文章前瞻：优质数据集与检测系统
一、武器刀具识别数据集介绍
【数据集】yolov8武器刀具检测数据集 4098 张，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。
数据集中标签包含2种分类：names: ['guns', 'knife']，代表枪械、刀具。
检测场景为道路、商场、办公大楼、公园、枪械军工厂等场景，可用于交通枢纽与重点场所安检、公共场所实时安全防控、校园与社区安全保障、案件侦查与溯源辅助等。
文章底部名片或主页私信获取数据集和系统~
1、数据概述
武器刀具识别的重要性
武器刀具的非法携带与使用，是威胁公共安全的重要隐患，可能引发暴力伤害、恶性案件等严重后果，直接影响社会秩序与民众安全感。传统武器刀具检测模式存在显著短板：人工安检依赖安检人员肉眼排查，易受疲劳、经验等因素影响，对隐蔽携带的刀具（如藏于包裹夹层、伪装成日常用品的刀具）易出现漏检；公共场所监控需人工实时盯守或事后回溯，难以在危险发生前及时识别武器刀具，响应滞后，往往错失干预时机；在人员密集场景中，人工排查效率低下，易造成拥堵且难以实现全面覆盖。
YOLO算法凭借“实时目标检测+高场景适应性”的核心优势，为武器刀具检测提供了技术突破：其一，可实现高帧率实时识别，无需人工干预就能快速捕捉画面中的武器刀具，即使在人流密集的动态场景中也能稳定检测；其二，对不同类型、形态的武器刀具（如匕首、砍刀、仿真枪等）识别精准，能有效区分武器刀具与日常用品（如指甲刀、钢笔），避免误判；其三，可适配安检设备、公共场所监控、无人机巡检等多类终端，实现全场景、无死角覆盖，推动安全防控从“被动处置”向“主动预警”转型，是强化公共安全保障的关键技术支撑。
基于YOLO的武器刀具检测系统
交通枢纽与重点场所安检升级：在机场、车站、地铁等人员密集的交通枢纽，YOLO可与安检设备联动，自动识别行李、包裹中的武器刀具，发现异常立即触发预警并标注位置，辅助安检人员精准核查，减少人工排查的漏检风险，同时提升安检效率，缩短旅客等待时间。在演唱会、展会等大型活动现场，通过入口安检与场内监控的双重部署，形成全流程检测防线，提前拦截危险物品。
公共场所实时安全防控：在商场、学校、医院等公共场所，YOLO通过监控设备24小时不间断检测，一旦识别到人员携带武器刀具，立即将预警信息（含位置、画面）推送至安保人员终端，助力安保团队快速响应、精准处置，在危险行为发生前介入干预，降低伤害事件发生概率。对于突发的暴力持械行为，系统可同步锁定持械人员位置，为警方出警提供精准指引。
校园与社区安全保障：校园与社区是民众生活、学习的核心场景，安全需求尤为迫切。YOLO可部署于校园门口、教学楼走廊、社区出入口等关键位置，实时监测是否有人员携带武器刀具进入，形成安全屏障。针对未成年人可能接触的仿真武器、管制刀具，系统能精准识别并预警，辅助学校与社区强化安全管理，为青少年营造安全的成长环境。
案件侦查与溯源辅助：在涉械案件侦查中，YOLO可快速检索案发现场及周边监控录像，自动定位出现武器刀具的画面片段，提取持械人员特征与行动轨迹，减少警方人工回看海量视频的工作量，缩短案件侦查周期，为案件破获提供关键线索与证据支持。
该数据集含有 4098 张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试道路、商场、办公大楼、公园、枪械军工厂等场景进行武器刀具识别。
图片格式为jpg格式，标注格式分别为：
YOLO：txt
VOC：xml
数据集均为手工标注，保证标注精确度。
2、数据集文件结构
guns-knife/
——test/
————Annotations/
————images/
————labels/
——train/
————Annotations/
————images/
————labels/
——valid/
————Annotations/
————images/
————labels/
——classes.txt
——data.yaml
- 该数据集已划分训练集样本，分别是：test目录（测试集）、train目录（训练集）、valid目录（验证集）；
- Annotations文件夹为Pascal VOC格式的XML文件 ；
- images文件夹为jpg格式的数据样本；
- labels文件夹是YOLO格式的TXT文件；
- classes.txt是yolo格式的标签名称
- data.yaml是数据集配置文件，包含武器刀具检测的目标分类和加载路径。
Annotations目录下的xml文件内容如下：
driving_annotation_dataset
armas-23-_jpg.rf.6e8b0bb60cbdf978a59abb82118c52ba.jpg
640
640
3
labels目录下的txt文件内容如下：
0 0.50703125 0.21875 0.09375 0.069531253、数据集适用范围
- 目标检测场景，监控识别
- yolo训练模型或其他模型
- 道路、商场、办公大楼、公园、枪械军工厂
- 可用于交通枢纽与重点场所安检、公共场所实时安全防控、校园与社区安全保障、案件侦查与溯源辅助等。
4、数据集标注结果
4.1、数据集内容
- 场景视角：监控视角数据样本，人员视角数据样本；
- 标注内容：names: ['guns', 'knife']，总计2个分类；
- 图片总量：4098 张图片数据；
- 标注类型：含有Pascal VOC XML格式和yolo TXT格式；
5、训练过程
5.1、导入训练数据
下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。
下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。
在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。
data目录结构如下：
data/
——Annotations/ //存放xml文件
——images/ //存放jpg图像
——imageSets/
——labels/
整体项目结构如下所示：
5.2、数据分割
首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。
import os
import random
trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()5.3、数据集格式化处理
在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。
convert_annotation函数
这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。
它打开XML文件，解析树结构，提取图像的宽度和高度。
然后，它遍历每个目标对象（
