YOLO 目标检测与区域报警系统

基于 YOLO 的实时目标检测系统，支持80个COCO类别检测，支持多个自定义多边形监控区域，当目标进入指定区域时自动触发报警。采用前后端分离架构（BS架构），提供 Web 界面进行可视化操作。支持用户登录认证、MQTT报警推送、视频录制、摄像头状态检测、画面遮挡检测等丰富功能。

主要特性：

🎯 支持多类别目标检测（人、车、动物等80个类别）
🔄 支持动态切换模型和视频源
⚙️ 支持类别选择、自定义名称、置信度设置
🎨 支持显示样式定制（字体、颜色、中英文切换）
📋 支持模型类别映射配置
🖥️ 自动GPU检测，无GPU时自动使用CPU
📊 实时显示帧率和分辨率
📝 日志系统（后端日志和YOLO推理日志分离，前端实时查看）
🔔 灵活的报警配置（防抖时间、检测模式、相同ID只报警一次）
🔐 用户登录认证系统，保护系统安全
📡 MQTT报警消息推送，支持第三方系统集成
🎥 视频录制功能，支持分段录制和管理
📸 报警事件自动保存（视频和图片）
🚨 多区域检测与报警，支持同时监控多个区域
📹 摄像头状态检测，自动检测摄像头在线/离线
👁️ 画面遮挡检测，检测摄像头被遮挡情况
📋 操作日志记录，记录用户操作和系统事件

功能特性

🎯 实时目标检测：基于 YOLO 模型进行实时目标跟踪检测（支持80个COCO类别）
📐 自定义监控区域：支持在视频画面上绘制多边形监控区域
🔔 智能报警：当检测到目标进入监控区域时自动触发报警
🖱️ 交互式绘制：鼠标点击绘制，支持首尾吸附功能，便于精确闭合
💾 配置持久化：所有配置自动保存，重启后自动加载
📊 实时信息显示：显示检测到的目标信息和报警记录
🌐 Web 界面：基于 Web 的前端界面，支持跨平台访问
🎨 模型管理：支持动态切换不同的YOLO模型
📹 视频源管理：支持动态切换RTSP、本地视频文件等视频源
🏷️ 类别管理：可选择检测的类别，支持自定义中文名称
⚙️ 置信度设置：为每个类别单独设置置信度阈值
🎨 显示定制：自定义字体大小、边框颜色、文字颜色等显示样式
🌐 中英文切换：支持中文和英文显示切换，英文模式性能更优
📋 模型类别映射：每个模型可配置独立的类别映射（支持不同数据集）
🖥️ GPU自动检测：自动检测GPU可用性，无GPU时自动使用CPU模式
📊 性能监控：实时显示视频帧率和分辨率信息
📝 日志系统：后端日志和YOLO推理日志分离保存，前端实时查看
🔔 报警配置：可配置防抖时间、检测模式（中心点/边框）、相同ID只报警一次
🔐 用户登录认证：支持用户名密码登录，保护系统安全，支持路由守卫
📡 MQTT报警推送：支持将报警消息推送到MQTT服务器，方便第三方系统集成
🎥 视频录制功能：支持实时视频录制，自动分段保存，支持视频列表管理和预览
📸 报警事件保存：自动保存报警事件的视频和图片，便于后续查看和分析
🚨 多区域管理：支持创建、编辑、启用/禁用多个监控区域，每个区域可独立配置
📹 摄像头状态检测：自动检测摄像头在线/离线状态，支持离线报警
👁️ 画面遮挡检测：检测摄像头画面是否被遮挡，支持遮挡报警
📋 操作日志：记录用户操作和系统事件，便于审计和问题排查

技术栈

后端

Flask：Web 框架
Flask-SocketIO：WebSocket 实时通信
Ultralytics YOLO：目标检测模型
OpenCV：视频处理和图像处理
NumPy：数值计算
Pillow (PIL)：图像处理和中文文字渲染
paho-mqtt：MQTT客户端（可选，用于报警消息推送）
FFmpeg：视频录制和编码（用于报警事件视频保存）

前端

Vue 3：前端框架
Vite：构建工具和开发服务器
Vue Router：路由管理
Element Plus：UI组件库
HTML5 Canvas：视频显示和图形绘制
Socket.IO Client：WebSocket 客户端
Axios：HTTP客户端

系统要求

Python 3.10+
CUDA 支持的 GPU（推荐，用于加速 YOLO 推理）
支持 RTSP 的视频源或本地视频文件
Node.js 和 yarn/npm（仅开发模式需要，生产模式不需要）

快速部署指南

一键部署脚本（推荐）

使用提供的部署脚本可以快速完成所有部署步骤：

# 运行部署脚本
./deploy.sh

脚本会自动完成：

检查 Python 环境
安装 Python 依赖
检查并安装 FFmpeg（可选）
检查模型文件
创建必要目录
设置文件权限
构建前端（可选）

方式一：生产环境部署（推荐）

适用于正式生产环境，前端已构建为静态文件，性能最优。

步骤 1：环境准备

# 1. 确保已安装 Python 3.10+
python3 --version

# 2. 安装系统依赖（如果需要视频录制和报警事件保存功能）
# Ubuntu/Debian
sudo apt-get update
sudo apt-get install -y ffmpeg

# CentOS/RHEL
sudo yum install -y ffmpeg

步骤 2：安装 Python 依赖

cd /home/nvidia/yzkj

# 安装基础依赖
pip install -r requirements.txt

# 如果需要 MQTT 功能（可选）
pip install paho-mqtt

# 如果遇到 NumPy 版本问题
pip install "numpy>=1.24.0,<2.0.0" --force-reinstall

步骤 3：构建前端（生产模式）

# 进入前端目录
cd frontend

# 安装前端依赖（需要 Node.js 和 yarn/npm）
# 如果没有 Node.js，可以跳过此步骤，使用已构建的 dist 目录
yarn install  # 或 npm install

# 构建前端
yarn build  # 或 npm run build

# 返回项目根目录
cd ..

注意：如果服务器上没有 Node.js，可以从其他机器构建后，将 frontend/dist/ 目录复制到服务器。

步骤 4：准备模型文件

# 确保 models/ 目录下有 YOLO 模型文件
ls models/
# 应该能看到模型文件，如：yolo11s.pt, yolo26m_640_int8.engine 等

步骤 5：配置权限

# 确保启动脚本有执行权限
chmod +x start_server.sh

# 确保 config/ 目录有写入权限
mkdir -p config
chmod 755 config

步骤 6：启动服务

# 使用启动脚本（推荐）
./start_server.sh

# 或直接运行
python3 backend/server.py

步骤 7：访问系统

在浏览器中打开：

http://<服务器IP>:5000

默认登录信息：

用户名：admin
密码：123456

首次登录后请立即修改密码！

方式二：开发环境部署

适用于开发和测试环境，支持前端热更新。

步骤 1-2：同生产环境（环境准备和安装 Python 依赖）

步骤 3：安装前端依赖

cd frontend
yarn install  # 或 npm install
cd ..

