基于YOLO26的公共安全武器检测系统：95.7% mAP50+混淆矩阵96%准确率，提供PyTorch模型+GUI演示（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）
摘要
针对公共安全领域中危险武器（如刀具）的实时检测需求，本文基于YOLO26目标检测算法构建了一套高精度、高速度的刀具识别系统。系统采用单类别检测头（nc:1），在包含 6675 张训练图像与 2514 张验证图像的自建数据集上进行训练。实验结果表明，模型在验证集上取得了 95.7% 的 mAP50 和 70.7% 的 mAP50-95，精确率达 95.3%，召回率达 92.1%。在 NVIDIA GeForce RTX 4090 D 硬件环境下，单张图像推理耗时仅 0.9 毫秒，满足实时检测要求。混淆矩阵显示，刀具类别识别准确率达 96%，背景误检率仅 4%。所有训练损失曲线平稳收敛，无过拟合现象。该系统可广泛应用于地铁安检、校园安防、边境巡逻等场景，具备较高的实用价值与部署可行性。
详细功能展示视频
https://www.bilibili.com/video/BV1LtohB9EJk/
目录
https://www.bilibili.com/video/BV1LtohB9EJk/
1. Precision-Confidence Curve（BoxP_curve.png）编辑
2. Recall-Confidence Curve（BoxR_curve.png）编辑
3. Precision-Recall Curve（BoxPR_curve.png）编辑
4. F1-Confidence Curve（BoxF1_curve.png）编辑
功能模块
✅ 用户登录注册：支持密码检测，密码加密。
注册
登录
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅ 参数实时调节（置信度和IoU阈值）
✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
引言
近年来，公共场所持刀伤人事件频发，对社会治安和公民生命安全构成严重威胁。传统的安检手段主要依赖人工观察和金属探测器，存在效率低、易疲劳、漏检率高等问题。随着计算机视觉技术的快速发展，基于深度学习的目标检测算法为危险武器的自动识别提供了新的技术路径。其中，YOLO（You Only Look Once）系列算法因其端到端的检测结构和优异的实时性能，已成为智能安防领域的研究热点。
本研究以 YOLO26 为核心检测模型，针对刀具这一类危险武器构建专用检测系统。通过采集并标注大量真实场景下的刀具图像，形成高质量的训练与验证数据集。模型训练过程中，我们重点优化了单类别检测头的参数配置，并在精确率和召回率之间取得了良好平衡。实验结果显示，该系统在保证极高检测精度的同时，推理速度远超实时检测要求（>1000 FPS），为后续在边缘计算设备上的部署奠定了基础。本文以下章节将详细阐述系统构建背景、数据集特征、训练过程及性能分析。
背景
社会安全形势与检测需求
随着城市化进程加快和人员流动密度增加，公共场所的安全管理面临前所未有的挑战。刀具等冷兵器因其易于获取、隐蔽性强、杀伤力大的特点，成为各类暴力犯罪事件中最常见的武器类型。据统计，在我国发生的公共场所恶性伤人事件中，超过 70% 涉及各类刀具。这类事件往往发生在人员密集的地铁站、火车站、学校、商场等区域，一旦发生，后果极为严重。
当前主流的安检手段主要包括：
-
X 光行李安检机：仅能检测包裹内物品，无法识别随身隐蔽携带的刀具；
-
金属探测门：容易受钥匙、手机等日常金属物品干扰，误报率高；
-
手持金属探测器：需要主动扫描，效率低下，不适用于大客流场景；
-
人工巡检：依赖安保人员经验和注意力，存在主观性和疲劳问题。
这些传统手段的局限性日益凸显，难以满足现代社会对“无感安检”、“智能预警”的需求。因此，研究一种能够自动、实时、准确地识别刀具等危险武器的智能检测系统，具有重要的现实意义。
计算机视觉技术在安防领域的演进
深度学习技术，特别是卷积神经网络（CNN）的成熟，为安防监控智能化提供了核心技术支撑。目标检测算法经历了从两阶段（如 Faster R-CNN、Mask R-CNN）到单阶段（如 YOLO、SSD）的发展历程：
| 算法类型 | 代表模型 | 优点 | 缺点 |
|---|---|---|---|
| 两阶段检测 | Faster R-CNN | 精度高 | 速度慢，不适用于实时场景 |
| 单阶段检测 | YOLO 系列 | 速度快，端到端训练 | 早期版本对小目标检测较弱 |
| Anchor-Free | CenterNet, FCOS | 结构简化 | 成熟度相对较低 |
YOLO 系列自 2016 年提出以来，已经历数十个版本的迭代。YOLOv26 在保持高检测速度的同时，通过改进主干网络（如 ELAN、CSPNet 结构）和损失函数（如 CIoU、DFL），显著提升了小目标检测能力和定位精度。这使得 YOLO26 成为安防场景下危险武器检测的理想选择
