基于YOLO26的学生课堂行为检测系统（中英文双版可切换） | 附完整源码与效果演示

本项目是一个基于 PyQt5 + YOLO28 的学生课堂行为检测系统，专为教育场景设计。系统能够实时识别学生在课堂上的6种典型行为状态，帮助教师了解课堂参与情况，提升教学管理效率。

📸 效果演示（可在后台配置中文/英文显示）

视频演示与源码获取

哔哩哔哩视频下方观看：
https://www.bilibili.com/video/BV1PNfnB2E1t

包含：
📦完整项目源码
📦预训练模型权重
🗂️数据集

一、项目简介

本项目是一个基于 PyQt5 + YOLO26 的学生课堂行为检测系统，专为教育场景设计。系统能够实时识别学生在课堂上的6种典型行为状态，帮助教师了解课堂参与情况，提升教学管理效率。

核心功能

二、检测类别说明

系统可识别以下6种学生课堂行为：

数据集配置

path: main/datasets/dataset
train: images/train
val: images/val
test: images/test

# 类别数量
nc: 6

# 类别名称
names: ['举手', '阅读', '写作', '使用手机', '低头', '睡觉']

三、系统架构

YOLO26课堂行为检测系统
├── 🚀 启动层
│   └── start.py                    # 推荐入口
├── 🖥️ 界面层 (youi/ui/)
│   ├── main_window.py              # 主窗口
│   ├── components/
│   │   ├── inference_tab.py        # 推理界面
│   │   └── settings_tab.py         # 设置界面
│   └── assets/                     # 图标、样式资源
├── ⚙️ 核心层 (youi/utils/)
│   ├── inference_worker.py         # 推理引擎
│   ├── training_worker.py          # 训练引擎
│   ├── testing_worker.py           # 评估引擎
│   ├── dataset_converter.py        # 数据转换
│   └── theme_manager.py            # 主题管理
└── 📁 数据层 (datasets/)
    ├── images/                     # 图像数据
    ├── labels/                     # YOLO标注
    └── data.yaml                   # 数据集配置

四、快速开始

4.1 环境安装

# 克隆项目
cd YOLO26

# 安装依赖
cd youi
pip install -r requirements.txt

# CPU用户建议安装PyTorch CPU版本
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu

4.2 启动系统

# 方式1：使用启动脚本（推荐）
python start.py

# 方式2：直接运行主程序
cd youi
python main.py

五、使用指南

5.1 准备数据集

datasets/dataset/
├── images/
│   ├── train/          # 训练图像
│   ├── val/            # 验证图像
│   └── test/           # 测试图像
├── labels/
│   ├── train/          # 训练标注（YOLO格式）
│   └── val/            # 验证标注（YOLO格式）
└── data.yaml           # 数据集配置

YOLO标注格式：

<class_id> <x_center> <y_center> <width> <height>

5.2 模型训练

在系统界面中选择：

1. 配置训练参数（epochs、batch size、图像尺寸等）
2. 选择预训练模型（yolo26n/s/m/l/x）
3. 点击"开始训练"

5.3 实时推理

支持多种输入源：

• 📷 单张图片检测
• 📁 文件夹批量检测
• 🎬 视频文件检测
• 📹 摄像头实时检测

六、技术亮点

6.1 多线程架构

• 推理、训练、测试均采用独立工作线程
• GUI界面保持流畅，不卡顿
• 实时显示终端输出日志

6.2 主题切换

# 支持三种主题
- 亮色主题：适合白天使用
- 暗色主题：适合夜间使用
- 科技主题：专业监控风格

6.3 快捷键支持

七、应用场景

1. 智慧教室：实时监控学生课堂状态
2. 教学评估：统计各类行为出现频率
3. 课堂管理：及时发现走神、睡觉学生
4. 教学研究：分析学生参与度数据

八、效果展示

九、总结

本系统基于YOLO26目标检测算法，结合PyQt5图形界面，实现了一个功能完善的学生课堂行为检测系统。系统具有检测精度高、实时性好、界面友好等特点，可广泛应用于智慧教育场景。

技术栈：

• 检测框架：YOLO26
• 界面框架：PyQt5
• 深度学习：PyTorch
• 图像处理：OpenCV

本项目基于 YOLO26 目标检测框架 与 PyQt5 图形界面架构 深度融合，构建了一套完整的学生课堂行为智能分析系统。从数据标注、模型训练、性能评估到实时推理部署，形成了端到端的闭环解决方案。系统不仅支持多输入源检测（图片 / 视频 / 摄像头），还通过多线程机制保障 GUI 流畅运行，在实际教学场景中具备较强的工程可落地性。

在算法层面，依托 YOLO 系列模型在实时目标检测领域的高效推理优势，实现了对“举手、阅读、写作、使用手机、低头、睡觉”等六类课堂行为的精准识别；在系统设计层面，通过模块化架构划分（界面层 / 核心层 / 数据层），增强了代码可维护性与扩展能力；在用户体验层面，提供主题切换、多语言支持与快捷键操作，使系统兼顾专业性与易用性。

整体来看，该系统不仅适用于智慧教室实时行为监测，还可作为教育数据分析、教学评估研究、校园 AI 实践课程的示范项目。无论是作为科研原型验证，还是作为工程项目落地，都具备较高的实用价值与扩展潜力。

如果需要进一步扩展，还可引入行为时序分析（Action Temporal Modeling）、行为统计可视化看板、或基于 Transformer 的多模态融合策略，实现更高层级的课堂行为理解与智能决策支持。

一、安装配置华三模拟器HCL

1. 自行安装HCL模拟器，具体可以查看官方文档。
2. 配置虚拟网卡。用于本机和模拟器中的设备互通，例如使用Telnet,SSH方式连接模拟设备。
   
3. 在HCL中创建设备，HOST，及连接。
   
   
4. 配置设备的端口IP地址。
   

sys
interface GigabitEthernet 0/0
ip add 10.2.1.2 24
quit
save

5. （可选）关闭本地电脑防火墙或在防火墙加入允许规则。
6. 本机ping测设备。
   

7. （可选）调整HCL命令行中的字体显示
   HCL默认使用Putty终端，字体使用Courier New，视觉上个人觉得不是很友好，可以调整为Consolas或其他喜欢的字体。也可以在设置内调用其他终端工具，如SecureCRT，MobaXterm等。
   默认字体如下。
   
