坐标注意力（Coordinate Attention, CA）模块能同时捕获通道关系和长距离的位置信息，且计算开销较小，适合嵌入到YOLO这类轻量级网络中。

CA注意力结构图（文字描述）： CA模块主要分为两个步骤：

1. 坐标信息嵌入：对输入特征图，分别沿水平（X）和垂直（Y）方向进行全局平均池化，得到两个方向感知的特征向量。
2. 坐标注意力生成：将两个特征向量拼接后，通过共享的1x1卷积和非线性激活，再拆分为两个独立的注意力向量。最后，将这两个向量分别作用于原始特征图的对应空间维度上。

在YOLOv8中嵌入CA模块： 通常将CA模块添加在骨干网络的关键位置，例如某个C2f模块之后。

修改模型YAML文件示例：

# 在backbone中插入CA模块 backbone: # ... 前面的层 - [-1, 1, C2f, [256, True]] - [-1, 1, CA, [256]] # 插入CA注意力模块，256为通道数 - [-1, 1, C2f, [512, True]] # ... 后面的层

你需要先在ultralytics/nn/modules目录下（或你的自定义模块文件）实现CA类，然后确保在YAML解析时能正确导入。

CA模块的PyTorch实现示例：

import torch import torch.nn as nn class CoordAtt(nn.Module): def __init__(self, inp, oup, reduction=32): super(CoordAtt, self).__init__() # 通道数调整 self.conv1 = nn.Conv2d(inp, oup, 1, bias=False) self.bn1 = nn.BatchNorm2d(oup) # 坐标注意力核心 self.pool_h = nn.AdaptiveAvgPool2d((None, 1)) self.pool_w = nn.AdaptiveAvgPool2d((1, None)) mip = max(8, inp // reduction) self.conv_h = nn.Conv2d(oup, mip, kernel_size=1, stride=1, padding=0) self.conv_w = nn.Conv2d(oup, mip, kernel_size=1, stride=1, padding=0) self.conv_out = nn.Conv2d(mip, oup, kernel_size=1, stride=1, padding=0) self.sigmoid = nn.Sigmoid() def forward(self, x): identity = x x = self.conv1(x) x = self.bn1(x) x = nn.functional.relu(x) n, c, h, w = x.size() # X方向池化 x_h = self.pool_h(x) # [n, c, h, 1] # Y方向池化 x_w = self.pool_w(x).permute(0, 1, 3, 2) # [n, c, 1, w] -> [n, c, w, 1]? 注意调整维度匹配 # 拼接与卷积 y = torch.cat([x_h, x_w], dim=2) # 需要仔细调整cat的维度 y = self.conv_out(nn.functional.relu(self.conv_h(y) + self.conv_w(y))) # 简化示意，实际需分开处理 # 拆分与sigmoid att_h, att_w = torch.split(y, [h, w], dim=2) # 拆分 att_h = self.sigmoid(att_h).expand_as(x) att_w = self.sigmoid(att_w).expand_as(x) # 应用注意力 out = identity * att_h * att_w return out # 注意：以上为CA原理的简化示意代码，实际集成到YOLOv8时需要严格匹配维度，并注册到modules.__init__.py中。

3.3 改进三：优化损失函数与正样本分配

YOLOv8默认使用TaskAlignedAssigner进行正样本分配和多种损失函数。针对小目标密集的场景，可以尝试：

• 调整reg_max：在bbox_loss中，增大reg_max可能有助于提升大目标的定位精度，但可能对小目标不利，需要实验。
• 聚焦困难样本：可以尝试在分类损失中引入Focal Loss的思想（虽然YOLOv8的BCEWithLogitsLoss已有类似效果），或调整正负样本的权重。
• IoU损失变体：将默认的CIoU损失替换为EIoU或SIoU，这些变体在特定场景下可能带来更好的收敛性和框回归精度。