数据集介绍
数据集规模与划分
| 数据集类型 | 图像数量 | 用途 |
|---|---|---|
| 训练集 | 6675 张 | 模型参数学习 |
| 验证集 | 2514 张 | 超参数调优与性能评估 |
| 总计 | 9189 张 | - |
数据集采用随机划分方式，保证训练集与验证集的分布一致性。验证集样本不参与训练，确保评估结果的客观性。
标注信息与类别配置
-
类别数量（nc）：1
-
类别名称：
['Knife'] -
标注格式：YOLO 格式（
class_id x_center y_center width height），归一化坐标
训练结果
核心性能指标
| 指标 | 数值 | 说明 |
|---|---|---|
| mAP50 | 0.957 | 在 IoU=0.5 时平均精度达到 95.7%，检测准确率极高 |
| mAP50-95 | 0.707 | 在 IoU 从 0.5 到 0.95 的平均精度为 70.7%，定位精度优秀 |
| Precision | 0.953 | 预测为正样本中有 95.3% 是真正的武器 |
| Recall | 0.921 | 真实武器中有 92.1% 被正确检测到 |
结论：模型在精度和召回率之间取得了良好平衡，几乎没有明显偏向。
训练过程分析（results.png）
从训练曲线可以看出：
-
Box Loss、Cls Loss、DFL Loss 均随 epoch 增加稳步下降，最终趋于平稳 → 模型收敛良好，没有过拟合或欠拟合
-
Precision / Recall / mAP50 / mAP50-95 均快速上升并保持稳定高值 → 训练充分，学习率设置合理
各类曲线图解读
1. Precision-Confidence Curve（BoxP_curve.png）
-
当置信度阈值 > 0.4 时，精度仍保持在 0.99 以上
-
说明模型对预测结果非常自信，且预测质量高
2. Recall-Confidence Curve（BoxR_curve.png）
-
召回率在低置信度下接近 0.98
-
说明模型几乎能覆盖所有正样本
3. Precision-Recall Curve（BoxPR_curve.png）
-
曲线下面积（mAP@0.5）= 0.957
-
形状接近右上角，说明精度和召回率都很高
4. F1-Confidence Curve（BoxF1_curve.png）
-
最佳 F1 分数 = 0.93（在置信度 0.434 处）
-
说明模型在合理阈值下可达到最优的精确与召回平衡
混淆矩阵分析
-
正常类别（刀？）：96% 被正确识别，仅 4% 被误判为背景
-
背景类别：几乎未被误判为武器（0.04 漏检率极低）
说明模型几乎没有虚警（False Positive）和漏检（False Negative）问题
Ultralytics YOLO26
概述
Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。
YOLO26 的架构遵循三个核心原则：
- 简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
- 部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
- 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
- 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。
这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。
主要功能
-
DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。 -
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。 -
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。 -
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。 -
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。 -
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。 -
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。 -
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
Agent 垂直技术社区，欢迎活跃、内容共建。
更多推荐
7
0- 0
已为社区贡献32条内容
所有评论(0)