   调整后字体。
   
   调整方法。

   1. 打开HCL安装路径，找到文件putty.exe，双击运行。

   

   2. 打开[Windows]-[Appearance]-[Font settings]-[Change...]，选择字体和字号等

   
   

   3. 打开[Session]，选中[Default Settings]，点击[Save]保存。

   

   4. 重新打开HCL的命令终端，即可显示新字体。

二、安装Python及相关库（windows 11环境示例）

1. 以windows环境示例。也可自行安装Linux虚拟机环境，只需对虚拟机的虚拟网卡做相应配置，可实现Linux虚拟机与HCL虚拟机互通。
2. 官方下载Download Python | Python.org，或可其他可信源下载并安装。安装过程中类似“Add Python 3.xx to PATH"务必勾选。
   

3. 打开本地cmd终端,验证安装。本示例版本为Python 3.14。

   PS C:\Users\coolh>python
   Python 3.14.0 (tags/v3.14.0:ebf955d, Oct  7 2025, 10:15:03) [MSC v.1944 64 bit (AMD64)] on win32
   Type "help", "copyright", "credits" or "license" for more information.
   >>>

4. 安装网络自动化需要的Python库

   相关的库有很多，不过初期学习只安装一些基础的库即可，如SSH相关库paramiko，netmiko（基于paramiko）；其他的可以选择一并安装或后期安装，如textfsm，ntc-templates，pyyaml等。

   pip install xxxx        #不指定版本则下载最新版本
   #指定清华源下载，因为默认国外源下载较慢
   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple netmiko
   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple paramiko

5. 验证安装

   在python中输入import paramiko​，不报错则说明安装成功。
   

三、配置路由器，交换机设备的SSH服务

1. 配置如下

#开启SSH和netconf服务。netconf后续练习会用到，也可以先不打开
sys
ssh server enable        
netconf ssh server enable
#配置本地用户hao和密码，接入类型为ssh,权限为network-admin
local-user hao class manage
password simple admin12345
service-type ssh
authorization-attribute user-role network-admin
dis local-user
quit
#配置终端接入，认证类型为scheme
line vty 0 4
authentication-mode scheme
user-role network-admin
quit
save

2. SSH登录验证

   使用windows命令行工具测试。

   输入ssh hao@10.2.1.2​，提示设备使用了不安全的RSA算法，默认禁止使用。

   输入ssh -o HostKeyAlgorithms=+ssh-rsa hao@10.2.1.2​，连接成功。
   

也可使用其他终端工具如SecureCRT，MobaXterm等，进行SSH连接测试。

SSH相关配置可参考H3C官方文档。H3C_SSH典型配置举例

文章已同步发布于博客园-Haosend

‍

大家好！我是数字游民Hugo，聚焦AI轻创&Web3&OPC，深耕AI编程应用开发探路者。

你能想象吗？在斯坦福大学一个昏暗的地下室教室里，挤满了全世界最聪明的计算机系学生。空气里弥漫的不是兴奋，而是焦虑。

讲台上的讲师看着这些未来的科技精英，抛出了一条足以颠覆整个教育界的班规：

"这门课，我要教你们如何在不写一行代码的情况下编程。如果你能上完整个学期一行代码都不亲手敲，那你才是真的牛。"

你没听错。当大多数高校还在像防贼一样禁止学生用 AI 写作业时，斯坦福这门名为"现代软件开发者"的课，正在禁止学生手写代码。

这不仅仅是一次教学实验，这是硅谷向全世界发出的信号：那个"会写代码等于金饭碗"的时代，彻底结束了。

一个 40 岁创业者的切身体会

看到这条新闻，我特别有感触。

2017 年，我第三次创业，想做一个基于邻里社交的本地生活服务平台。那时候我有个最大的痛苦——技术瓶颈。

我想找技术合伙人，找不到。想外包开发，30 万投进去效果不佳。想自己学，人到中年哪有那么多时间精力从零开始啃代码？

这个技术门槛，硬生生把我的创业梦卡住了。

后来我考察过各种项目，想扭转局面。直到 2025 年春节 DeepSeek 爆发，再到 2026 年初微信推出"AI 小程序成长计划"，我才猛然发现：

AI 编程的到来，把这个门槛给铲平了。

码农死了，超级工程师诞生了

斯坦福这门课请来的客座讲师，全是行业大神：Cursor 创始人、Vercel 的 AI 研究负责人……

他们都在传递同一个理念：AI Coding。

什么意思？

以前你写代码像个泥瓦匠，一块砖一块砖地砌，累死累活还容易歪。

现在你像个建筑师。 你只需要告诉 AI："我要建一座大厦，风格是后现代，功能要有这些。"Cursor 和 Claude 就是你的施工队。

Cognition 的研究主管在课上说得直击痛点：

"如果你用昨天的方法学习，你就是在大刀长矛对战机关枪。但如果你掌握了这些工具，你一个人的战斗力能顶一支团队。"

我为什么选择这条路？

大佬们的话很直白：

• 微软 CEO 纳德拉：公司 30% 的代码已经是 AI 写的
• Shopify CEO：想招人？先证明 AI 干不了你的活儿
• Klarna：直接停止招聘，因为 AI 已经能干完人类的活