步骤 4：启动后端服务

# 终端 1：启动后端
./start_server.sh
# 或
python3 backend/server.py

步骤 5：启动前端开发服务器

# 终端 2：启动前端开发服务器
./start_frontend.sh
# 或
cd frontend
yarn dev

步骤 6：访问系统

前端地址：http://<服务器IP>:5173 或 http://localhost:5173
后端 API：http://<服务器IP>:5000

方式三：使用 systemd 服务（生产环境推荐）

适用于需要系统自动启动和管理的生产环境。

步骤 1-5：同生产环境部署步骤 1-5

步骤 6：创建 systemd 服务

# 创建服务文件
sudo nano /etc/systemd/system/yolo-detection.service

将以下内容写入文件（根据实际情况修改路径和用户名）：

[Unit]
Description=YOLO Detection and Alarm System
After=network.target

[Service]
Type=simple
User=nvidia
WorkingDirectory=/home/nvidia/yzkj
Environment="PATH=/usr/bin:/usr/local/bin"
Environment="PYTHONUNBUFFERED=1"
ExecStart=/usr/bin/python3 /home/nvidia/yzkj/backend/server.py
Restart=always
RestartSec=10
StandardOutput=journal
StandardError=journal

[Install]
WantedBy=multi-user.target

步骤 7：启用并启动服务

# 重新加载 systemd 配置


# 启用服务（开机自启）
sudo systemctl enable yolo-detection

# 启动服务
sudo systemctl start yolo-detection

# 查看服务状态
sudo systemctl status yolo-detection

# 查看日志
sudo journalctl -u yolo-detection -f

步骤 8：配置防火墙（如需要）

# Ubuntu/Debian (ufw)
sudo ufw allow 5000/tcp

# CentOS/RHEL (firewalld)
sudo firewall-cmd --permanent --add-port=5000/tcp
sudo firewall-cmd --reload

部署后配置

1. 修改默认登录密码

首次登录后，在"系统配置" → "登录设置"中修改默认密码。

2. 配置视频源

在"系统配置" → "视频URL"中配置 RTSP 地址或本地视频文件路径。

3. 配置监控区域

在"区域管理"标签页中创建监控区域。

4. 配置报警设置

在"系统配置" → "报警设置"中配置防抖时间、检测模式等。

5. 配置 MQTT（可选）

如果需要 MQTT 报警推送，在"系统配置" → "MQTT设置"中配置。

部署验证清单

部署完成后，请检查以下项目：

服务正常启动，无错误日志
可以通过浏览器访问系统（http://<IP>:5000）
可以正常登录系统
视频流正常显示
模型加载成功（查看系统日志）
GPU 检测正常（如有 GPU，查看系统状态）
配置文件目录有写入权限
模型文件存在且可读
防火墙端口已开放（如需要远程访问）

常见部署问题

问题 1：端口被占用

# 检查端口占用
sudo netstat -tulpn | grep 5000
# 或
sudo lsof -i :5000

# 修改端口（编辑 backend/server.py）
# 找到 app.run() 或 socketio.run()，修改 port 参数

问题 2：权限不足

# 确保目录权限正确
chmod 755 /home/nvidia/yzkj
chmod 755 /home/nvidia/yzkj/config
chmod +x /home/nvidia/yzkj/start_server.sh

问题 3：前端构建失败

# 检查 Node.js 版本（需要 16+）
node --version

# 清除缓存重试
cd frontend
rm -rf node_modules dist
yarn install
yarn build

问题 4：模型加载失败

# 检查模型文件是否存在
ls -lh models/

# 检查模型文件权限
chmod 644 models/*.pt models/*.engine

# 查看详细错误日志
tail -f logs/backend.log

问题 5：systemd 服务启动失败 - Werkzeug 生产环境错误

错误信息：

RuntimeError: The Werkzeug web server is not designed to run in production. 
Pass allow_unsafe_werkzeug=True to the run() method to disable this error.

原因：Flask-SocketIO 新版本不允许在生产环境使用 Werkzeug 开发服务器。

解决方案：

代码已修复，backend/server.py 中已添加 allow_unsafe_werkzeug=True 参数。

如果仍遇到此问题，请检查代码是否已更新：

# 检查代码是否包含 allow_unsafe_werkzeug 参数
grep "allow_unsafe_werkzeug" backend/server.py

# 如果未找到，需要手动添加（代码已修复，通常不需要）

然后重启服务：

sudo systemctl restart yolo-detection
sudo systemctl status yolo-detection

注意：对于高并发生产环境，建议使用 gunicorn + gevent 作为 WSGI 服务器（见下方"生产环境最佳实践"）。

安装步骤（详细说明）

1. 克隆或下载项目

cd /home/nvidia/yzkj

2. 安装后端依赖

pip install -r requirements.txt

注意：

如果遇到 NumPy 版本兼容性问题（如 AttributeError: _ARRAY_API not found），请确保使用 NumPy 1.x 版本：
```
pip install "numpy>=1.24.0,<2.0.0"
```
如果需要使用MQTT功能，需要安装 paho-mqtt 库：
```
pip install paho-mqtt
```

如果需要使用视频录制和报警事件视频保存功能，需要安装 FFmpeg：

# Ubuntu/Debian
sudo apt-get install ffmpeg

# CentOS/RHEL
sudo yum install ffmpeg

3. 安装前端依赖（可选，仅开发模式需要）

如果使用前端开发服务器（开发模式），需要安装前端依赖：

cd frontend
yarn install
# 或使用 npm
npm install

注意：

生产模式不需要安装前端依赖（使用构建后的静态文件）
开发模式需要安装前端依赖以支持热更新

4. 准备 YOLO 模型

确保项目目录中的 models/ 文件夹下有 YOLO 模型文件，支持以下格式：

.pt (PyTorch 模型)
.onnx (ONNX 模型)
.engine (TensorRT 引擎)

默认使用 yolo26m_640_int8.engine，可在前端界面中切换。

5. 配置视频源（可选）

默认视频源可在 backend/server.py 中修改，或在前端界面中动态设置：

video_path = "rtsp://admin:scyzkj123456@192.168.1.2:554/h264/ch1/main/av_stream"

支持：

RTSP 流：rtsp://username:password@ip:port/path
本地视频文件：/path/to/video.mp4
摄像头：0 或 1（摄像头索引）