这些调整通常通过修改训练命令行参数或直接修改源码中的损失函数类实现。

4. 完整实战：从模型训练到行为判定系统

4.1 使用改进后的YOLOv8模型进行训练

假设我们已经准备好了数据集和修改后的模型配置文件yolov8-ebike-P2-CA.yaml。

步骤1：安装与准备

# 安装Ultralytics库 pip install ultralytics # 进入项目目录，确保data.yaml和自定义模型yaml文件就位

步骤2：启动训练使用命令行进行训练是最直接的方式。以下命令涵盖了关键参数：

yolo task=detect mode=train \ model=yolov8-ebike-P2-CA.yaml \ data=datasets/ebike_violation/data.yaml \ epochs=300 \ imgsz=640 \ batch=16 \ workers=8 \ device=0 \ project=runs/detect \ name=train_ebike_v1 \ patience=50 \ seed=42 \ optimizer=AdamW \ lr0=0.001 \ cos_lr=True \ amp=True # 自动混合精度训练，节省显存加速训练

参数详解：

• task=detect: 指定任务为目标检测。
• mode=train: 训练模式。
• model: 指定自定义模型配置文件。
• data: 指定数据集配置文件。
• epochs: 训练总轮数。
• imgsz: 输入图像尺寸。对于小目标，可以尝试增大尺寸（如1024），但会显著增加显存消耗和训练时间。
• batch: 批次大小，根据GPU显存调整。
• workers: 数据加载的进程数。
• device: 指定GPU设备，0代表第一块GPU。
• project/name: 训练结果保存的目录。
• patience: 早停耐心值，若验证集指标在连续N个epoch未提升则停止训练。
• optimizer/lr0/cos_lr: 优化器及学习率调度设置。
• amp: 启用自动混合精度训练。

步骤3：监控训练过程训练开始后，Ultralytics会启动一个本地Web服务器，通常访问http://localhost:6006可以打开TensorBoard（如果安装了tensorboard），或者在runs/detect/train_ebike_v1目录下查看各种结果图表（loss曲线、精度召回率曲线、混淆矩阵等）。

4.2 模型验证与性能评估

训练完成后，使用验证集评估模型性能：

yolo task=detect mode=val \ model=runs/detect/train_ebike_v1/weights/best.pt \ data=datasets/ebike_violation/data.yaml \ imgsz=640 \ device=0

关键评估指标解读：

• mAP@0.5 (mAP50): 交并比(IoU)阈值为0.5时的平均精度均值，是衡量检测精度的核心指标。我们改进的目标就是提升此值。
• mAP@0.5:0.95 (mAP50-95): IoU阈值从0.5到0.95（步长0.05）的平均mAP，更严格，衡量模型在不同IoU阈值下的综合性能。
• Precision: 精确率，模型预测为正的样本中，真正为正的比例。高精确率意味着误检少。
• Recall: 召回率，所有真实的正样本中，被模型正确预测出来的比例。高召回率意味着漏检少。
• FPS: 每秒处理帧数，衡量模型速度。

4.3 构建完整的违规行为检测系统

单一的帧级检测不足以可靠判定“违规载人”或“未佩戴头盔”等行为，因为可能存在瞬时遮挡或误判。我们需要引入多目标跟踪（MOT）来关联视频序列中的目标，并基于轨迹进行行为分析。

系统架构流程：

1. 视频流输入：无人机通过RTMP/RTSP推流到服务器。
2. 目标检测：使用训练好的改进YOLOv8模型对每一帧进行检测，得到[x1, y1, x2, y2, confidence, class_id]。
3. 多目标跟踪：使用跟踪算法（如ByteTrack）将每一帧的检测框关联起来，形成每个目标的连续轨迹（Track ID）。
4. 行为判定：针对每个跟踪目标（Track），分析其在一段时间内（如N帧）的检测结果序列。
   • 未佩戴头盔判定：如果某个person轨迹，在连续M帧内都未检测到与之空间重叠（IoU大）的helmet，则判定为未佩戴头盔。
   • 违规载人判定：如果某个ebike轨迹，在连续M帧内都检测到超过1个person（或检测到passenger类），则判定为违规载人。
5. 结果存储与可视化：将违规事件（时间、位置、Track ID、违规类型、截图）存入数据库，并可在Web前端实时展示告警。

