YOLO26电梯内电动车识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+远程环境部署）

摘要

针对电梯内电动车违规进入带来的安全隐患，本文提出一种基于YOLO26的目标检测系统，用于实时识别电梯内的电动车（含自行车与摩托车）及行人。系统采用YOLO26框架进行训练，数据集共包含7111张标注图像，其中训练集5291张、验证集1168张、测试集652张，类别为自行车（bicycle）、摩托车（motorcycle）和行人（person）三类。实验结果表明，模型在验证集上的mAP50达到0.983，平均精度为0.97，召回率为0.954，单张图像推理时间仅2.3ms。模型整体性能优秀，具备高精度、高召回、低延迟的特点，满足电梯内实时检测需求，可有效用于电动车禁入电梯的智能监控系统。

引言

随着电动车的普及，电动车进电梯引发火灾、碰撞等安全事故的问题日益突出。许多城市和社区已明令禁止电动车进入电梯，但依靠人工值守或传统监控难以实现全天候、高效率的管控。因此，基于计算机视觉的电动车自动识别系统成为当前的研究热点。

YOLO系列目标检测算法因检测速度快、精度高，在实时监控场景中得到广泛应用。本文基于YOLO26框架，构建了一个专门用于电梯内部场景的电动车识别检测系统，重点识别自行车、摩托车和行人三类目标。通过对模型进行训练、验证与测试，评估其在真实电梯环境中的检测性能。本文将从数据集构建、模型训练结果分析等方面进行详细阐述，为电梯智能安防系统的实际部署提供参考。

目录

摘要

详细功能展示视频

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

引言

背景

数据集介绍

1. 数据集规模

2. 类别及数量分布

训练结果

整体性能评价：优秀​编辑

各类别检测效果分析​编辑​编辑​编辑​编辑

训练曲线分析（results.png）​编辑

Ultralytics YOLO26

概述

主要功能

常用标注工具

详细功能展示视频

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）

✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测

✅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

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

背景

近年来，电动车因其便捷、经济的特点，成为我国城市居民短途出行的重要交通工具。然而，电动车进入电梯并在楼道或家中充电的行为，带来了严重的消防安全隐患。据统计，电动车电池在充电或受撞击时容易发生热失控，进而引发火灾，且燃烧速度快、释放有毒烟雾，严重威胁居民生命财产安全。为此，国家应急管理部及多地政府相继出台规定，明令禁止电动车进入电梯或在建筑内公共区域停放、充电。

但在实际执行过程中，完全依靠人工管理存在诸多困难。一方面，物业管理人员无法24小时值守监控；另一方面，部分居民安全意识淡薄，存在侥幸心理，违规行为屡禁不止。传统视频监控系统仅能记录画面，无法主动识别和预警，事后追溯效率低下。因此，亟需一种能够自动识别电动车进梯行为并实时告警的智能化解决方案。

随着深度学习技术的发展，基于卷积神经网络的目标检测算法为这一问题提供了可行路径。其中，YOLO系列算法凭借端到端的检测结构和高帧率处理能力，特别适合电梯这类空间封闭、光照相对稳定、实时性要求高的场景。通过在电梯内安装普通摄像头，结合YOLO26模型对电动车和行人进行实时检测，系统可在电动车进入电梯时自动识别并触发语音提醒或联动梯控系统阻止关门，从而实现从“人防”到“技防”的转变。

基于上述背景，本文构建了一个针对电梯场景的电动车检测数据集，并基于YOLO26算法训练识别模型，重点解决自行车与摩托车在狭小空间内的准确识别问题，为电梯智能安防系统提供核心技术支撑。

数据集介绍

本研究所用数据集为自建的电梯场景电动车检测数据集，所有图像均模拟或采集自真实电梯内部环境，涵盖不同光照条件以及多人、多车同时出现的复杂场景。

1. 数据集规模

2. 类别及数量分布

根据任务需求，共设置3个目标类别：

注：验证集共包含2460个标注实例，部分图像中包含多个目标。

训练结果

整体性能评价：优秀

模型已具备高精度、高召回、低延迟的特点，非常适合电梯这种实时检测场景。

各类别检测效果分析

• 摩托车和行人样本充足，检测稳定

• 自行车样本偏少，但mAP50-95反而最高（0.91），说明定位精度很好

训练曲线分析（results.png）

• loss曲线：稳定下降并收敛，训练充分

• mAP曲线：平稳上升，无过拟合迹象

• precision/recall：保持在0.95以上，模型稳定

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：

详细功能展示视频