现实很残酷，但机会也很真实。

我今年 40 多岁，山东人在上海打拼快 20 年。经历过三次创业，负债过，迷茫过，但依然选择相信：真诚这张牌，加上任何一张都是王炸，唯独不能单出，单出就是死牌。

现在，我选择把"真诚"加上"AI 编程"这张牌。

我不再是那个被技术门槛卡住的创业者，我是一个正在学习驾驭 AI 的超级个体。

出路在哪里？

斯坦福这门课告诉我们：代码正在贬值，但软件正在升值。

未来的核心竞争力：

• 不再是你的手速，而是你的脑洞
• 不再是你写代码的能力，而是你定义问题、解决问题的能力
• 不再是你掌握多少语法，而是你能否用 AI 把想法变成现实

能淘汰你的永远不是 AI，而是比你更会用 AI 的人。

我的选择和邀请

现在的程序员（或者说想进入这个领域的人）只剩下两条路：

1. 继续搬砖，等着被不需要公司的 AI 慢慢淘汰
2. 进化成包工头，把 AI 当牛马使，效率翻倍

我选第二条路，而且我要带着大家一起走。

这个账号的定位很清晰：AI 编程开发创客实战。

我会边学边用边分享，输出倒逼输入，事上练干中学。不贩卖焦虑，只分享真实经历和可行方案。

先完成，再完美。

如果你也想成为驾驭 AI 的新贵，而不是被淘汰的旧码农，欢迎关注我。

我是数字游民Hugo，聚焦AI轻创&Web3&OPC，深耕AI编程应用开发实践，赋能个人蜕变成长&组织迭代进化，助力构建可持续的智能化增长体系。

在这个账号里，我会和你一起：

• 探讨如何利用 AI 把个人价值放大 100 倍
• 分享 AI 编程实战经验和踩坑记录
• 洞悉 AI 时代最前沿的商业机会

评论区聊聊你的观点，你会选择哪条路？

本文由mdnice多平台发布

布尔类型

布尔类型使用Bool表示，用来表示逻辑中的真和假。

3.3.1 布尔类型字面量

布尔类型只有两个字面量：true和false。

下面的例子展示了布尔字面量的使用：

let a: Bool = true
let b: Bool = false

3.3.2 布尔类型支持的操作

布尔类型支持的操作符包括：逻辑操作符（逻辑非!，逻辑与&&，逻辑或||）、部分关系操作符（==和!=）、赋值操作符、部分复合赋值操作符（&&=和||=）。

字符类型

字符类型使用Rune表示，可以表示Unicode字符集中的所有字符。

3.4.1 字符类型字面量

字符类型字面量有三种形式：单个字符、转义字符和通用字符。一个Rune字面量由字符r开头，后跟一个由一对单引号或双引号包含的字符。

单个字符的字符字面量举例：

let a: Rune = r'a'
let b: Rune = r"b"

转义字符是指在一个字符序列中对后面的字符进行另一种解释的字符。转义字符使用转义符号“\”开头，后面加需要转义的字符。举例如下：

let slash: Rune = r'\\'
let newLine: Rune = r'\n'
let tab: Rune = r'\t'

通用字符以\u开头，后面加上定义在一对花括号中的1~8个十六进制数，即可表示对应的Unicode值代表的字符。举例如下：

main() {
    let he: Rune = r'\u{4f60}'
    let llo: Rune = r'\u{597d}'
    print(he)
    print(llo)
}

编译并执行上述代码，输出结果为：

你好

3.4.2 字符类型支持的操作

字符类型仅支持关系操作符：小于（<）、大于（>）、小于等于（<=）、大于等于（>=）、相等（==）、不等（!=）。比较的是字符的Unicode值。

Rune可以转换为UInt32，整数类型可以转换为Rune。

参考引用

更多仓颉学习资料，详见：

• 《跟老卫学HarmonyOS开发》：https://github.com/waylau/harmonyos-tutorial
• 《跟老卫学仓颉编程语言开发》：https://github.com/waylau/cangjie-programming-language-tutorial
• “HarmonyOS NEXT+AI大模型打造智能助手APP(仓颉版)”：https://coding.imooc.com/class/927.html
• 《仓颉编程从入门到实践》（北京大学出版社）：https://waylau.com/about-cangjie-programming-language-tutoria...
• 

点赞 + 关注 + 收藏 = 学会了

💡整理了一个 NAS 专属玩法专栏，感兴趣的工友可以戳这里关注 👉 《NAS邪修》

yt-dlp 是一款强大的视频下载工具（命令行界面的王者），而今天我要推荐的是 yt-dlp-webui，它给硬核工具穿上了一层“漂亮的外衣”，让你在浏览器里就能点点鼠标，轻松下载 B 站、小红书、YouTube 等主流平台的视频。

有了这个神器，再也不怕喜欢的视频被 Up 主删除了！

本次以 飞牛 NAS (fnOS) 为例演示，绿联、群晖、极空间等 NAS 操作逻辑完全通用！

打开「文件管理」，在 docker 目录下新建文件夹 yt-dlp。

在 yt-dlp 文件夹内，再分别新建两个子文件夹：

• downloads（用于存放下载好的视频）
• config（用于存放配置文件）

打开「Docker」应用，切换到 「Compose」 面板，点击「新建项目」。

• 项目名称：yt-dlp
• 路径：选择刚刚在 docker 文件夹里创建的 yt-dlp 文件夹
• 来源：创建docker-compose.yml

输入以下代码：

services:
  yt-dlp-webui:
    image: marcobaobao/yt-dlp-webui
    ports:
      - 3456:3033 # 冒号左边的 3456 是访问端口，可按需修改
    volumes:
      - ./downloads:/downloads # 视频下载路径
      - ./config:/config # 配置保存路径
    healthcheck:
      test: curl -f http://localhost:3033 || exit 1
    restart: unless-stopped

等待项目构建成功后，在“容器”面板找到它，点击旁边的 “链接” 按钮即可跳转。

这是 yt-dlp 的界面。

我以下载B站视频为例。

打开 B 站，找到你想“据为己有”的视频，直接复制浏览器地址栏的 URL。

回到 yt-dlp，点击首页右下方的加号。

把链接丢进来这个输入框里，然后点击“开始”按钮就开始下载了。

视频会自动保存到 /docker/yt-dlp/downloads 文件夹中。

你也可以直接在 Web 界面点击视频下方的下载按钮，保存到电脑本地。

亲测可下～

对了，如果进去发现是英文，别慌！在 Settings（设置） 里面找到语言选项，改为 Chinese 即可。

以上就是本文的全部内容啦，好视频不会丢，现在担心的是硬盘扛不扛得住了😭

你有发现更好用的视频下载工具吗？欢迎在评论区交流讨论！

想了解更多NAS玩法记得关注《NAS邪修》👏

点赞 + 关注 + 收藏 = 学会了

点赞 + 关注 + 收藏 = 学会了

整理了一个NAS小专栏，有兴趣的工友可以关注一下 👉 《NAS邪修》

Tower Blocks 是一款超解压的堆叠积木休闲小游戏，NAS 小白用 Docker 就能一键部署，群晖、威联通等主流 NAS 都适配，不用复杂配置。核心玩法超简单：看准时机点击屏幕，让下落的方块精准叠在塔上，堆得越高分数越高，考验手眼协调与反应力，大人小孩都能玩。游戏占用资源极低，不会影响 NAS 存储核心功能。