使用方法

启动服务

后端服务

方式一：使用启动脚本（推荐）

./start_server.sh

方式二：直接运行

python3 backend/server.py

前端开发服务器（开发模式）

如果需要使用前端开发服务器（支持热更新）：

./start_frontend.sh

或者手动启动：

cd frontend
yarn install  # 首次运行需要安装依赖
yarn dev

前端开发服务器配置：

默认监听地址：http://0.0.0.0:5173（支持通过IP访问）
自动检测本机IP地址

可通过环境变量 VITE_API_URL 指定后端地址：

VITE_API_URL=http://192.168.1.100:5000 ./start_frontend.sh

访问 Web 界面

生产模式（后端提供静态文件）

在浏览器中打开：

http://localhost:5000

如果服务器运行在其他机器上，请使用对应的 IP 地址：

http://<服务器IP>:5000

开发模式（前端开发服务器）

前端开发服务器地址：

http://localhost:5173

或通过IP访问：

http://<服务器IP>:5173

注意：

开发模式下，前端由 Vite 开发服务器提供（端口5173）
后端API服务运行在端口5000
前端会自动代理 /api 和 /socket.io 请求到后端
支持通过IP地址访问，方便远程调试

生产部署

1. 构建前端

在生产环境中，需要先构建前端代码：

cd frontend
yarn install  # 如果还没安装依赖
yarn build

构建完成后，会在 frontend/dist/ 目录生成静态文件。

2. 配置后端为生产模式

确保后端服务未设置 VITE_DEV=true 环境变量，或者直接不设置该变量：

# 确保没有设置 VITE_DEV 环境变量
unset VITE_DEV

# 或者明确设置为 false
export VITE_DEV=false

3. 启动后端服务

./start_server.sh

或者：

python3 backend/server.py

后端会自动检测 frontend/dist/ 目录，如果存在则使用生产模式（提供静态文件），否则使用开发模式（重定向到Vite开发服务器）。

4. 访问系统

在浏览器中打开：

http://<服务器IP>:5000

部署检查清单

前端已构建（frontend/dist/ 目录存在）
后端未设置 VITE_DEV=true 环境变量
后端服务正常启动
防火墙允许端口5000访问
模型文件已放置在 models/ 目录
配置文件目录 config/ 有写入权限

使用 Nginx 反向代理（可选）

如果需要使用 Nginx 作为反向代理，可以配置如下：

server {
    listen 80;
    server_name your-domain.com;

    location / {
        proxy_pass http://127.0.0.1:5000;
        proxy_http_version 1.1;
        proxy_set_header Upgrade $http_upgrade;
        proxy_set_header Connection "upgrade";
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
    }
}

使用 systemd 服务（可选）

创建 systemd 服务文件 /etc/systemd/system/yolo-detection.service：

[Unit]
Description=YOLO Detection and Alarm System
After=network.target

[Service]
Type=simple
User=your-user
WorkingDirectory=/home/nvidia/yzkj
Environment="PATH=/usr/bin:/usr/local/bin"
Environment="PYTHONUNBUFFERED=1"
ExecStart=/usr/bin/python3 /home/nvidia/yzkj/backend/server.py
Restart=always
RestartSec=10
StandardOutput=journal
StandardError=journal

[Install]
WantedBy=multi-user.target

重要提示：

请将 User=your-user 替换为实际运行服务的用户名（如 nvidia）
请将 WorkingDirectory 和 ExecStart 中的路径替换为实际项目路径
代码已修复 Werkzeug 生产环境错误，无需额外配置

启用并启动服务：

# 重新加载 systemd 配置
sudo systemctl daemon-reload

# 启用服务（开机自启）
sudo systemctl enable yolo-detection

# 启动服务
sudo systemctl start yolo-detection

# 查看服务状态
sudo systemctl status yolo-detection

# 查看日志
sudo journalctl -u yolo-detection -f

如果遇到 Werkzeug 生产环境错误，请参考"常见部署问题"章节的问题 5。

操作说明

1. 系统配置

点击页面顶部的 "系统配置" 面板，可以配置：

检测模型：从下拉列表选择要使用的YOLO模型，点击"应用"切换
视频URL：输入新的视频源地址，点击"应用"切换视频源
检测类别：
- 勾选要检测的类别（支持多选）
- 为每个类别设置自定义中文名称
- 为每个类别设置置信度阈值（0-1之间）
- 点击"全选"/"全不选"快速操作
- 点击"应用"使配置生效
显示设置：
- 字体大小：8-72像素
- 边框粗细：1-10像素
- 边框颜色：使用颜色选择器或输入RGB值（如：0,255,0）
- 文字颜色：设置检测标签的文字颜色
- 显示语言：切换中文/英文显示（英文模式性能更好）
- 报警区域填充颜色：设置监控区域的填充颜色（RGB格式）
- 报警区域边框颜色：设置监控区域的边框颜色（RGB格式）
- 报警区域透明度：设置监控区域的填充透明度（0.0-1.0）
- 点击"应用显示设置"使配置立即生效（无需刷新页面）
报警设置：
- 防抖时间（秒）：设置同一目标在多少秒内只报警一次（0-300秒，0表示不防抖）
- 检测模式：
  - 中心点模式：检测框中心点进入区域时才报警（更严格）
  - 边框模式：检测框任意点进入区域即报警（更敏感）
- 相同ID只报警一次：启用后，同一ID在整个生命周期内只报警一次（即使离开后再次进入也不报警）
- 点击"应用报警设置"使配置生效

2. 区域管理（多区域）

系统支持创建和管理多个监控区域：

创建区域：
1. 在"区域管理"标签页中点击"创建区域"按钮
2. 在视频画面上用鼠标左键点击，添加多边形顶点
3. 当鼠标接近起点时，会自动吸附并显示金色高亮
4. 点击吸附点或双击完成绘制
5. 输入区域名称，设置区域颜色（填充色和边框色）
6. 点击"保存"完成创建
编辑区域：点击区域列表中的"编辑"按钮，可以修改区域形状、名称和颜色
启用/禁用区域：通过区域列表中的开关控制区域是否启用
删除区域：点击"删除"按钮可以删除不需要的区域
重命名区域：点击"重命名"按钮可以修改区域名称

提示：

至少需要 3 个顶点才能形成多边形
按 ESC 键可以取消绘制
双击可以完成绘制
每个区域可以独立配置颜色和启用状态

3. 系统配置（扩展功能）

在"系统配置"面板中，还可以配置以下功能：

登录设置：
- 设置登录用户名和密码
- 首次使用建议修改默认密码（默认：admin/123456）
MQTT设置：
- 启用/禁用MQTT功能
- 配置MQTT服务器地址、端口、主题
- 配置MQTT认证信息（用户名、密码）
- 报警消息会自动推送到MQTT服务器
遮挡检测设置：
- 启用/禁用遮挡检测
- 设置检测间隔（秒）
- 设置遮挡阈值（0.0-1.0，值越小越敏感）
- 当检测到画面被遮挡时会触发报警
摄像头状态检测：
- 系统自动从RTSP URL提取摄像头IP
- 自动检测摄像头在线/离线状态
- 可配置检测间隔（默认5秒）
- 摄像头离线时会触发报警
报警事件保存：
- 启用/禁用报警事件视频保存
- 启用/禁用报警事件图片保存
- 设置报警事件视频时长（秒）
- 设置报警事件保存路径