核心代码示例（检测+跟踪+简单判定）：

import cv2 from ultralytics import YOLO from collections import defaultdict, deque import numpy as np # 加载训练好的模型 model = YOLO('runs/detect/train_ebike_v1/weights/best.pt') # 简单的基于IOU的跟踪器（生产环境建议使用ByteTrack, DeepSORT等） class SimpleTracker: def __init__(self, max_age=30): self.next_id = 0 self.tracks = {} # id -> {'bbox': [], 'class_history': deque, 'frames_since_update': 0} self.max_age = max_age def update(self, detections): # detections: list of [x1, y1, x2, y2, conf, cls] # 这里实现一个简单的IOU匹配逻辑，实际应用请替换为成熟跟踪算法 # ... return active_tracks # 行为判定器 class BehaviorAnalyzer: def __init__(self, helmet_frames_threshold=10): self.helmet_thresh = helmet_frames_threshold # 记录每个track的违规状态 self.violation_records = defaultdict(lambda: {'no_helmet_counter': 0, 'status': 'normal'}) def analyze(self, track_id, current_bbox, current_class, frame_index): """ 分析单帧中某个track的行为 current_class: 该track在当前帧被检测到的类别列表 """ # 示例：未戴头盔判定 if 'person' in current_class and 'helmet' not in current_class: self.violation_records[track_id]['no_helmet_counter'] += 1 else: self.violation_records[track_id]['no_helmet_counter'] = max(0, self.violation_records[track_id]['no_helmet_counter'] - 1) # 如果连续N帧未检测到头盔，判定为违规 if self.violation_records[track_id]['no_helmet_counter'] >= self.helmet_thresh: if self.violation_records[track_id]['status'] != 'no_helmet': print(f"Frame {frame_index}: Track {track_id} 未佩戴安全头盔！") self.violation_records[track_id]['status'] = 'no_helmet' # 触发告警：保存截图、发送消息等 # save_violation_image(frame, track_id, 'no_helmet') else: if self.violation_records[track_id]['status'] == 'no_helmet': print(f"Frame {frame_index}: Track {track_id} 恢复佩戴头盔。") self.violation_records[track_id]['status'] = 'normal' # 主处理循环 def process_video_stream(video_source=0): cap = cv2.VideoCapture(video_source) tracker = SimpleTracker() analyzer = BehaviorAnalyzer() frame_idx = 0 while cap.isOpened(): ret, frame = cap.read() if not ret: break # 1. YOLOv8检测 results = model(frame, imgsz=640, conf=0.25, iou=0.45)[0] # 调整conf和iou阈值 detections = [] if results.boxes is not None: boxes = results.boxes.xyxy.cpu().numpy() confs = results.boxes.conf.cpu().numpy() cls_ids = results.boxes.cls.cpu().numpy().astype(int) for box, conf, cls_id in zip(boxes, confs, cls_ids): detections.append([*box, conf, cls_id]) # 2. 目标跟踪 active_tracks = tracker.update(detections) # 3. 行为分析与可视化 for track_id, track_info in active_tracks.items(): bbox = track_info['bbox'] class_history = track_info['class_history'] # 最近几帧检测到的类别 # 分析行为 analyzer.analyze(track_id, bbox, class_history, frame_idx) # 在帧上绘制跟踪框和ID x1, y1, x2, y2 = map(int, bbox[:4]) cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(frame, f'ID:{track_id}', (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0,255,0), 2) cv2.imshow('Drone Detection', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break frame_idx += 1 cap.release() cv2.destroyAllWindows() if __name__ == '__main__': # 处理视频文件或RTSP流 # process_video_stream('path/to/your/video.mp4') process_video_stream('rtsp://your_drone_stream_url')

5. 模型部署与优化

5.1 模型导出为部署格式

训练得到的PyTorch模型（.pt）需要转换为适合生产环境部署的格式。

导出为ONNX：

yolo export model=runs/detect/train_ebike_v1/weights/best.pt format=onnx imgsz=640 simplify=True