本次使用飞牛 NAS 部署 Tower Blocks，其他品牌 NAS 操作方式基本一样。

打开“文件管理”，在“docker”文件夹下创建一个“tower-blocks”文件夹。

然后打开“Docker”应用，在”Compose“面板里创建一个新项目。

• 项目名：tower-blocks。
• 路径：选择刚刚在”docker“文件夹里创建的”tower-blocks“文件夹。
• 来源：创建docker-compose.yml。

勾选“创建项目后立即启动”。

然后输入以下代码：

services:
  tower-blocks:
    image: heizicao/tower-blocks:latest
    container_name: tower-blocks
    ports:
      - 2332:3000
    restart: always

我给 Tower Blocks 配置了 2332 这个端口，你可以按需配置。

项目构建成功后，在浏览器输入 NAS的IP:2332 就可以开始玩了。

以上就是本文的全部内容啦，有疑问可以在评论区讨论～

想了解更多NAS玩法可以关注《NAS邪修》👏

点赞 + 关注 + 收藏 = 学会了

访答：重新定义高效沟通

在快节奏的工作环境中，有效的沟通工具至关重要。访答作为新兴的沟通平台，正以其独特的功能改变着人们的协作方式。

核心功能解析

访答专注于简化沟通流程，其智能问答系统能够快速响应各类查询。与传统沟通工具相比，它减少了信息传递的层级，让沟通更加直接高效。

应用场景优势

无论是团队内部协作还是客户服务，访答都能提供稳定可靠的支持。其简洁的界面设计和强大的后台处理能力，确保了用户体验的流畅性。

未来发展展望

随着人工智能技术的不断发展，访答有望在智能助手领域实现更多突破，为用户提供更加个性化的服务体验。

谁还在为OpenClaw的“笨重”忍气吞声？！

2026年，OpenClaw凭一己之力带火了开源AI智能体赛道，14天狂揽190K GitHub星标，一度碾压深耕数十年的行业巨头，让“本地AI数字员工”走进大众视野。可火归火，用过的人都懂那种“爱并痛苦着”的憋屈——号称“轻量化本地部署”，实则是个“资源吞噬巨兽”，部署要装Node.js、调试复杂依赖链，内存占用动辄1GB以上，启动要等几百秒，就算是低配服务器都扛不住，普通电脑运行起来更是卡顿到崩溃，所谓的“降本增效”，到最后全变成了“耗内存、拖速度”的负担。

多少开发者熬夜调试，就为了让OpenClaw正常启动；多少中小企业花大价钱升级硬件，就为了承载这个“笨重的数字员工”；多少小白看着复杂的部署教程，望而却步，只能眼睁睁看着别人用AI高效办公，自己却被工具卡脖子？

全网都在呐喊：OpenClaw很好，但能不能轻一点？能不能简单一点？能不能让普通人也能轻松上手？

就在所有人都以为，开源AI智能体的“轻量化”已经触达天花板，只能在笨重和功能之间二选一时，Claw家族新成员——NullClaw，带着“极致轻量、零门槛、高性能”的锋芒横空出世，直接打破困局，用实力改写赛道规则：原来AI智能体，真的可以做到“轻到极致，强到离谱”！

没有铺天盖地的宣传，没有夸张到离谱的噱头，NullClaw只用一组公开可查的实测数据，就炸翻了整个AI圈，把“轻量”两个字卷到了极致，狠狠打脸那些“伪轻量化”工具——

内存占用仅0.8MB，不足OpenClaw的0.1%，比手机里的普通小程序还要轻，就算是十几年前的老旧电脑、10美元的廉价开发板，也能流畅运行，不会占用丝毫多余资源；启动时间快到离谱，仅需5毫秒，是OpenClaw的100倍以上，双击下载，一秒启动，无需等待，打开就能用，彻底告别“漫长启动焦虑”；二进制体积仅1.2MB，比OpenClaw小20多倍，下载速度快到飞起，就算是流量上网，几秒就能下载完成，不用再忍受动辄几十MB的缓慢下载。

更爽的是，NullClaw做到了“轻而不弱，简而全能”——它完美继承了OpenClaw的所有核心优势，甚至在功能上实现了全面超越，却把OpenClaw的所有痛点，全部斩草除根！

OpenClaw部署复杂，小白望而却步？NullClaw直接做到“零门槛部署”，单文件自包含二进制，支持arm、x86、risc-v全架构，无需安装任何依赖，不用懂一行代码，不用调试任何参数，下载、双击、使用，三步到位，就算是电脑小白，也能轻松上手，真正做到“人人都能玩得转”的本地AI智能体，彻底打破了OpenClaw“不适合非技术用户”的局限。

OpenClaw功能单一，复杂场景全歇菜？NullClaw直接拉满功能上限：OpenClaw能做的，它做得更快、更稳；OpenClaw做不到的，它照样拿捏！本地文件处理、日程管理、邮件自动发送、代码调试、网页检索，甚至是多轮连续交互、长程推理，NullClaw都能轻松胜任，100+轮连续交互不卡顿、不丢失上下文，多源信息交叉验证，动态调整策略，比OpenClaw的响应速度快3倍以上，复杂任务的完成准确率直接飙升至99.2%，远超同级别工具，甚至对标部分大参数模型的表现。

OpenClaw安全隐患突出，数据泄露风险高？NullClaw天生自带安全buff，延续Claw家族“本地优先”的核心优势，所有数据都运行在用户自有设备上，不上传云端，守住数据主权，同时搭载严格的沙箱机制、显式允许列表、工作区隔离，自动拦截危险指令，杜绝提示词注入攻击，从设计上杜绝数据泄露和设备操控风险，比OpenClaw的安全防护更周全，企业和个人用着都能彻底放心，再也不用为“AI内鬼”担忧。

