| 使用环境 |
在视频监控环境中，商场、车站、学校等人员密集场所，使用摄像头采集视频流，对视频中的遗留物进行检测和报警。 |
| 使用对象 |
视频监控场景中的遗留物，如包裹、行李、物品。 |
| 使用目的 |
通过检测视频中的遗留物，及时发现可能存在的安全隐患，如被遗弃的包裹或行李，以保障公共安全。 |
| 输入数据 |
可见光波段图像帧，图像分辨率为416×416像素，RGB三通道。 |
| 输出数据 |
遗留物检测结果，包括目标类别、位置坐标（x, y）、宽度和高度。 |
| 硬件配置 |
CPU：Intel Xeon E-2136，主频3.30GHz。
GPU：NVIDIA Quadro P4000，8GB显存。
内存：16GB DDR4。
硬盘：512GB SSD。
摄像头：普通RGB摄像头，分辨率1920×1080。
网卡：英特尔I219-V千兆以太网卡，1000Mbps传输速率。 |
| 样本获取 |
在实际使用现场以不同角度录制视频帧，获取10000帧样本图像，其中3000帧用于训练集，7000帧用于测试集。 |
| 测试结果 |
对测试集7000个样本进行测试，平均准确率（mAP）达到63.7%，比YOLOv4提高了1.41%。 |
| 执行速度 |
检测速度为20ms/次。 |
| 资源消耗 |
CPU：4核，计算占比平均约60%。 GPU：显存占用约5GB，计算占比平均约80%。 内存：使用占比约50%。 |
| 源码类型 |
本算法有Python版本源码，可提供授权使用。 |
| 文件大小 |
算法程序文件24KB，权重文件12MB。 |
| 相关备注 |
本算法通过结合高斯混合模型背景建模和YOLO-G网络模型，有效提高了遗留物检测的准确率和效率。通过引入GhostNet的GhostModule和压缩激励网络（SElayer），在基本不增加计算量的前提下，显著降低了网络参数量，提高了特征提取能力。 |