object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用
convert函数将坐标转换为YOLO格式。最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ['guns', 'knife'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('data/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text),
float(xmlbox.find('xmax').text),
float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('data/labels/'):
os.makedirs('data/labels/')
image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
list_file = open('data/%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()5.4、修改数据集配置文件
在ultralytics-main目录下创建一个data.yaml文件
train: data/train.txt
val: data/val.txt
test: data/test.txt
nc: 2
names: ['guns', 'knife']5.5、执行命令
执行train.py
model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)也可以在终端执行下述命令：
yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=05.6、模型预测
你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。
代码如下：
import cv2
from ultralytics import YOLO
# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径
# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path)
# Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v') # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径
# Loop through the video frames
while cap.isOpened():
# Read a frame from the video
success, frame = cap.read()
if success:
# Run YOLOv8 inference on the frame
# results = model(frame)
results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)
results[0].names[0] = "道路积水"
# Visualize the results on the frame
annotated_frame = results[0].plot()
# Write the annotated frame to the output file
out.write(annotated_frame)
# Display the annotated frame (optional)
cv2.imshow("YOLOv8 Inference", annotated_frame)
# Break the loop if 'q' is pressed
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
# Break the loop if the end of the video is reached
break
# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()图片推理，代码如下：
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO('models/best.pt')
model.predict(source='test_pic',
imgsz=640,
save=True,
conf=0.25
)也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：
yolo predict model="best.pt" source='demo.jpg'6、获取数据集
文章底部名片或主页私信获取数据集或检测系统~
二、YOLO武器刀具检测系统
1、功能介绍
1. 模型管理
支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。
2. 图片检测
- 支持上传本地图片文件，自动完成格式校验。
- 对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。
- 检测结果可下载保存。
3. 视频检测与实时流
- 支持上传本地视频文件，自动完成格式校验。
- 对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。
- 支持摄像头实时检测（如有接入摄像头）。
4. 置信度阈值调节
- 前端可实时调整检测置信度阈值，动态影响检测结果。
- 阈值调整后，后端推理自动应用新阈值，无需重启。
5. 日志与状态反馈
- 前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。
- 检测异常、错误信息及时反馈，便于排查。
- 一键清空日志，笔面长期占用内存。
2、创建环境并安装依赖：
conda create -n ultralytics-env python=3.10
conda activate ultralytics-env
pip install -r requirements.txt3、启动项目
python app.py打开浏览器访问：http://localhost:5000
4、效果展示
4.1、推理效果
4.2、日志文本框
4.3、摄像头检测
以红绿灯检测为例：
5、前端核心页面代码
视觉检测系统 - Web UI
YOLO武器刀具检测系统
当前模型：未上传模型
原图 / 视频
预览区
检测结果
检测结果
日志
<script src="/static/app.js"></script>
6、代码获取
文章底部名片或私信获取系统源码和数据集~
更多数据集请查看