更绝的是，NullClaw还解决了OpenClaw的“隐性痛点”——零成本使用、全架构兼容、无任何功能限制！不用支付高额的部署费、月费，不用升级硬件，不用为了某个功能额外安装插件，免费开源、无商业壁垒，支持Windows、Mac、Linux所有系统，甚至能在边缘设备、移动终端部署，实现离线推理与本地交互，真正做到“零开销、零妥协、全自主”，让每一个人都能免费享受AI带来的高效便捷，彻底打破“AI高效办公=高成本”的误区。

有人说，NullClaw是站在OpenClaw的肩膀上成长起来的，但我要说，它不是继承，而是颠覆！OpenClaw没能解决的轻量化痛点，它一一破解；OpenClaw没能实现的零门槛体验，它完美落地；OpenClaw没能兼顾的“轻量与性能”，它做到了极致平衡。

短短3天，NullClaw的GitHub星标疯狂暴涨，Fork数直线飙升，无数开发者弃坑OpenClaw，转头投入NullClaw的怀抱，留言区全是“封神”“终于等到你”“这才是我想要的轻量化AI智能体”的欢呼。曾经，OpenClaw是赛道标杆，是所有人的“唯一选择”；如今，NullClaw的出现，不仅填补了“极致轻量化AI智能体”的市场空白，更重新定义了开源AI智能体的核心竞争力——轻量，不是妥协，而是极致的追求；简单，不是简陋，而是更懂用户的需求。

想想看，不用再为部署复杂而头疼，不用再为内存占用而焦虑，不用再为硬件升级而花钱，双击下载，一秒启动，老旧电脑也能流畅运行，小白也能轻松上手，既能享受本地AI的安全便捷，又能拥有极致高效的办公体验，这才是开源AI智能体该有的样子！

从OpenClaw到NullClaw，是Claw家族的迭代升级，更是开源AI智能体赛道的一次革命。OpenClaw打开了赛道的大门，而NullClaw，正在带领赛道走向更极致、更亲民、更高效的未来，让“轻量化AI”不再是口号，让每一个人、每一家企业，都能轻松拥有属于自己的高效AI数字员工。

那些还在忍受OpenClaw笨重、卡顿、部署复杂的人，别再硬扛了！现在就上手NullClaw，体验一把“轻到极致，强到离谱”的快乐，你会发现：原来AI办公，可以这么轻松、这么高效；原来开源AI智能体，早就该是这个样子！

NullClaw来了，轻量化AI时代，正式开启！OpenClaw的辉煌已成过去，NullClaw的传奇，才刚刚开始！

更多AI咨询详见开源电子书《跟老卫学AI大模型开发》

phpMyAdmin 是一个优秀的 MySQL 数据库管理工具。它可以用来浏览、编辑、创建和删除数据表，您不需要 SSH 到远程或者在终端窗口来执行 SQL 查询和管理。

本文将向您展示如何在 Ubuntu 服务器上安装和设置 phpMyAdmin 工具。

Install Apache and PHP

假设你已经安装了 MySQL 服务器。因此，只需安装 phpMyAdmin 所需的其他包即可。

sudo apt install apache2 wget unzip 
sudo apt install php php-zip php-json php-mbstring php-mysql

安装完成后，启用并启动 Apache web 服务器。

sudo systemctl enable apache2 
sudo systemctl start apache2

Install phpMyAdmin

浏览官方下载页 获取最新的 phpMyAdmin 源文件，或者使用下面的命令下载到您的系统。下载完成后，提取存档文件并移动到合适的位置。

wget https://files.phpmyadmin.net/phpMyAdmin/5.2.0/phpMyAdmin-5.2.0-all-languages.zip 
unzip phpMyAdmin-5.2.0-all-languages.zip 
sudo mv phpMyAdmin-5.2.0-all-languages /usr/share/phpmyadmin

接下来，创建 tmp 目录并设置适当的权限，这是使其正常工作的必要步骤。

sudo mkdir /usr/share/phpmyadmin/tmp 
sudo chown -R www-data:www-data /usr/share/phpmyadmin 
sudo chmod 777 /usr/share/phpmyadmin/tmp

Configure phpMyAdmin

现在，您需要配置 web 服务器，以便在网络上为 phpMyAdmin 提供服务。为 phpMyAdmin 创建一个 Apache 配置文件。

sudo vim /etc/apache2/conf-available/phpmyadmin.conf

将以下内容添加到 phpmyadmin.conf 配置文件中：

Alias /phpmyadmin /usr/share/phpmyadmin
Alias /phpMyAdmin /usr/share/phpmyadmin

<Directory /usr/share/phpmyadmin/>
    AddDefaultCharset UTF-8
    <IfModule mod_authz_core.c>
        <RequireAny>
            Require all granted
        </RequireAny>
    </IfModule>
</Directory>

<Directory /usr/share/phpmyadmin/setup/>
    <IfModule mod_authz_core.c>
        <RequireAny>
            Require all granted
        </RequireAny>
    </IfModule>
</Directory>

按 ESC 键，然后输入:wq，然后按 Enter 键，保存文件并退出。

完成所有更改后，启动 Apache 服务以重新加载所有设置。

sudo a2enconf phpmyadmin 
sudo systemctl restart apache2

Adjusting FirewallD

如果系统启用了防火墙，则需要放行 web 服务器端口。

sudo firewall-cmd --permanent --add-service=http 
sudo firewall-cmd --reload

Access phpMyAdmin

现在使用服务器 IP 地址或域名访问 phpMyAdmin 服务。

http://{your-domain.com}/phpmyadmin

登录后，你将看到如下画面：

我的开源项目

• course-tencent-cloud（酷瓜云课堂 - gitee仓库）
• course-tencent-cloud（酷瓜云课堂 - github仓库）

多智能体系统一旦从顺序执行走向并行，测试的需求就更严格了。单个智能体的输出可能都是对的，但多个智能体并行决策、彼此影响时，集体行为可能违反系统级约束，而传统的单元测试和输出断言对这类问题完全无能为力。

这篇文章聚焦的就是这个问题：如何测试并行多智能体系统的协调行为。以一个跨四个城市的网络流量调度系统为例，从轨迹捕获、行为不变量、回放回归、黄金数据集到 CI/CD 集成，逐步搭建一套完整的协调测试框架。

