摘要：暴力行为检测是智能安防与视频分析领域的核心挑战之一。本文深入探讨了如何利用YOLO系列目标检测算法（涵盖YOLOv5至YOLOv8的最新进展），构建一个端到端的暴力行为检测系统。系统不仅包括高性能的深度学习模型，还集成了用户友好的PyQt5图形界面（UI），支持实时视频流、文件视频和摄像头输入的检测。本文将系统性回顾YOLO算法的演进，详细介绍一个高质量暴力行为数据集的构建与处理，并提供完整的模型训练、推理及系统集成Python代码。本方案旨在为研究人员和开发者提供一个可落地、易复现的实战项目范例。
关键词：YOLOv8；YOLOv7；YOLOv6；YOLOv5；暴力行为检测；深度学习；计算机视觉；PyQt5；智能安防
目录
1. 引言
2. YOLO系列算法演进与选型
2.1 YOLOv5: 工业界的标杆
2.2 YOLOv6: 面向工业应用的再创新
2.3 YOLOv7: 技巧集大成者
2.4 YOLOv8: Ultralytics的最新力作
3. 暴力行为数据集构建与处理
3.1 参考数据集
3.2 数据集目录结构
3.3 data.yaml 文件示例
4. 模型训练与评估代码
4.1 环境配置
4.2 训练脚本 train.py
4.3 模型评估与验证 val.py
4.4 推理测试 inference.py
5. 图形用户界面（UI）系统开发
5.1 主界面设计 violence_detection_ui.py
5.2 系统集成主程序 main.py
1. 引言
随着城市化进程加速和公共安全需求日益增长，传统的依靠人工监控的安防方式已难以应对海量视频数据。暴力行为（如打架、斗殴、抢劫、袭击等）的自动、实时检测技术，成为智慧城市、平安社区、智能监狱、校园安全等场景的迫切需求。基于深度学习的目标检测技术，特别是以YOLO（You Only Look Once）系列为代表的单阶段检测器，因其卓越的速度-精度平衡，成为实时视频分析的首选方案。
本文的目标是构建一个完整、可用、可扩展的暴力行为检测系统。该系统具备以下特性：
模型前沿性：支持最新的YOLOv8，同时兼容YOLOv7、YOLOv6和YOLOv5模型，便于对比和选择。
功能完整性：实现模型训练、验证、推理的全流程。
应用实用性：开发功能丰富的桌面图形界面，支持多种视频源和交互操作。
代码开源性：提供结构清晰、注释完整的Python代码。