4. 视频录制

系统支持实时视频录制功能：

开始录制：点击"开始录制"按钮开始录制视频
停止录制：点击"停止录制"按钮停止录制
录制管理：
- 查看录制视频列表
- 预览录制视频
- 重命名录制视频
- 删除录制视频
自动分段：录制视频会自动按配置的时长分段保存（默认5分钟一段）

5. 查看报警信息

当检测到目标进入监控区域、摄像头离线或画面被遮挡时，"报警记录" 面板会实时显示报警信息
报警信息包括：时间、报警类型、目标类别、目标 ID、位置坐标、区域名称
报警类型：
- 区域报警：目标进入监控区域
- 摄像头离线：摄像头连接断开
- 画面遮挡：摄像头画面被遮挡
报警行为由报警设置控制：
- 防抖时间：同一目标在设定时间内只报警一次（默认5秒）
- 检测模式：可选择中心点模式或边框模式
- 相同ID只报警一次：启用后，同一ID在整个生命周期内只报警一次

6. 查看检测信息

"检测信息" 面板显示当前检测到的目标信息
包括目标类别、目标 ID、置信度、位置坐标
在监控区域内的目标会用特殊标记显示

7. 查看系统日志

"系统日志" 面板实时显示系统日志和YOLO推理日志
日志按级别和来源用不同颜色区分
支持自动滚动和手动清空日志
所有日志同时保存到 logs/ 目录

8. 操作日志

"操作日志" 面板记录用户操作和系统事件
包括登录、配置修改、区域管理等操作
便于审计和问题排查

API 接口

REST API

注意：系统已升级为多区域管理，旧的单区域API（/api/polygon）已废弃，请使用区域管理API（/api/zones）。

获取系统状态

GET /api/status

响应示例：

{
  "video_connected": true,
  "polygon_defined": true,
  "polygon_points_count": 4,
  "current_model": "yolo26m_640_int8.engine",
  "video_url": "rtsp://...",
  "gpu_available": true,
  "device": "0"
}

字段说明：

gpu_available: GPU是否可用
device: 使用的设备（"0"表示GPU，0表示第一个GPU，"cpu"表示CPU）

获取模型列表

GET /api/models

响应示例：

{
  "models": [
    {
      "name": "yolo11n_640.engine",
      "size": 12345678,
      "size_mb": 11.78,
      "current": false
    }
  ],
  "current": "yolo26m_640_int8.engine"
}

切换模型

POST /api/model
Content-Type: application/json

{
  "model": "yolo11n_640.engine"
}

获取/设置视频URL

GET /api/video
POST /api/video
Content-Type: application/json

{
  "video_url": "rtsp://admin:password@192.168.1.2:554/stream"
}

获取类别列表

GET /api/classes

响应示例：

{
  "classes": [
    {
      "id": 0,
      "name_en": "person",
      "name_cn": "人",
      "enabled": true,
      "custom": false,
      "confidence_threshold": 0.25
    }
  ],
  "enabled_classes": [0],
  "custom_names": {},
  "confidence_thresholds": {},
  "total_classes": 80
}

设置启用的类别

POST /api/classes/enabled
Content-Type: application/json

{
  "enabled_classes": [0, 2, 5]
}

设置自定义中文名称

POST /api/classes/custom-name
Content-Type: application/json

{
  "class_id": 0,
  "custom_name": "人员"
}

设置置信度阈值

POST /api/classes/confidence
Content-Type: application/json

{
  "class_id": 0,
  "confidence_threshold": 0.5
}

获取/设置显示配置

GET /api/display
POST /api/display
Content-Type: application/json

{
  "font_size": 20,
  "box_color": [0, 255, 0],
  "box_thickness": 3,
  "text_color": [255, 255, 255],
  "use_chinese": true,
  "zone_fill_color": [255, 0, 0],
  "zone_border_color": [255, 0, 0],
  "zone_fill_alpha": 0.3
}

参数说明：

font_size: 字体大小（8-72）
box_color: 边框颜色，RGB格式 [R, G, B]（前端发送，后端转换为BGR存储）
box_thickness: 边框粗细（1-10）
text_color: 文字颜色，RGB格式 [R, G, B]
use_chinese: 是否使用中文显示（true=中文，false=英文，英文模式性能更好）
zone_fill_color: 报警区域填充颜色，RGB格式 [R, G, B]（前端发送，后端转换为BGR存储）
zone_border_color: 报警区域边框颜色，RGB格式 [R, G, B]（前端发送，后端转换为BGR存储）
zone_fill_alpha: 报警区域填充透明度（0.0-1.0）

注意：

前端API返回时，所有颜色值都是RGB格式
前端发送时，应使用RGB格式
后端内部存储时，box_color、zone_fill_color、zone_border_color 会转换为BGR格式（OpenCV使用BGR）

获取/设置模型类别映射

GET /api/model-classes
POST /api/model-classes
Content-Type: application/json

{
  "model_name": "yolo11n_640.engine",
  "classes_en": ["person", "car", ...],
  "classes_cn": ["人", "汽车", ...]
}

获取/设置报警配置

GET /api/alarm
POST /api/alarm
Content-Type: application/json

{
  "debounce_time": 5.0,
  "detection_mode": "center",
  "once_per_id": false,
  "save_event_video": true,
  "save_event_image": true,
  "event_video_duration": 10,
  "event_save_path": "/path/to/alarm_events"
}

参数说明：

debounce_time: 防抖时间（秒），同一目标在此时间内只报警一次，范围0-300，0表示不防抖
detection_mode: 检测模式，"center"=中心点模式，"edge"=边框模式
once_per_id: 相同ID是否只报警一次，true=整个生命周期只报警一次，false=允许重复报警（受防抖时间限制）
save_event_video: 是否保存报警事件视频，true=保存，false=不保存
save_event_image: 是否保存报警事件图片，true=保存，false=不保存
event_video_duration: 报警事件视频时长（秒），默认10秒
event_save_path: 报警事件保存路径，默认为项目根目录下的 alarm_events 目录

响应示例：

{
  "success": true,
  "message": "报警配置已更新",
  "config": {
    "debounce_time": 5.0,
    "detection_mode": "center",
    "once_per_id": false,
    "save_event_video": true,
    "save_event_image": true,
    "event_video_duration": 10,
    "event_save_path": "/path/to/alarm_events"
  }
}