参数simplify会应用ONNX Simplifier优化计算图。

导出为TensorRT（获得极致推理速度）：

yolo export model=runs/detect/train_ebike_v1/weights/best.pt format=engine device=0 imgsz=640

这需要系统已安装TensorRT。也可以先导出为ONNX，再用TensorRT的trtexec工具转换。

5.2 在不同平台部署

• 服务器端（Python）：使用Ultralytics的Python API或ONNX Runtime/TensorRT Python API进行推理，集成到上述的FastAPI/Flask Web服务中。
• 边缘设备（NVIDIA Jetson）：在Jetson上安装TensorRT，将模型转换为.engine格式，利用其高性能推理。
• C++集成：使用OpenCV的DNN模块（支持ONNX）或直接使用TensorRT C++ API，适用于对延迟要求极高的场景。

使用ONNX Runtime进行推理的简单示例：

import onnxruntime as ort import cv2 import numpy as np def preprocess(image, input_size=(640, 640)): # 预处理：resize, BGR->RGB, HWC->CHW, 归一化，增加batch维度 img = cv2.resize(image, input_size) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = img.transpose(2, 0, 1).astype(np.float32) / 255.0 img = np.expand_dims(img, axis=0) return img # 加载ONNX模型 session = ort.InferenceSession('best.onnx', providers=['CUDAExecutionProvider', 'CPUExecutionProvider']) input_name = session.get_inputs()[0].name output_names = [output.name for output in session.get_outputs()] # 处理单张图片 frame = cv2.imread('test.jpg') input_tensor = preprocess(frame) outputs = session.run(output_names, {input_name: input_tensor}) # outputs 包含检测结果，需要根据YOLOv8 ONNX的输出格式进行后处理（如非极大抑制NMS）

6. 常见问题与排查思路

在项目实践中，你可能会遇到以下典型问题：

7. 最佳实践与工程建议

1. 数据为王：对于航拍小目标场景，高质量、多样化的数据集比模型结构改进更重要。确保数据覆盖各种天气、光照、角度和遮挡情况。对“未戴头盔”这类正样本较少的类别，可以采用过采样或数据增强（如随机粘贴小头盔）来平衡。
2. 渐进式优化：不要一开始就尝试所有改进。建议基线流程：原生YOLOv8s训练 -> 分析失败案例（漏检/误检）-> 针对性地改进（如加P2层解决漏检，加CA解决误检）-> 重新训练评估。
3. 利用预训练权重：始终从官方预训练权重（如yolov8s.pt）开始训练，这能加速收敛并提升最终性能。
4. 超参数调优：使用YOLOv8内置的Tuner进行超参数搜索，或手动重点调整lr0、weight_decay、mixup、copy_paste等数据增强参数。
5. 模型集成：对于关键场景，可以训练多个不同改进方向的模型（如一个高召回模型，一个高精确模型），在推理时进行结果融合，进一步提升鲁棒性。
6. 系统监控与迭代：部署后，建立反馈闭环。定期收集系统误判、漏判的案例，将其加入训练集进行增量训练，使模型持续适应真实环境的变化。
7. 关注边缘部署：如果最终部署在无人机或边缘设备，必须考虑模型大小和计算量。可以使用模型剪枝、量化（如INT8量化）等技术在尽量保持精度的前提下压缩模型。Ultralytics支持导出时进行动态量化。
8. 安全与合规：在实际城市管理中部署此类系统，必须严格遵守关于数据采集、隐私保护和个人信息使用的相关法律法规。对视频流进行匿名化处理（如对人脸和车牌进行模糊），并确保数据存储在安全可控的环境中。

通过以上步骤，你不仅能够构建一个针对无人机航拍电动自行车违规行为的检测模型，更能搭建起一个包含感知、跟踪、判定、告警的完整智能视频分析系统。这个项目涵盖了从计算机视觉算法改进到软件系统工程实现的完整链条，是AI落地应用的典型范例。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Claude 随心用，限时 5 折。 👉 点击领海量免费额度