电梯内车辆入梯目标检测数据集：28,000张图像 | 目标检测
源码数据分享
通过网盘分享的文件：电梯内自行车与电动车目标检测数据集
链接: https://pan.baidu.com/s/1VJ-HAOjlYpfnz9UYA5R3vA?pwd=4mnw
提取码: 4mnw
一、电梯安全的社会痛点与AI视觉破局之路
在城市化高速推进的今天，电梯已经成为超过3亿中国城市居民的日常出行工具。然而，一个长期困扰物业和社区管理的安全隐患始终存在——电动车推入电梯。这绝非小事：据应急管理部数据统计，近年来因电动车电池引发的火灾事故中，有相当比例发生在住宅楼道和电梯内，且一旦在电梯这种密闭空间内起火，火势蔓延速度极快，烟气浓度在数秒内即可达到致死水平，乘客几乎没有逃生空间。
传统的管理手段——物业巡查、张贴警示标语、人工监控值守——不仅人力成本高昂，而且在夜间和凌晨等监管薄弱时段几乎形同虚设。更关键的是，电动车入梯行为往往具有瞬时性和随机性，人工发现时往往为时已晚。
正是在这一背景下，基于深度学习的电梯智能视觉识别系统应运而生。通过在电梯内安装AI摄像头，实时分析视频流并自动识别电动车入梯行为，在目标进入的第一时间触发语音告警、联动梯控系统阻止电梯运行，并同步推送告警信息至物业管理平台，形成"检测-告警-处置"的闭环安全防线。
而这一切的技术起点，就是高质量、大规模、真实场景驱动的训练数据集。本数据集——电梯内自行车与电动车目标检测数据集（28000张高质量标注图像），正是为这一核心需求而构建。
二、数据集全景解读：28000张标注图像背后的工程考量
2.1 数据规模与来源
本数据集共包含28000张高质量标注图像，全部来源于真实电梯监控画面，覆盖多种实际使用环境：
- 住宅小区电梯：以居民日常出入场景为主，包含大量推车入梯行为
- 商业写字楼电梯：人流密度高、时间分布集中，部分场景存在外卖车辆入梯
- 商场电梯：空间较大、光线复杂，存在自行车与电动车混合情况
- 公共设施电梯：医院、学校等场景，目标尺度与遮挡情况更为多样
28000张的数据规模在电梯安防领域属于超大规模数据集，能够充分支撑深度学习模型从简单到复杂场景的渐进式学习，避免小数据集常见的过拟合与泛化不足问题。
2.2 类别设计与语义定义
数据集包含2个目标类别：
nc: 2
names: ['自行车', '电动车']
自行车（类别0）：人力驱动的两轮车辆。虽然在安全风险等级上低于电动车，但在许多社区管理规范中，自行车进入电梯同样属于违规行为，因为它占用公共空间、影响其他乘客通行，且在拥挤状态下可能造成碰撞伤害。
电动车（类别1）：电动自行车或电动两轮车。这是本数据集最核心的检测目标，也是智慧社区重点防控对象。电动车的锂电池组是主要安全隐患——一旦发生热失控，释放的有毒气体和高温火焰在密闭电梯空间内具有极高的致命性。
将自行车与电动车作为两个独立类别而非合并为"车辆"单一类别，是基于实际部署需求的精心设计。在智慧社区系统中，两类目标的告警级别与处置策略不同：电动车入梯触发红色告警+电梯阻停，自行车入梯触发黄色提醒+语音劝离。
2.3 数据集目录结构
path: main/datasets
train: train/images
val: valid/images
test: test/images
兼容YOLOv5/v7/v8、Faster R-CNN、SSD、Detectron2、MMDetection等主流框架。
三、数据质量深度分析：五大维度保障模型实战能力
3.1 真实监控视角
所有数据均来自电梯内部监控摄像头拍摄，而非网络爬取或模拟生成。这意味着模型训练时学习的特征分布与实际部署环境高度一致——包括监控画面的畸变、压缩伪影、低照度噪点等真实干扰因素，这些在合成数据集中往往无法体现。
从工程角度看，真实监控数据训练出的模型在迁移到实际系统时，通常不需要额外的域适应处理，部署周期可缩短50%以上。
3.2 多尺度目标覆盖
电梯内部空间有限，但摄像头安装位置不同导致目标尺度变化显著：
- 近距离目标：车辆刚进入电梯门时，占画面比例较大，特征清晰
- 远距离目标：车辆位于电梯对角位置时，占画面比例较小，需要模型具备小目标检测能力
- 部分目标：车辆被门框遮挡或仅露出前轮/后轮时，需要模型基于局部特征进行推断
数据集中合理分布了三种尺度的样本，确保模型不会偏向某一尺度而产生漏检。
3.3 复杂遮挡场景
真实电梯环境中，遮挡是最常见的干扰因素：
- 人员遮挡：推车者或同行乘客的身体遮挡车辆部分区域
- 门框遮挡：电梯门半开状态下，门框遮挡车辆一侧
- 墙体遮挡：车辆靠近电梯壁面时，部分车身被遮挡
数据集中包含大量遮挡样本，标注时采用"可见部分标注"策略——即使目标被遮挡60%以上，仍然进行标注。这种策略虽然增加了标注工作量，但能显著提升模型在遮挡条件下的召回率。