登录认证相关API

用户登录

POST /api/login
Content-Type: application/json

{
  "username": "admin",
  "password": "123456"
}

响应示例：

{
  "success": true,
  "message": "登录成功"
}

用户登出

POST /api/logout

获取登录状态

GET /api/login/status

响应示例：

{
  "logged_in": true
}

获取/设置登录配置

GET /api/login/config
POST /api/login/config
Content-Type: application/json

{
  "username": "admin",
  "password": "123456"
}

区域管理API（多区域）

获取所有区域

GET /api/zones

响应示例：

{
  "zones": [
    {
      "id": "zone_1",
      "name": "区域1",
      "points": [[100, 200], [300, 200], [300, 400], [100, 400]],
      "enabled": true,
      "color": {
        "fill": [255, 0, 0],
        "border": [255, 0, 0]
      }
    }
  ]
}

创建区域

POST /api/zones
Content-Type: application/json

{
  "name": "区域1",
  "points": [[100, 200], [300, 200], [300, 400], [100, 400]],
  "enabled": true,
  "color": {
    "fill": [255, 0, 0],
    "border": [255, 0, 0]
  }
}

获取指定区域

GET /api/zones/<zone_id>

更新区域

PUT /api/zones/<zone_id>
Content-Type: application/json

{
  "name": "区域1",
  "points": [[100, 200], [300, 200], [300, 400], [100, 400]],
  "enabled": true,
  "color": {
    "fill": [255, 0, 0],
    "border": [255, 0, 0]
  }
}

删除区域

DELETE /api/zones/<zone_id>

重命名区域

POST /api/zones/<zone_id>/rename
Content-Type: application/json

{
  "name": "新区域名称"
}

MQTT配置API

获取MQTT配置

GET /api/mqtt

响应示例：

{
  "enabled": true,
  "host": "192.168.1.100",
  "port": 1883,
  "topic": "CAM1",
  "username": "",
  "password": ""
}

设置MQTT配置

POST /api/mqtt
Content-Type: application/json

{
  "enabled": true,
  "host": "192.168.1.100",
  "port": 1883,
  "topic": "CAM1",
  "username": "mqtt_user",
  "password": "mqtt_password"
}

参数说明：

enabled: 是否启用MQTT功能
host: MQTT服务器地址
port: MQTT服务器端口（默认1883）
topic: MQTT主题名称
username: MQTT用户名（可选）
password: MQTT密码（可选）

注意：需要安装 paho-mqtt 库：pip install paho-mqtt

遮挡检测配置API

获取遮挡检测配置

GET /api/occlusion

响应示例：

{
  "enabled": true,
  "check_interval": 5.0,
  "occlusion_threshold": 0.5
}

设置遮挡检测配置

POST /api/occlusion
Content-Type: application/json

{
  "enabled": true,
  "check_interval": 5.0,
  "occlusion_threshold": 0.5
}

参数说明：

enabled: 是否启用遮挡检测
check_interval: 检测间隔（秒），默认5.0秒
occlusion_threshold: 遮挡阈值（0.0-1.0），默认0.5，值越小越敏感

视频录制API

获取录制状态

GET /api/recording/status

响应示例：

{
  "is_recording": false
}

开始录制

POST /api/recording/start

停止录制

POST /api/recording/stop

获取录制配置

GET /api/recording/config

响应示例：

{
  "save_path": "/path/to/recordings",
  "segment_duration": 300
}

设置录制配置

POST /api/recording/config
Content-Type: application/json

{
  "save_path": "/path/to/recordings",
  "segment_duration": 300
}

参数说明：

save_path: 录制视频保存路径
segment_duration: 分段时长（秒），默认300秒（5分钟）

获取录制视频列表

GET /api/recording/videos

获取录制视频

GET /api/recording/videos/<filename>

删除录制视频

DELETE /api/recording/videos/<filename>

重命名录制视频

POST /api/recording/videos/<filename>/rename
Content-Type: application/json

{
  "new_name": "新文件名.mp4"
}

预览录制视频

GET /api/recording/videos/<filename>/preview

视频流API

原始视频流（MJPEG）

GET /api/video/stream

处理后视频流（包含检测结果和区域绘制）

GET /api/video/processed_stream

WebSocket 事件

客户端 → 服务器

connect：连接服务器
disconnect：断开连接

服务器 → 客户端

connected：连接成功确认

frame：视频帧和检测结果

{
  "frame": "data:image/jpeg;base64,...",
  "polygon": [[100, 200], [300, 200], [300, 400], [100, 400]],
  "fps": 30.5,
  "resolution": {
    "width": 1920,
    "height": 1080
  },
  "detections": [
    {
      "id": 1,
      "class_id": 0,
      "class_name": "person",
      "class_name_cn": "人",
      "bbox": [150, 250, 200, 350],
      "center": {"x": 175, "y": 300},
      "confidence": 0.95,
      "in_zone": true
    }
  ]
}

log：系统日志

{
  "timestamp": "2024-01-01 12:00:00",
  "level": "INFO",
  "logger": "backend",
  "message": "模型已加载: yolo11n_640.engine (将使用GPU模式)"
}

alarm：报警信息

{
  "time": "2024-01-01 12:00:00",
  "track_id": 1,
  "class_id": 0,
  "class_name_cn": "人",
  "object_name": "人",
  "position": {"x": 175, "y": 300},
  "alarm_type": "zone",
  "zone_id": "zone_1",
  "zone_name": "区域1"
}

