Deployable AI for Public Safety: Weapon Detection in Challenging CCTV Scenarios
Notice bibliographique
Résumé
Weapon detection in CCTV surveillance is a critical task for enhancing public safety, where real-time accuracy and robustness directly influence prevention and response efforts. Existing deep learning solutions often demonstrate strong results on clean datasets but degrade significantly under real-world conditions involving low resolution, poor lighting, motion blur, or partial occlusion. This paper investigates the performance of the latest YOLOv12n model for detecting pistols and knives in CCTV imagery, benchmarking it against YOLOv8n under identical training conditions. A composite dataset of 8,065 annotated CCTV-style images from Kaggle and Roboflow was used, encompassing diverse lighting and crowded environments. Preprocessing steps include resizing, normalization, and augmentation to improve generalization. We evaluated all models by varying input resolutions, confidence thresholds, and training epochs. For assessing performance, we assessed it by using mAP@0.5, precision-recall curves, and F1 confidence analysis. Results show YOLOv12n outperforming YOLOv8n with a validation mAP@0.5 of 0.716 after 15 epochs, where it achieved strong knife detection but less reliable pistol recognition, especially in low-light scenarios. We noted that size of image had little effect on accuracy but it significantly impacts speed of inference. Smaller sized images helped in faster detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».