异常行为检测数据集 | 9100张YOLO安防监控数据集
适用于公共安防监控、周界防范与目标检测研究
一、数据集概述
本数据集面向计算机视觉目标检测任务，专为行人异常行为识别模型训练、验证与测试设计，共包含约9100张高质量标注图像。该数据集覆盖多种行人状态与异常姿态，可广泛应用于公共安防监控、周界防范、客流异常预警等场景，适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。
随着公共安全需求的不断提升和智能安防技术的快速发展，利用计算机视觉技术实现行人异常行为的自动检测已成为提升公共区域安全管理水平的重要手段。本数据集针对异常行为检测场景中行为状态多样、场景光照复杂、目标尺度变化等问题进行专项构建，可为智能安防监控系统与行为分析设备提供高质量数据支撑。
数据集下载
通过网盘分享的文件：异常行为检测-5类
链接: https://pan.baidu.com/s/1Osm8fGOrMM6Mppuha3kOfg?pwd=8trg
提取码: 8trg
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 异常行为检测数据集 |
| 数据规模 | 约9100张高质量标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 行人异常行为状态 |
| 类别数量（nc） | 5类 |
| 标注方式 | Bounding Box目标框标注 |
| 数据格式 | YOLO标准格式 |
| 数据来源 | 真实公共区域与安防监控视角采集 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等 |
三、数据集类别说明
本数据集为多类别目标检测数据集，共设置5个检测类别，覆盖行人异常行为的多种典型状态，类别设计贴合公共安防监控实际需求。
类别配置
nc: 5
names:
- non_pedestrian
- reverse
- sit
- sleep
- stand
类别详情
| 类别ID | 类别名称 | 英文名称 | 类别说明 |
|---|---|---|---|
| 0 | 非行人 | non_pedestrian | 场景中的非行人目标（车辆、物品等背景对象） |
| 1 | 逆向 | reverse | 行人逆向行走或违反正常行进方向的行为 |
| 2 | 坐 | sit | 行人在非正常休息区域坐下的行为状态 |
| 3 | 睡 | sleep | 行人在公共区域躺卧/睡觉的异常行为状态 |
| 4 | 站 | stand | 行人正常站立状态（作为正常行为参考基准） |
五类设计从"正常行为基准→异常行为识别→背景干扰过滤"形成完整的异常行为检测体系：
- 基准行为（站） ：行人正常站立状态，为区分异常行为提供参照
- 异常状态（坐、睡） ：公共区域中非正常的停留行为，可能预示异常事件
- 异常动态（逆向） ：违反正常行进方向的异常行为
- 背景过滤（非行人） ：排除非行人目标干扰，保障检测精度
类别设计覆盖了公共安防监控中常见的行人行为模式，对正常/异常行为区分具有一定挑战，适合行为检测算法研究与练习。
四、数据集结构说明
数据集采用标准YOLO目录结构组织，已按训练集、验证集、测试集进行科学划分，结构清晰，便于直接接入主流检测框架。
异常行为检测-5类/
├── train
│ ├── images
│ └── labels
├── valid
│ ├── images
│ └── labels
├── test
│ ├── images
│ └── labels
└── data.yaml
各数据集作用如下：
- train/images & labels：训练集图像与标签，用于模型参数学习与特征提取；
- valid/images & labels：验证集图像与标签，用于超参数调优、早停监控及防止过拟合；
- test/images & labels：测试集图像与标签，用于最终模型性能评估与泛化能力测试。
标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，配套data.yaml已配置好类别名称与数量，可直接适配YOLO系列等目标检测框架。
五、数据集核心优势
1. 聚焦公共区域行人行为分析
本数据集以行人异常行为检测为核心任务，所有图像聚焦于公共区域的行人活动监控视角，覆盖多种行人状态与异常姿态。主题聚焦于公共安全与行为分析，类别语义清晰，更利于训练出针对异常行为的精准识别模型。
覆盖场景包括：
- 公共交通区域（地铁站、公交站、候车厅）
- 公共休闲区域（广场、公园、步行街）
- 商业区域（商场、超市、地下通道）
- 重点安防区域（重要设施周边、周界）
- 不同监控视角与安装高度
能够有效提升模型的实际部署效果。
2. 完整的行为状态覆盖
五类标签覆盖了公共区域行人行为的核心状态谱系：
- 站立状态：正常等待、观望、交谈等基准行为
- 坐姿状态：在非休息区域坐下的异常行为，可能是身体不适或异常聚集
- 躺卧/睡觉状态：在公共区域躺卧，属于明显异常行为，可能涉及醉酒、疾病等
- 逆向状态：违反正常人流方向，可能预示异常事件或故意行为
- 非行人：场景背景目标过滤，提升检测纯净度
覆盖从正常行为基准到多种异常形态的完整行为谱系。
3. 丰富的场景与行为多样性
数据覆盖多种安防监控环境与行为状态：
- 场景类型：室内公共区域、室外公共场所、不同背景环境
- 光照条件：白天自然光、室内灯光、夜间低照度
- 行人分布：单人、多人、人群聚集等不同密度
- 行为姿态：不同年龄、体态、着装的行人行为
- 拍摄角度：不同监控视角与距离
贴近真实公共安防环境，有效提升模型泛化能力。
4. 高质量人工标注
所有图像均经过高质量人工精准标注：
- 边界框规整、无漏标/错标
- 以行人为目标进行框选标注
- 5类标签判别标准统一清晰
- 满足高精度检测模型训练需求
有效保证模型训练质量。
5. 大规模即用型数据
约9100张高质量图像，样本量充足，覆盖多种行人状态与异常姿态。标准目录结构+多类别配置，无需复杂预处理，下载即可直接用于模型训练。
6. 适中的难度设计
数据集对正常/异常行为区分有一定挑战，包含光照变化、遮挡、姿态差异等复杂因素，适合行为检测算法研究与模型调优练习。
六、适用场景
公共区域异常行为预警
部署于地铁站、广场、商场等公共区域，实现行人异常行为的自动检测与实时预警。
周界防范与重点区域监控
在重要设施周边、管制区域进行行人行为监测，识别异常靠近、滞留等行为。
客流异常状态识别
在交通枢纽、旅游景点等场所识别客流中的异常行为模式，辅助客流管理与应急处置。
安防视频智能分析
作为安防监控视频智能分析系统的核心模块，实现海量视频中异常行为的自动化筛查。
社区与校园安全管理
应用于居民社区、校园等区域的智能安全监控，识别徘徊、躺卧等异常行为。
教学科研
用于目标检测算法入门、行为识别研究、多类别模型验证与调优等科研场景。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 行人行为识别与异常检测研究
- 公共安防智能监控研究
- 多类别目标检测研究（5类）
- 行为姿态估计与分类研究
- 视频监控实时分析研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究
- 域适应与跨场景泛化研究
- 人群行为分析与态势感知研究
- 智慧安防与平安城市研究
八、总结
异常行为检测数据集包含约9100张高质量标注图像，采用标准YOLO格式构建，专注于公共区域行人异常行为的检测任务。数据集覆盖非行人、逆向、坐、睡、站5类核心类别，具有样本量大、场景多样、标注精准等特点，可广泛应用于公共区域异常行为预警、周界防范、客流异常识别、安防视频分析等领域，是开展异常行为检测算法研发与智慧安防系统建设的优质数据资源。