报警类型说明：

"zone": 区域报警（目标进入监控区域）
"camera_offline": 摄像头离线报警
"occlusion": 画面遮挡报警

项目结构

yzkj/
├── backend/
│   └── server.py              # Flask 后端服务
├── frontend/                   # 前端文件（Vue3 + Vite）
│   ├── src/                    # 源代码目录
│   │   ├── components/         # Vue组件
│   │   │   ├── VideoPanel.vue  # 视频面板组件
│   │   │   ├── ConfigPanel.vue # 配置面板组件
│   │   │   ├── AlarmList.vue   # 报警列表组件
│   │   │   ├── DetectionInfo.vue # 检测信息组件
│   │   │   ├── LogPanel.vue    # 日志面板组件
│   │   │   ├── ZoneManager.vue  # 区域管理组件
│   │   │   └── VideoMonitor.vue # 视频监控组件
│   │   ├── views/              # 视图组件
│   │   │   ├── LoginView.vue   # 登录页面
│   │   │   └── MainView.vue    # 主页面
│   │   ├── router/             # 路由配置
│   │   │   └── index.js        # 路由定义
│   │   └── App.vue             # 主应用组件
│   ├── dist/                   # 构建输出目录（生产模式）
│   ├── vite.config.js          # Vite配置文件
│   ├── package.json            # 依赖配置
│   └── start_frontend.sh       # 前端启动脚本
├── models/                     # YOLO模型目录
│   ├── yolo11n_640.engine
│   ├── yolo11s.pt
│   ├── yolo11m.pt
│   ├── yolo11l.pt
│   ├── yolo11x.pt
│   └── yolo26m_640_int8.engine
├── config/                     # 配置文件目录
│   ├── zones_config.json       # 多区域配置（自动生成）
│   ├── system_config.json      # 系统配置（模型、视频URL、摄像头IP等，自动生成）
│   ├── classes_config.json     # 类别配置（启用类别、自定义名称、置信度，自动生成）
│   ├── display_config.json     # 显示配置（字体、颜色等，自动生成）
│   ├── model_classes.json      # 模型类别映射配置（自动生成）
│   ├── alarm_config.json       # 报警配置（防抖时间、检测模式、事件保存等，自动生成）
│   ├── occlusion_config.json   # 遮挡检测配置（自动生成）
│   ├── mqtt_config.json        # MQTT配置（自动生成）
│   ├── login_config.json       # 登录配置（自动生成）
│   ├── recording_config.json   # 录制配置（自动生成）
│   └── secret_key.txt          # Session密钥（自动生成）
├── logs/                       # 日志文件目录
│   ├── backend.log             # 后端系统日志
│   └── yolo.log                # YOLO推理日志
├── recordings/                 # 录制视频目录（自动生成）
│   └── *.mp4                   # 录制的视频文件
├── alarm_events/               # 报警事件目录（自动生成）
│   ├── videos/                 # 报警事件视频
│   └── images/                 # 报警事件图片
├── requirements.txt            # Python 依赖
├── start_server.sh             # 后端启动脚本
├── start_frontend.sh           # 前端开发服务器启动脚本
└── README.md                   # 本文件

配置说明

配置文件说明

系统使用多个JSON配置文件来保存各种设置，所有配置文件都会自动生成：

config/zones_config.json - 多区域配置

{
  "zones": [
    {
      "id": "zone_1",
      "name": "区域1",
      "points": [[100, 200], [300, 200], [300, 400], [100, 400]],
      "enabled": true,
      "color": {
        "fill": [255, 0, 0],
        "border": [255, 0, 0]
      }
    }
  ]
}

坐标单位为像素，相对于原始视频分辨率。支持多个区域，每个区域可独立配置名称、颜色和启用状态。

config/system_config.json - 系统配置（模型、视频URL、摄像头IP等）
```
{
  "model": "yolo26m_640_int8.engine",
  "video_url": "rtsp://admin:password@192.168.1.2:554/stream",
  "camera_ip": "192.168.1.2",
  "camera_check_interval": 5.0
}
```
- camera_ip: 摄像头IP地址（自动从RTSP URL提取）
- camera_check_interval: 摄像头状态检测间隔（秒）

config/classes_config.json - 类别配置

{
  "enabled_classes": [0, 2, 5],
  "custom_names": {
    "0": "人员",
    "2": "车辆"
  },
  "confidence_thresholds": {
    "0": 0.5,
    "2": 0.6
  }
}

config/display_config.json - 显示配置
```
{
  "font_size": 16,
  "box_color": [0, 255, 0],
  "box_thickness": 2,
  "text_color": [0, 0, 0],
  "use_chinese": true,
  "zone_fill_color": [255, 0, 0],
  "zone_border_color": [255, 0, 0],
  "zone_fill_alpha": 0.3
}
```
注意：
- box_color 使用BGR格式（后端存储），前端API返回时转换为RGB格式
- text_color 使用RGB格式
- zone_fill_color 和 zone_border_color 使用RGB格式（前端API返回时），后端存储时转换为BGR格式
- zone_fill_alpha 为报警区域填充透明度，范围0.0-1.0
- use_chinese: true=中文显示（使用PIL渲染），false=英文显示（使用OpenCV原生，性能更好）
- 配置修改后立即生效，无需重启服务

config/model_classes.json - 模型类别映射配置

{
  "default": {
    "classes_en": ["person", "bicycle", ...],
    "classes_cn": ["人", "自行车", ...]
  },
  "yolo11n_640.engine": {
    "classes_en": ["person", "car", ...],
    "classes_cn": ["人", "汽车", ...]
  }
}

每个模型可以有自己的类别映射，如果模型没有配置，会使用 default 配置。

config/occlusion_config.json - 遮挡检测配置
```
{
  "enabled": true,
  "check_interval": 5.0,
  "occlusion_threshold": 0.5
}
```
- enabled: 是否启用遮挡检测
- check_interval: 检测间隔（秒）
- occlusion_threshold: 遮挡阈值（0.0-1.0），值越小越敏感
config/mqtt_config.json - MQTT配置
```
{
  "enabled": true,
  "host": "192.168.1.100",
  "port": 1883,
  "topic": "CAM1",
  "username": "",
  "password": ""
}
```
- enabled: 是否启用MQTT功能
- host: MQTT服务器地址
- port: MQTT服务器端口
- topic: MQTT主题名称
- username: MQTT用户名（可选）
- password: MQTT密码（可选）
config/login_config.json - 登录配置
```
{
  "username": "admin",
  "password": "123456"
}
```
存储登录用户名和密码（建议首次使用后修改默认密码）
config/recording_config.json - 录制配置
```
{
  "save_path": "/path/to/recordings",
  "segment_duration": 300
}
```
- save_path: 录制视频保存路径
- segment_duration: 分段时长（秒），默认300秒（5分钟）

报警配置

报警配置保存在 config/alarm_config.json，可通过前端界面或API进行设置：

{
  "debounce_time": 5.0,
  "detection_mode": "center",
  "once_per_id": false,
  "save_event_video": true,
  "save_event_image": true,
  "event_video_duration": 10,
  "event_save_path": "/path/to/alarm_events"
}

配置说明：

debounce_time: 防抖时间（秒），同一目标在此时间内只报警一次
- 范围：0-300秒
- 0表示不防抖，每次进入都报警
- 默认值：5.0秒
detection_mode: 检测模式
- "center": 中心点模式，检测框中心点进入区域时才报警（更严格，适合需要目标完全进入区域）
- "edge": 边框模式，检测框任意点进入区域即报警（更敏感，检测框一接触区域边界就报警）
- 默认值："center"
once_per_id: 相同ID是否只报警一次
- true: 同一ID在整个跟踪生命周期内只报警一次（即使离开后再次进入也不报警）
- false: 允许重复报警，但受防抖时间限制
- 默认值：false

报警判断逻辑：

中心点模式：计算检测框的中心点坐标，判断中心点是否在多边形区域内
边框模式：检查检测框的四个角点和中心点，任意一点在多边形内即触发报警

使用建议：

需要持续监控但避免短时间内重复报警：使用防抖时间模式（once_per_id = false）
只需要首次进入报警：启用"相同ID只报警一次"（once_per_id = true）
需要更严格的进入判断：使用中心点模式（detection_mode = "center"）
需要更敏感的报警：使用边框模式（detection_mode = "edge"）

