人群聚众行为识别系统通过AI视频智能分析技术，人群聚众行为识别系统对工地、厂区、商场等场景进行全天候不间断实时识别，当人群聚众行为识别系统监测到人群异常聚集时，系统立即触发报警抓拍并同步回传后台提醒后台值班人员及时处理疏散人群对意外受伤人员及时救治。人群聚众行为识别系统通过AI技术除了识别人群聚众意外，还可以识别工服穿戴识别、抽烟识别、打电话识别、安全帽反光衣识别、高空作业安全带穿戴识别，通过对以上行为的预警分析，提升对公共事故的主动识别提前预警，降低因后台人员误报漏报延迟对突发状况处理的情况，避免危险事故的发生。
YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外，该研究提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。
对于模型重参数化，该研究使用梯度传播路径的概念分析了适用于不同网络层的模型重参数化策略，并提出了有计划的重参数化模型。此外，研究者发现使用动态标签分配技术时，具有多个输出层的模型在训练时会产生新的问题：「如何为不同分支的输出分配动态目标？」针对这个问题，研究者提出了一种新的标签分配方法，称为从粗粒度到细粒度（coarse-to-fine）的引导式标签分配。
随着社会的发展和人们生活水平的快速进步，大家对于工地、厂区、商场、景区、火车站、机场等场景下的公共人身安全越来越重视。伴随着我国经济的不断发展，城市公共场所越来越密集并且数量和规模不断增长。同样，密集场所的大幅度提升生，聚众行为也使得发生踩踏恶性事件时，造成严重的人员伤亡。这个情况下，科技手段的运用，可以预警和提前干预，处理人群过度聚集的措施。解决传统的安防监控措施无法满足城市快速发展过程中出现的新的实际需求。人群聚众行为识别系统应运而生。
# From Mr. Dinosaur
import os
def listdir(path, list_name): # 传入存储的list
for file in os.listdir(path):
file_path = os.path.join(path, file)
if os.path.isdir(file_path):
listdir(file_path, list_name)
else:
list_name.append(file_path)
list_name = []
path = 'D:/PythonProject/data/' # 文件夹路径
listdir(path, list_name)
print(list_name)
with open('./list.txt', 'w') as f: # 要存入的txt
write = ''
for i in list_name:
write = write + str(i) + '\n'
f.write(write)人群聚众行为识别系统通过YOLO深度学习视觉分析技术，人群聚众行为识别系统对现场监控画面中人员行为进行自动实时监测，当人群聚众行为识别系统检测到现场人员行为异常聚众时，无需人为干预人群聚众行为识别系统立刻抓拍推送到后台执勤人员及时去处理。人群聚众行为识别系统通过AI视频分析技术，实现现场人员异常行为事件提前预警告知如攀高识别、打架行为识别、倒地识别等异常情况，避免发生更大的意外情况。