被测系统

具体场景是骨干网光纤切断事件的自动响应。当故障被检测到时，一个 Coordinator Agent 分析影响范围，将任务分发给四个并行的区域流量智能体，分别负责纽约、达拉斯、拉斯维加斯和旧金山。四个智能体并行工作，转移流量负载，对非关键服务施加限速，目标是在级联拥塞发生之前完成处置。

                     ┌──────────────────────┐  
                    │  Fiber Cut Detected  │  
                    │  (BGP flap alarm)    │  
                    └──────────┬───────────┘  
                               │  
                               ▼  
                    ┌─────────────────────┐  
                    │  Coordinator Agent  │  
                    │  (impact analysis + │  
                    │   task delegation)  │  
                    └──────────┬──────────┘  
                               │  
          ┌────────────────────┼─────────────────────────────────────────┐  
          ▼                    ▼                    ▼                    ▼  
┌─────────────────┐  ┌─────────────────┐  ┌─────────────────┐  ┌─────────────────┐  
│   NYC Agent     │  │  Dallas Agent   │  │ Las Vegas Agent │  │    SF Agent     │  
│ Shift load to   │  │ Absorb transit  │  │ Rate-limit CDN  │  │ Reroute peering │  
│ NJ peer         │  │ from cut path   │  │ non-critical    │  │ via Seattle     │  
└────────┬────────┘  └────────┬────────┘  └────────┬────────┘  └────────┬────────┘  
         └────────────────────┴─────────────────────┴────────────────────┘  
                                          │  
                                          ▼  
                              ┌────────────────────────┐  
                              │  Reducer + Validation  │  
                              │  Merge state, check    │  
                              │  invariants, confirm   │  
                              │  SLA preserved         │  
                               └────────────────────────┘

每个区域智能体是 LangGraph 状态图中一个由 LLM 驱动的节点，在一个 super-step 中并行执行。这是 LangGraph 的并行节点执行机制，它们各自的输出在下一阶段开始前由自定义 reducer 合并。

这不是简单的流水线。这是协调式的并行推理，会引入顺序系统压根不存在的故障模式。

传统测试为什么在这里失效

传统软件里测试四个并行 worker 是可控的。Mock 输入，捕获输出，assert 正确性。Worker 是确定性的同样的输入永远给出同样的输出。

但智能体不是确定性的。

达拉斯智能体可能这次决定吸收 40% 的重路由负载，下次变成 35%。从遥测数据来看都说得通因为都是合理的决策。但差异足以让任何写死精确值的断言直接挂掉。比如硬编码

assert result.load_shift_percent == 40

，下一次模型升级或 prompt 调整就会让它失败。。

更麻烦的情况是四个智能体并行跑、决策互相纠缠的时候。纽约智能体把负载转向某条通道，拉斯维加斯智能体却在同一条通道的过时利用率数据上做决策。如果单独看两个智能体都没做错什么，但放到一起它们制造了一个认为的拥塞。

每个智能体的输出看起来都是对的，但是协调出了问题。

智能体测试要捕获的正是这类故障，不是单个智能体的正确性而是集体行为的完整性。

步骤一：捕获执行轨迹

首先需要的是可观测性。看到的不能只是最终状态，还要包括完整的决策序列——每个并行智能体干了什么，reducer 怎么合并的输出。

LangGraph 的 checkpoint 机制天然提供了这些：

 fromlanggraph.checkpoint.sqliteimportSqliteSaver
 
 checkpointer=SqliteSaver.from_conn_string("incidents.db")  
 graph=fiber_cut_graph.compile(checkpointer=checkpointer)  
 result=graph.invoke(alarm_event, config={"configurable": {"thread_id": "incident-2024-0312"}})

从存储的历史记录中提取执行轨迹：

 START  
  → coordinator_analysis    [Impact: HIGH | Regions: NYC, DAL, LV, SF]  
  ┌─ nyc_agent              [Load shift: 30% → NJ peer | Rate-limit: OTT]  
  ├─ dallas_agent           [Transit absorption: 38% | Carrier notified]  
  ├─ lv_agent               [CDN rate-limit: applied | MPLS LSPs: held]  
  └─ sf_agent               [BGP MED adjusted | Reroute: Seattle path]  
  → reducer_merge           [Total redistributed: 102% ⚠]  
  → sla_validation          [SLA breached: false | Margin: 4%]  
 END

注意 reducer 中那个

102%

。这种问题只有轨迹捕获才能暴露出来。四个智能体各自基于自己对网络的局部视图做判断，集体的结果是容量过度承诺。没有哪个智能体做错了决定，但系统层面却出了问题。

设计良好的 reducer 难道不能自动阻止这种情况发生吗？

能，但是这恰恰就是重点。在 LangGraph 中自定义 reducer 就是协调约束的载体。通过条件边可以在总承诺负载超过容量时，把执行路由到重新平衡步骤，在任何实际操作执行之前拦截。

但Reducer 不只是个合并函数，它是执行层。

在 LangGraph 的并行执行中reducer 承担的角色相当于分布式事务边界，或者说是唯一一个能在副作用发生之前基于所有智能体的组合意图评估全局不变量的位置。

轨迹测试验证的是这个执行层有没有实际运行，不变量测试验证的是它有没有守住规则。

步骤二：行为不变量

不变量是结构性规则：无论底层跑的是哪个 LLM、选了什么路由、智能体之间怎么分工这些规则都必须成立，因为这些规则是由业务来定义的。

多智能体网络系统不存在一套通用的不变量。金融客户和 CDN 运营商的 SLA 承诺不同；处在维护窗口的区域和正常运行的区域约束也不同。不变量应该反映的是业务上下文不只是技术拓扑。

不过有些不变量是系统级的，对任何并行流量响应系统都值得显式定义。

不变量 1：流量在转移过程中必须守恒。

这是最底层的保障。流量从路径 X 挪到路径 Y 或路径 Z，但进入网络的总流量在重新分配前后必须相等，不能有流量被静默丢弃，也不能被重复计算。

 def invariant_traffic_conservation(pre_shift: dict, post_shift: dict) -> bool:  
     pre_total = sum(pre_shift["path_volumes"].values())  
     post_total = sum(post_shift["path_volumes"].values())  
     return abs(pre_total - post_total) <= pre_total * 0.01  # allow 1% drift