报警事件保存：

save_event_video: 是否保存报警事件视频（使用ffmpeg从RTSP流录制）
save_event_image: 是否保存报警事件图片（保存当前帧）
event_video_duration: 报警事件视频时长（秒），默认10秒
event_save_path: 报警事件保存路径，默认为项目根目录下的 alarm_events 目录
保存的文件命名格式：alarm_YYYYMMDD_HHMMSS_ID{track_id}_{object_name}_{zone_name}.mp4/jpg

GPU和性能设置

系统会自动检测GPU可用性：

如果检测到GPU，自动使用GPU模式
如果没有GPU或GPU不可用，自动切换到CPU模式
可通过 /api/status 接口查看当前使用的设备

日志系统

系统日志分为两类：

后端日志 (logs/backend.log)：系统运行日志、配置加载日志等
YOLO推理日志 (logs/yolo.log)：YOLO模型推理相关的日志

所有日志：

自动保存到 logs/ 目录
支持日志轮转（每个文件最大10MB，保留5个备份）
前端可实时查看（在"系统日志"面板）
按日志级别和来源用不同颜色区分

常见问题

1. NumPy 版本兼容性错误

错误信息：

AttributeError: _ARRAY_API not found
ImportError: numpy.core.multiarray failed to import

解决方案：

pip install "numpy>=1.24.0,<2.0.0" --force-reinstall

2. 视频流连接失败

可能原因：

RTSP 地址错误
网络连接问题
视频源不可用

解决方案：

检查 RTSP 地址是否正确
确认网络连接正常
查看控制台输出的错误信息

3. 检测不到目标

可能原因：

YOLO 模型未正确加载
视频分辨率过低
目标距离过远
类别未启用
置信度阈值设置过高

解决方案：

确认模型文件存在且格式正确
检查视频流是否正常
在前端界面中检查类别是否已启用
调整置信度阈值（在前端界面中为每个类别设置）
检查模型类别映射是否正确

4. WebSocket 连接失败

可能原因：

防火墙阻止端口 5000
服务器未启动

解决方案：

检查防火墙设置
确认服务器正在运行
检查浏览器控制台的错误信息

5. 中文显示乱码

可能原因：

系统未安装中文字体

解决方案：

安装中文字体（见"中文字体支持"章节）
重启服务器

6. 模型类别不匹配

可能原因：

使用的模型不是COCO数据集训练的
模型类别映射配置错误

解决方案：

通过API或直接编辑 config/model_classes.json 配置模型类别映射
确保类别数量与模型输出一致

7. 帧率过低

可能原因：

使用中文显示模式（PIL渲染性能较低）
视频分辨率过高
GPU未正确使用

解决方案：

切换到英文显示模式（性能更好，可提升数倍帧率）
降低视频分辨率
检查GPU是否正确检测和使用（查看系统状态API）

8. 日志不显示

可能原因：

WebSocket连接问题
日志队列阻塞

解决方案：

检查浏览器控制台是否有错误
确认WebSocket连接正常（查看连接状态）
重启服务

9. 前端无法通过IP访问

可能原因：

Vite开发服务器默认只监听localhost
防火墙阻止端口5173

解决方案：

使用 ./start_frontend.sh 启动脚本（已配置为监听0.0.0.0）
检查防火墙设置，确保端口5173可访问
如果后端在不同机器，设置 VITE_API_URL 环境变量：
```
VITE_API_URL=http://<后端IP>:5000 ./start_frontend.sh
```

10. 显示设置不生效

可能原因：

配置文件缓存问题
前端未重新加载配置

解决方案：

点击"应用显示设置"后，配置会立即生效（无需刷新页面）
如果仍不生效，检查浏览器控制台是否有错误
确认后端服务正常运行
检查 config/display_config.json 文件是否正确保存

11. MQTT消息发送失败

可能原因：

MQTT服务器地址或端口配置错误
网络连接问题
MQTT认证信息错误
paho-mqtt 库未安装

解决方案：

检查MQTT配置是否正确（服务器地址、端口、主题）
确认网络连接正常，可以访问MQTT服务器
检查MQTT用户名和密码是否正确
安装MQTT库：pip install paho-mqtt
查看后端日志了解详细错误信息

12. 无法登录系统

可能原因：

用户名或密码错误
Session配置问题

解决方案：

检查登录配置（默认用户名：admin，密码：123456）
首次使用建议修改默认密码
清除浏览器Cookie后重试
检查 config/secret_key.txt 文件是否存在

13. 摄像头状态检测不准确

可能原因：

摄像头IP地址配置错误
网络延迟或丢包
检测间隔设置过短

解决方案：

确认摄像头IP地址正确（系统会自动从RTSP URL提取）
检查网络连接质量
适当增加检测间隔（默认5秒）
查看系统日志了解详细检测信息

14. 遮挡检测误报

可能原因：

遮挡阈值设置过低
视频画面质量差
光照条件变化

解决方案：

适当提高遮挡阈值（默认0.5，可尝试0.6-0.8）
检查视频画面质量
如果不需要遮挡检测，可以在配置中禁用

15. 报警事件视频保存失败

可能原因：

FFmpeg未安装
保存路径无写入权限
RTSP流连接失败

解决方案：

安装FFmpeg：sudo apt-get install ffmpeg 或 sudo yum install ffmpeg
检查保存路径的写入权限
确认RTSP流连接正常
查看后端日志了解详细错误信息

16. 视频录制功能不可用

可能原因：

FFmpeg未安装
保存路径无写入权限
录制配置错误

解决方案：

安装FFmpeg：sudo apt-get install ffmpeg 或 sudo yum install ffmpeg
检查录制保存路径的写入权限
检查录制配置是否正确
查看后端日志了解详细错误信息

性能优化建议

使用 TensorRT 引擎：将模型转换为 .engine 格式以获得最佳性能
使用英文显示模式：切换到英文显示可以显著提升帧率（避免PIL图像转换开销）
调整视频分辨率：降低视频分辨率可以提高处理速度
GPU 加速：确保使用支持 CUDA 的 GPU（系统会自动检测）
网络优化：对于 RTSP 流，确保网络带宽充足
类别过滤：只启用需要检测的类别，减少处理开销
置信度阈值：合理设置置信度阈值，过滤低置信度检测

开发说明

配置模型类别映射

如果使用非COCO数据集训练的模型，需要配置对应的类别映射：

通过API配置：

curl -X POST http://localhost:5000/api/model-classes \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "your_model.engine",
    "classes_en": ["class1", "class2", ...],
    "classes_cn": ["类别1", "类别2", ...]
  }'

直接编辑配置文件：编辑 config/model_classes.json，添加或修改模型配置：

{
  "your_model.engine": {
    "classes_en": ["class1", "class2", ...],
    "classes_cn": ["类别1", "类别2", ...]
  }
}

类别管理

在前端界面中可以选择要检测的类别
可以为每个类别设置自定义中文名称
可以为每个类别设置独立的置信度阈值
所有配置会自动保存到 config/classes_config.json

添加其他报警方式

在 backend/server.py 的 trigger_alarm 函数中可以添加：

播放声音
发送 HTTP 请求
保存截图
发送邮件/短信等

示例：

def trigger_alarm(track_id, bbox_center, class_id=None, class_name_cn=None):
    # ... 现有代码 ...
    
