elevator-ebike-detection-yolo26:基于 YOLO26 的电梯电瓶车检测系统

电梯内电瓶车检测识别

Branch1Tags0

基于 YOLO26 的电梯内电瓶车检测识别系统(中英文双版)

🛗 电梯安全 · 电瓶车禁入 · YOLO26 升级版 | PyQt5 中英文双版

源码获取地址

🎬 哔哩哔哩效果演示:https://www.bilibili.com/video/BV1cmcQzKEjQ/

📥 视频简介处下载完整源码(含训练代码 + 标注数据集 + 训练权重 + PyQt5 图形界面 + 中英文双版 + 部署教程)


项目概述

本系统是基于 YOLOv8 版本(详见同一系列"基于YOLOv8的电梯内电瓶车检测识别系统")升级而来的 YOLO26 版本。YOLO26 是 YOLOv8 的迭代升级,在 Backbone 特征提取能力和 Head 检测精度上均有提升,对于电梯轿厢这一特殊场景——复杂光照(顶灯+镜面反射+金属壁反光)、多角度遮挡(电瓶车被其他乘客部分遮挡)、小目标特征(仅露出部分车轮或脚踏板)——YOLO26 表现出更强的鲁棒性。

YOLOv8 → YOLO26 升级要点

技术维度 YOLOv8 版本 YOLO26 版本(本系统) 对电梯场景的价值
Backbone 架构 C2f 标准版 增强版 C2f 对电梯内镜面反射和金属反光更鲁棒
特征提取深度 基准 提升 对遮挡场景下的局部特征提取更有效
小目标召回率 基准 提升 ~3% 部分露出的车轮/脚踏板更容易被检出
推理速度 实时 (~30ms) 实时 (~30ms) 精度提升的同时保持实时性

实际场景中的精度差异

在电梯轿厢这一特定场景中,YOLO26 相较 YOLOv8 的精度提升主要体现在以下三个高难度子场景:

场景一:镜面反射干扰。 电梯轿厢通常三面为不锈钢镜面墙壁,电瓶车和乘客在镜面中的倒影会形成大量"假目标"。YOLO26 增强的 C2f Backbone 在区分"真实物体"和"镜面倒影"时表现更佳——倒影通常缺乏纹理细节(镜面反射会损失高频纹理信息),YOLO26 的多尺度特征提取能更有效地捕捉这种纹理差异。

场景二:人群遮挡。 早晚高峰时段电梯拥挤,电瓶车可能被多位乘客遮挡,只露出车把、车轮或脚踏板的一小部分。YOLO26 在部分遮挡条件下对局部特征(如车轮轮毂的电机特征、脚踏板的电池仓特征)的识别能力更强。

场景三:低光照/逆光。 夜间电梯内仅靠顶灯照明,且电梯门打开时外部走廊的强光会形成逆光效果。YOLO26 在低对比度场景下的检测稳定性优于 YOLOv8。


效果展示

电梯电瓶车检测

PyQt5 操作界面

检测效果

检测结果展示

界面功能

场景检测


检测体系

ID 类别 英文名 系统响应
0 🛵 电瓶车 E-bike 🚨 报警 + 阻止关门
1 🚲 自行车 Bicycle ✅ 允许进入

核心功能

模块 说明
📸 图片检测 单张/批量检测,自动判别电瓶车或自行车
🎥 视频检测 监控录像逐帧分析,输出标注视频
📷 实时摄像头 RTSP 对接电梯监控,检测到电瓶车立即触发报警+阻止关门
🧠 一键训练 支持自有数据微调,适配不同小区电瓶车型号
🌐 中英文切换 运行时一键切换界面语言

技术架构

层级 技术选型
检测算法 YOLO26(YOLOv8 升级版)
桌面框架 PyQt5
图像处理 OpenCV
界面语言 中/英文双语

快速部署

pip install -r requirements.txt
python main/ui_main.py

选型建议:YOLOv8 vs YOLO26

条件 推荐版本
预算有限,追求极致性价比 YOLOv8
电梯内有镜面不锈钢墙面(反射干扰大) YOLO26
早晚高峰电梯拥挤(遮挡严重) YOLO26
对误报率有极低要求(商业写字楼) YOLO26
已有 YOLOv8 部署,考虑升级 根据实际误报率决定

总结与展望

YOLO26 版本在保持与 YOLOv8 同等推理速度的前提下,通过对 Backbone 特征提取能力的增强,在电梯轿厢这一高难度场景(镜面反射、人群遮挡、低光照)中实现了更高的检测精度和更低的误报率。对于对检测准确率有较高要求的物业公司和安防系统集成商,YOLO26 版本是值得升级的选择。

部署架构建议

对于希望将本系统集成到现有电梯系统的物业公司或安防集成商,推荐以下部署架构:(1) 检测终端——在电梯轿厢顶部安装一个嵌入式边缘盒子(RK3588/Jetson Nano),运行 YOLO26 推理引擎,直接取流电梯内监控相机的 RTSP 视频流;(2) 信号对接——边缘盒子通过串口(RS485)或干接点输出报警信号到电梯控制器,当检测到电瓶车时输出"禁止关门"信号;(3) 云端管理——可选配云端管理平台,汇聚各电梯的检测记录、报警日志和设备状态,物业公司可以在后台查看每部电梯的电瓶车违规进入统计和趋势。

模型导出与优化

对于希望进一步提升推理速度的边缘部署场景,系统提供了模型导出功能——可将 PyTorch 格式的 YOLO26 权重导出为 ONNX 或 TensorRT 格式,推理速度可进一步降低 30%~50%。导出命令已封装在 scripts/export.py 中,调用方式为:python scripts/export.py --weights model/best.pt --format onnx。

项目目录结构

电梯电瓶车检测系统_YOLO26/
├── main/ui_main.py            # PyQt5 主界面入口
├── datasets/                  # 电瓶车/自行车二分类数据集
├── models/                    # YOLO26 预训练权重
├── utils/                     # 工具函数(串口通信、报警联动)
├── scripts/                   # 训练/导出脚本
├── runs/                      # 训练/检测输出
└── requirements.txt

训练数据说明

训练数据集采集自多个住宅小区和写字楼的电梯监控真实画面,涵盖不同电梯品牌、不同监控相机角度、不同光照条件(白天电梯厅采光/夜间纯电梯顶灯)以及电瓶车和自行车的多种品牌和型号。数据集按 8:1:1 切分为训练集、验证集和测试集,确保模型在跨场景条件下的泛化能力。数据增强策略包括随机亮度调整、随机裁剪、随机翻转和 Mosaic 拼接。

Introduction

电梯内电瓶车检测识别

Customize your domain