这个不变量一旦失败，问题就不只是协调错误了，要么流量被黑洞吞掉了，要么智能体在不一致的状态快照上做决策。

在智能体系统中确定性被有界变异性替代。目标不是冻结输出而是定义变异的结构性边界。

不变量 2：SLA 验证必须在 reducer 合并之后运行，绝不能在之前。

每个区域智能体看到的只是网络的局部。SLA 影响只有在四个决策合并为全局状态之后才能真正评估。在部分状态上跑 SLA 检查，比不跑还糟——它给人一种虚假的安全感。

 def invariant_sla_after_merge(trajectory: list[str]) -> bool:  
     return trajectory.index("sla_validation") > trajectory.index("reducer_merge")

不变量 3：不允许任何区域在没有有效操作集的情况下行动。

如果某个区域智能体返回了空操作，比如所有备选路径都在维护。这时系统不能静默地继续执行，必须升级给人来处理。静默的部分执行是事后复盘里最让人困惑的故障模式。

 def invariant_no_silent_partial_execution(merged_state: dict, trajectory: list[str]) -> bool:  
     for region in ["nyc", "dal", "lv", "sf"]:  
         if not merged_state[region].get("actions"):  
             return "escalate_to_human" in trajectory  
     return True

不变量 4：承诺容量不能超过可用余量。

这条直接验证 reducer 的条件边逻辑。如果各区域转移量之和超过骨干网可用容量，系统必须走重新平衡流程而不是执行已经超限的方案。

 def invariant_no_capacity_overcommit(merged_state: dict) -> bool:  
     total_shifted = sum(merged_state[r]["load_shift_percent"] for r in ["nyc", "dal", "lv", "sf"])  
     return total_shifted <= merged_state["backbone_available_capacity_percent"]

每次执行后把四个不变量全跑一遍，就是在对整个协调层做行为健康检查，而不是只看某个智能体的输出。

步骤三：基于回放的回归测试

上线半年后团队升级到了新版 LLM。单个智能体的决策质量确实提升了，但并行执行时旧金山智能体变得更激进了，比如在负载转移上承诺到更高的比例，把总利用率推过了 reducer 调优时设定的余量阈值。不变量本可以抓住这个问题，但如果升级完没人跑回放测试，它就带着隐患上了线。

LangGraph 的 checkpoint 机制让每个真实事件都成了回归测试资产。把原始输入在更新后的图上重新跑一遍，提取新轨迹然后验证所有不变量是否依然成立。

更聪明的模型可能用更短的路径达到同样的结果。但在并行协调系统中无法解释的漂移必须经过人工审查，特别是 reducer 和 SLA 验证步骤前后的变化。

回放测试的价值不只是抓住已知的故障更是建立一种信心：模型和 prompt 的变化不会在所有输出级测试的盲区之外悄悄改变系统的集体行为。

步骤四：来自真实事件的黄金数据集

真实事件里藏着你编都编不出来的边界情况：维护窗口和光纤切断同时发生了、BGP 重收敛在执行中途发生、遥测数据对一个区域返回过时结果而其他区域正常。

系统处理过的每一个真实事件都是黄金数据集的候选，这里有一个核心设计原则：不要记录每个智能体说了什么，要记录哪些属性必须成立。

黄金数据集的一条记录包含原始输入（真实遥测快照、拓扑状态、当时的策略约束）和预期行为属性：哪些不变量必须成立、哪些轨迹节点必须出现、哪些不能出现。不记录精确输出值，不记录具体路径名。

这样做的好处是数据集不会随着系统演进而过时。模型换了、prompt 改了、图逻辑重构了，数据集验证的依然是真正重要的东西不会在合理变化的部分误报。

步骤五：CI/CD 集成

智能体测试不自动化就没有意义，每次 prompt 变更、工具 schema 更新、或者切换模型版本，流水线都应该回放黄金数据集，并且在任何变更上线之前完成不变量验证。

不变量违规是硬性失败流水线直接挂掉。轨迹漂移标记出来交给人审查但不自动阻断，可接受的行为变化和真正的回归之间的判断，应该由人来做而不是流水线。

阈值问题值得提前想清楚：不是所有轨迹变化都是回归，有时更智能的模型会走一条更高效的路径。在凌晨 2:47 做部署回滚的时候再去定义什么叫"有意义的漂移"就太晚了。

换个角度想：升级路由协议之前你不会不跑回归测试，升级多智能体协调图里的 LLM 也不应例外。

步骤六：协调测试——并行系统真正出事的地方

多智能体系统里最难缠的故障不在任何单个智能体内部。它们存在于智能体之间的缝隙——并行系统比顺序系统有多得多的这种缝隙。

三种故障模式反复出现：

 ┌─────────────────────────────────────────────────────────────┐  
 │  Pattern 1: Capacity Overcommit                              │  
 │                                                             │  
 │  Each agent independently prefers the eastern backbone.     │  
 │  Reducer sums all four shifts → 105% utilization.           │  
 │  No single agent was wrong. The coordination was.           │  
 └─────────────────────────────────────────────────────────────┘

 ┌─────────────────────────────────────────────────────────────┐  
 │  Pattern 2: Stale State in Parallel Branches                 │  
 │                                                             │  
 │  NYC Agent reads backbone_utilization = 72%                 │  
 │  DAL Agent reads backbone_utilization = 68% (4s stale)      │  
 │  Both make shift decisions on different views of reality.   │  
 │  Reducer aggregates inconsistent data as if it were valid.  │  
 └─────────────────────────────────────────────────────────────┘

 ┌─────────────────────────────────────────────────────────────┐  
 │  Pattern 3: Reducer State Overwrite                          │  
 │                                                             │  
 │  Multiple agents write to a shared metric field.            │  
 │  Last writer wins → earlier, higher-accuracy data lost.     │  
 │  Downstream agents make decisions on corrupted state.       │  
 └─────────────────────────────────────────────────────────────┘

针对每种模式，要写专门的协调测试：注入问题状态，运行图，断言 reducer 和条件边正确处理了冲突。测试的不是智能体聪不聪明，而是协调层能不能在智能体产出合理但相互冲突的结果时依然执行结构性规则。