    # 保存截图
    if latest_frame is not None:
        timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
        cv2.imwrite(f"alarm_{timestamp}_id{track_id}.jpg", latest_frame)
    
    # 发送 HTTP 请求
    import requests
    requests.post("http://your-api-endpoint", json=alarm_data)

中文字体支持

如果视频画面上的中文显示为方块或乱码，需要安装中文字体：

Ubuntu/Debian：

sudo apt-get install fonts-wqy-microhei fonts-wqy-zenhei

CentOS/RHEL：

sudo yum install wqy-microhei-fonts wqy-zenhei-fonts

安装后重启服务器即可正常显示中文。

许可证

本项目仅供学习和研究使用。

更新日志

v3.0.0

✨ 添加MQTT功能支持报警消息推送，支持第三方系统集成
✨ 添加用户登录认证功能，保护系统安全
✨ 实现多区域检测与报警功能，支持同时监控多个区域
✨ 添加摄像头状态检测功能，自动检测摄像头在线/离线
✨ 添加遮挡检测功能，检测摄像头画面是否被遮挡
✨ 添加报警事件保存功能，自动保存报警事件的视频和图片
✨ 重构前端架构，使用路由管理，分离登录页面和主页面
✨ 添加视频录制功能，支持分段录制和管理
✨ 添加操作日志功能，记录用户操作和系统事件
✨ 优化报警系统，增加报警类型区分（区域报警、摄像头离线、画面遮挡）
🎨 重构界面布局，将区域管理、日志和设置整合为顶部标签页导航
📝 完善README文档，添加新功能详细说明

v2.3.0

✨ 前端支持通过IP地址访问（不再限制localhost）
✨ 显示设置立即生效，无需刷新页面
✨ 前端绘制监控区域使用配置的颜色（支持自定义报警区域颜色）
🐛 修复显示设置应用后不生效的问题
🎨 优化报警区域绘制顺序（先绘制边框再绘制填充，确保边框可见）
📝 更新README文档，添加前端开发服务器使用说明

v2.2.0

✨ 添加报警配置功能（前端可配置防抖时间、检测模式、相同ID只报警一次）
✨ 支持两种检测模式：中心点模式和边框模式
✨ 支持相同ID只报警一次选项（整个生命周期内只报警一次）
🐛 修复stream=True模式下的结果处理问题
📝 完善README文档，添加报警配置详细说明

v2.1.0

✨ 添加GPU自动检测功能，无GPU时自动使用CPU
✨ 添加实时帧率和分辨率显示
✨ 添加中英文显示切换功能（英文模式性能更优）
✨ 添加日志系统（后端日志和YOLO推理日志分离）
✨ 前端实时查看系统日志
📁 配置文件统一管理到config目录
🐛 修复FPS计算问题
🎨 优化日志显示界面

v2.0.0

✨ 支持多类别检测（80个COCO类别）
✨ 支持模型动态切换
✨ 支持视频源动态切换
✨ 支持类别选择和管理
✨ 支持自定义中文名称
✨ 支持自定义置信度阈值
✨ 支持显示样式定制（字体、颜色等）
✨ 支持模型类别映射配置
🐛 修复中文显示乱码问题
🎨 优化用户界面

v1.0.0

初始版本发布
支持实时人员检测
支持自定义多边形监控区域
支持 Web 界面操作
支持报警功能

联系方式

如有问题或建议，请提交 Issue 或联系开发者。

Name		Name	Last commit message	Last commit date
backend		backend
config		config
frontend		frontend
models		models
tools		tools
.gitattributes		.gitattributes
.gitignore		.gitignore
README.md		README.md
deploy.sh		deploy.sh
install_start_server_service.sh		install_start_server_service.sh
requirements.txt		requirements.txt
start_frontend.sh		start_frontend.sh
start_server.sh		start_server.sh
stop_server.sh		stop_server.sh
特殊说明.md		特殊说明.md
账号密码.md		账号密码.md

Latest commit

History

Folders and files

Repository files navigation

YOLO 目标检测与区域报警系统

功能特性

技术栈

后端

前端

系统要求

快速部署指南

一键部署脚本（推荐）

方式一：生产环境部署（推荐）

步骤 1：环境准备

步骤 2：安装 Python 依赖

步骤 3：构建前端（生产模式）

步骤 4：准备模型文件

步骤 5：配置权限

步骤 6：启动服务

步骤 7：访问系统

方式二：开发环境部署

步骤 1-2：同生产环境（环境准备和安装 Python 依赖）

步骤 3：安装前端依赖

步骤 4：启动后端服务

步骤 5：启动前端开发服务器

步骤 6：访问系统

方式三：使用 systemd 服务（生产环境推荐）

步骤 1-5：同生产环境部署步骤 1-5

步骤 6：创建 systemd 服务

步骤 7：启用并启动服务

步骤 8：配置防火墙（如需要）

部署后配置

1. 修改默认登录密码

2. 配置视频源

3. 配置监控区域

4. 配置报警设置

5. 配置 MQTT（可选）

部署验证清单

常见部署问题

问题 1：端口被占用

问题 2：权限不足

问题 3：前端构建失败

问题 4：模型加载失败

问题 5：systemd 服务启动失败 - Werkzeug 生产环境错误

安装步骤（详细说明）

1. 克隆或下载项目

2. 安装后端依赖

3. 安装前端依赖（可选，仅开发模式需要）

4. 准备 YOLO 模型

5. 配置视频源（可选）

使用方法

启动服务

后端服务

前端开发服务器（开发模式）

访问 Web 界面

生产模式（后端提供静态文件）

开发模式（前端开发服务器）

生产部署

1. 构建前端

2. 配置后端为生产模式

3. 启动后端服务

4. 访问系统

部署检查清单

使用 Nginx 反向代理（可选）

使用 systemd 服务（可选）

操作说明

1. 系统配置

2. 区域管理（多区域）

3. 系统配置（扩展功能）

4. 视频录制

5. 查看报警信息

6. 查看检测信息

7. 查看系统日志

8. 操作日志

API 接口

REST API

获取系统状态

获取模型列表

切换模型

获取/设置视频URL