摘要：本研究采用的人员异常行为检测数据集由研究团队自主构建，具备完整的数据采集、标注与整理流程，并具有明确的自主知识产权。数据集面向智能安防应用场景，涵盖正常行为及打架、斗殴、抢劫、盗窃等多类异常行为，样本来源于不同视角和光照条件下的模拟监控环境。数据标注严格遵循 YOLO 目标检测格式，为基于 YOLO 系列模型的人员异常行为检测提供了可靠的数据基础。
作者：Bob(原创数据集)
数据集概览
1.数据类型
本研究采用目标检测类型的人员异常行为数据集，通过边界框对人员打架、斗殴、抢劫、盗窃等异常行为目标进行定位与分类，数据标注格式符合 YOLO 目标检测标准，适用于基于 YOLO 系列模型的实时人员异常行为检测与识别任务。
2.标注格式
本研究采用YOLO系列目标检测算法通用的标注格式对数据集进行标注。如图所示，YOLO标注文件以文本形式存储，每行对应一个目标实例，主要包含目标类别编号、边界框中心点的相对坐标以及边界框的相对宽度和高度。所有坐标信息均采用相对于原始图像尺寸的归一化表示，取值范围为0至1，从而减少不同分辨率图像对模型训练的影响，并提高模型在多尺度目标检测任务中的适应性。
图1 YOLO 图像目标检测标注格式示意图
3.数据增强
为提高人员异常行为检测与识别智能安防监控系统在复杂安防监控场景下的泛化能力与鲁棒性，本文在原始异常行为数据集的基础上引入多种图像数据增强策略，对训练样本进行扩展与扰动处理。通过对样本实施多样化的数据增强操作，可有效缓解因异常行为样本数量有限、场景分布不均所导致的模型过拟合问题，从而提升系统在实际监控环境中的检测稳定性与识别准确性。
图2 数据集图像增强方法示例
在具体实现过程中，本文综合采用几何变换与图像质量扰动相结合的数据增强方法。在几何变换方面，对原始监控图像进行水平翻转、垂直翻转以及水平与垂直组合翻转处理，以模拟不同摄像机安装角度、监控视角变化以及人员姿态差异对异常行为检测结果的影响；在图像质量扰动方面，引入高斯模糊、随机噪声、雾化处理、随机颜色偏移及亮度调节等增强方式，用于模拟实际安防场景中常见的光照变化、画面模糊、环境干扰等复杂因素。
通过上述数据增强策略的引入，训练样本的多样性与覆盖范围得到了显著提升，使模型能够学习到更加稳健且具有判别性的异常行为特征表示。实验结果表明，经过数据增强训练后的模型在人员打架、斗殴、抢劫、盗窃等异常行为识别任务中的整体检测性能均有所提升，有效增强了系统在真实安防监控环境中的适应能力，为人员异常行为智能安防监控系统的工程化部署与实际应用提供了可靠的数据支撑。
3.数据集划分
为保证模型训练与测试阶段的客观性、稳定性与评估可靠性，本文对构建的数据集进行了科学划分，将其分为训练集、验证集和测试集三部分。数据集按照 70% / 20% / 10% 的比例进行划分，其中训练集包含 3449 张图像，主要用于 YOLO11 模型参数的学习与异常行为特征表示能力的建立；验证集包含 986 张图像，用于模型超参数调优、训练过程监控以及中间性能评估；测试集包含 493 张图像，用于在完全未参与训练的条件下，对模型最终的人员异常行为检测与识别性能进行客观验证。该数据划分策略能够有效避免数据泄漏问题，并有助于系统性分析模型在复杂智能安防监控场景下的泛化能力与实际应用性能。
图3 数据集在训练、验证和测试集上的分布
数据集来源
本系统采用了猿创（2zocde）团队自建、具有自主知识产权的行为识别数据集，该数据集主要围绕日常人员行为与异常行为场景进行构建，特别针对公共安全领域中的人员行为监控与识别。数据集包括多个典型的异常行为类别，如涉嫌打架（fight）、涉嫌斗殴（brawl）、涉嫌抢劫（robbery）以及涉嫌盗窃（theft）等。每一类别都包含了大量高质量的图像和视频样本，覆盖了不同年龄、性别和场景的多样化人员行为，确保了数据的代表性和多样性，能较真实地反映现实应用环境中的行为变化特征。
图4 数据集图片
数据集类别
表1 数据类别
数据集用途
本数据集用于人员异常行为检测与识别模型的训练与验证，包含打架、斗殴、抢劫和盗窃等多类典型异常行为样本，采用 YOLO 目标检测格式进行标注。可应用于以下研究与开发方向：
（1）模型训练：支持基于 YOLOv11 等目标检测模型开展人员异常行为检测与识别任务；
（2）性能评估：用于评估模型在异常行为检测场景中的检测精度、稳定性与鲁棒性；
（3）系统开发：为智能安防监控与人员异常行为预警系统的设计与实现提供数据支持。
数据集性能
（1）模型训练过程分析
图5 YOLOv11模型训练与验证损失函数变化曲线
从训练与验证曲线可以看出，YOLO11 模型在训练过程中各项损失函数持续下降并趋于稳定，Precision、Recall 及 mAP 指标快速提升且在后期保持较高水平，表明模型收敛良好、未出现明显过拟合，具有较强的异常行为检测性能与泛化能力。
（2）检测性能曲线分析
图6 Precision–Recall 曲线（PR 曲线）
从 PR 曲线可以看出，各类异常行为的精确率在高召回率区间仍保持接近 1.0，整体 mAP@0.5 达到 0.995，表明基于 YOLO11 的模型在人员异常行为检测任务中具有极高的检测精度与稳定性。
（3）分类与识别效果分析
图7 老年人行为识别混淆矩阵
从混淆矩阵可以看出，各类异常行为样本主要集中在对角线位置，类别识别准确率较高，仅在少量样本中与背景或相近行为发生混淆，表明模型具备良好的类别区分能力与整体检测稳定性。
（4）最终性能结果汇总
图8 YOLOv11 模型训练完成后的性能评估结果
训练结果表明，基于 YOLO11 的人员异常行为检测模型在验证集上取得了 mAP@0.5 达到 0.995、mAP@0.5:0.95 达到 0.976 的优异性能，同时推理速度快、各类别检测指标均衡，满足智能安防场景下高精度与实时性的应用需求。
数据集须知
（1）数据来源：数据集由研究团队自主采集与标注，仅限科研与教学使用。
（2）数据结构：数据集包含训练集、验证集和测试集，覆盖打架、斗殴、抢劫、盗窃四类人员异常行为。
（3）文件格式：图像数据为 .jpg 格式，标注文件为符合 YOLO 目标检测标准的 .txt 格式。
（4）使用要求：禁止未经授权的数据传播、共享及商业化使用。
（5）适用范围：适用于人员异常行为检测、智能安防监控与异常行为预警相关研究。
 与 np.arange())