3.4 多环境条件
数据集覆盖了多种环境变化因素：
- 不同电梯型号：小型住宅电梯、大型货梯、透明观光梯等，空间尺寸与内饰颜色差异大
- 不同监控清晰度：从标清到高清的多种分辨率，模拟实际部署中的设备差异
- 光照变化：正常照明、弱光环境、电梯灯闪烁等
- 监控噪声：信号传输造成的画面噪点与模糊
3.5 高质量人工标注
所有标注经过严格的人工质量控制流程：
- 标注框紧贴目标轮廓，不留多余背景区域
- 类别区分清晰，自行车与电动车不混淆
- 多人交叉校验，确保标注一致性
- 抽检比例不低于10%，质量合格率≥98%
四、从模型训练到系统部署的全链路技术方案
4.1 模型选型与训练
推荐模型：YOLOv8s
选择YOLOv8s而非YOLOv8n的原因在于，电梯场景中遮挡和小目标情况较多，需要模型具备更强的特征提取能力；选择YOLOv8s而非YOLOv8m/l的原因则在于，边缘设备（如Jetson Nano）的算力限制要求模型参数量不能过大。
from ultralytics import YOLO
model = YOLO("yolov8s.pt")
model.train(
data="dataset.yaml",
epochs=120,
imgsz=640,
batch=16,
patience=25,
fliplr=0.5,
mosaic=1.0,
mixup=0.1
)
4.2 模型优化与加速
TensorRT部署：将训练好的PyTorch模型导出为ONNX格式，再通过TensorRT优化为FP16精度的推理引擎。在Jetson Nano上，单帧推理延迟可从120ms降至35ms，满足实时检测需求。
NMS参数调优：电梯场景中，同一辆车可能产生多个重叠检测框。适当降低IoU阈值（如0.45→0.40）可以更有效地抑制重复检测，同时不会误删相邻但属于不同目标的框。
置信度阈值选择：考虑到漏检电动车入梯的代价远高于误报，建议将置信度阈值设为0.3-0.4（而非通常的0.5），以提升召回率。误报可以通过时间滑窗策略（连续3帧以上检测到才触发告警）来有效抑制。
4.3 系统架构设计
完整的电梯智能安防系统包含以下核心模块：
摄像头 → 视频流解码 → YOLO推理引擎 → 目标过滤与跟踪 → 行为判定 → 告警联动
↓
语音提醒/梯控阻停/物业通知
目标跟踪模块：使用ByteTrack等轻量跟踪算法，将逐帧检测结果关联为轨迹，避免对静止车辆的重复告警。
行为判定逻辑：只有当电动车轨迹从电梯门外进入电梯内部，且停留时间超过2秒，才判定为"入梯行为"。这一逻辑可以有效排除路人推车经过电梯门但不进入的误报情况。
梯控联动：通过继电器模块与电梯控制系统的安全回路对接，当检测到电动车入梯后，自动阻止电梯关门运行，直至车辆退出。
五、扩展应用与产业价值
5.1 社区安全全景监控
以电梯入梯检测为起点，可以将同一套视觉系统扩展至以下场景：
- 楼道电动车停放检测
- 消防通道占用检测
- 高空抛物行为检测
- 陌生人员尾随检测
一套硬件、多种算法的架构设计，可以最大化社区安防投资的ROI。
5.2 城市级数据平台
当多个社区的检测数据汇聚到城市级平台后，可以进行宏观安全态势分析：
- 电动车入梯事件的时间分布规律
- 高风险社区的热力图分析
- 管理效果评估与政策优化建议
六、实践心得与经验总结
在构建本数据集与开发相关系统的过程中，我们积累了以下核心经验：
数据规模决定下限，数据质量决定上限。28000张的数据量保证了模型学习的充分性，但真正决定模型实战表现的是标注质量与场景覆盖度。一次高质量的标注迭代，往往比增加一倍数据量更能提升模型性能。
遮挡是电梯场景的核心挑战。不同于开阔道路场景，电梯内的遮挡比例极高。在标注时坚持"遮挡也标注"的原则，是提升遮挡召回率的关键。
从检测到行为理解的跨越。单纯的车辆检测只是第一步，判断车辆是否"进入电梯"需要结合时序信息与空间逻辑。这一步看似简单，实则决定了系统的误报率水平。
部署环境比训练环境更复杂。实际电梯中的摄像头角度、分辨率、老化程度千差万别，模型需要在足够多样化的数据上训练，才能在不同部署环境中保持稳定性能。
七、总结
本电梯内自行车与电动车目标检测数据集（28000张高质量标注图像），是目前电梯安防领域规模最大、质量最高的公开数据集之一。从真实监控视角采集、多尺度与遮挡场景覆盖、到高质量人工标注，每一个环节都围绕"工程可用"这一目标精心设计。
对于从事智慧社区、智能安防与计算机视觉研究的开发者而言，该数据集不仅是一份高质量的训练资源，更是一套可复用的电梯安防AI系统开发范式——从数据构建到模型训练，从边缘部署到系统联动，全链路的技术路径已经过实践验证。随着城市安全管理的智能化升级，电梯入梯检测将成为智慧社区的标准配置，而高质量数据集将持续为这一进程提供核心驱动力。