这是大多数团队在智能体测试中跳过的部分，也恰恰是造成生产事故最多的部分。

总结

至此已经搭建起了一套完整的基线：轨迹捕获、行为不变量、回放回归测试、黄金数据集、CI/CD 集成、协调测试。对于一个并行管理四座城市流量的系统来说，这是把它放到生产环境之前必须具备的测试纪律。

但这个框架还有几个没有覆盖的问题，值得明确指出。

系统对每个决策有多大信心？达拉斯智能体选了 38% 的负载吸收率，这是基于清晰遥测数据的高置信度判断，还是不确定条件下的最优猜测？如果能在决策粒度上引入置信度评分，就可以校准每一步需要多大程度的人工介入。这个在智能体操作实时骨干网流量的场景下，这一点非常关键。

混沌环境下会发生什么？遥测 API 返回过时数据，拓扑数据库落后 90 秒，某个区域智能体的工具调用在执行中途超时而其他三个正常推进。当前的测试假设环境全程配合但是生产中不会，针对智能体系统的混沌测试目前还没有成熟的标准化工具，所以只能手动进行。

传统软件里bug 是逻辑错误。代码做了不该做的事；并行智能体系统里的 bug 往往以另一种形态出现：协调漂移。

四个智能体各自推理正确，各自的决策在隔离环境下都站得住脚，但组合在一起违反了一个系统级不变量。系统平稳运行了半年某次模型升级让某个智能体的决策偏了那么一点，刚好够造成 reducer 没有拦住的容量过度承诺。

该问的问题不是"系统有没有产出正确的输出"，而是"系统有没有通过正确的协调达到这个输出，而且在模型和 prompt 持续演进的过程中，它能不能一直做到"。这是两个完全不同的问题，需要完全不同的工具。

https://avoid.overfit.cn/post/da0b85b778d24bd4b8aa8430026b37f6

作者：ravikiran veldanda

打架行为识别数据集：公共安全与智能安防的异常行为检测数据

数据集分享链接

链接:https://pan.baidu.com/s/1WTJJEL94p6OM6rCfyvpjnw?pwd=cn7t

提取码:cn7t 复制这段内容后打开百度网盘手机App，操作更方便哦

一、公共安全与智能安防的时代背景

随着社会对公共安全需求的不断提高，基于计算机视觉的智能监控逐渐成为安防体系中的重要组成部分。在城市化进程不断加快的今天，公共场所的人员管理面临越来越大的挑战。如何有效监控和管理公共场所，保障公共安全，提高安全管理效率，成为智慧城市建设的重要课题。

在公共安全领域，打架、斗殴等暴力行为往往会引发严重的安全事故。打架行为不仅会造成人员伤亡，还会引发恐慌，影响社会秩序。传统的人工监控方式存在效率低下、易疲劳、易漏检等问题，难以及时发现和阻止打架行为。因此，如何利用技术手段及时发现和预警打架行为，成为公共安全管理面临的重要挑战。

在校园安全领域，打架行为是校园安全的重要隐患。校园作为人员密集的场所，打架行为不仅会造成人员伤亡，还会影响校园秩序，给学生和家长带来恐慌。传统的人工监控方式难以及时发现和阻止打架行为，需要借助技术手段提高校园安全管理的效率。

在商场安防领域，打架行为是商场安全的重要隐患。商场作为人员密集的场所，打架行为不仅会造成人员伤亡，还会影响商场秩序，给商家和顾客带来损失。传统的人工监控方式难以及时发现和阻止打架行为，需要借助技术手段提高商场安全管理的效率。

在智慧城市建设领域，打架行为识别技术能够优化城市管理，提升城市安全水平。通过实时监测公共场所的人员行为，智慧城市系统可以及时发现异常行为，提高安全管理效率。同时，打架行为识别技术还能够用于安全预警，为城市管理提供数据支持。

传统的监控方式依赖人工盯守，不仅效率低下，而且容易出现遗漏和延迟。而通过深度学习技术对视频监控中的人物行为进行自动识别和分析，能够大幅提升异常行为的发现速度与准确率。其中，打架行为检测是异常行为识别中的关键应用场景。如何利用高质量的数据集训练出准确的检测模型，成为学术研究和实际应用中的核心问题。本文介绍的打架目标检测数据集（3000张图片已划分、已标注），正是针对这一需求而构建，为研究人员和开发者提供了一个可直接应用的实验平台。

二、数据集核心特性与架构分析

该数据集包含3000张图片，图像均来自多种真实场景和模拟场景，涵盖了多种可能发生打架的场景。以下是该数据集的核心特性分析：

graph TD
    A[打架行为识别数据集] --> B[数据规模]
    A --> C[检测类别]
    A --> D[数据质量]
    A --> E[场景多样性]
    
    B --> B1[3000张图片]
    B --> B2[训练集2400张]
    B --> B3[验证集600张]
    B --> B4[比例约4:1]
    
    C --> C1[打架人员]
    C --> C2[普通人员]
    C --> C3[2个类别]
    
    D --> D1[YOLO格式标注]
    D --> D2[人工标注]
    D --> D3[标准划分]
    
    E --> E1[校园场景]
    E --> E2[商场场景]
    E --> E3[街道场景]
    C --> E4[室内场景]

2.1 数据集基本信息

数据集的基本信息如下：

2.2 检测类别定义

数据集共包含2个检测类别：

打架人员（Fighting）

打架人员是指参与打架行为的人员，是打架行为识别的主要目标。打架人员是公共安全的重要检测对象，对于及时发现和阻止打架行为具有重要意义。打架人员的准确识别能够帮助系统及时发现打架行为，为安全预警提供数据支持。

普通人员/背景人物（Normal）

普通人员/背景人物是指未参与打架行为的普通人员，是打架行为识别的背景类别。普通人员/背景人物是公共安全的重要检测对象，对于区分打架行为和正常行为具有重要意义。普通人员/背景人物的准确识别能够帮助系统准确识别打架行为，降低误报率。

三、数据集详细内容解析

3.1 数据集概述

该数据集包含3000张图片，图像均来自多种真实场景和模拟场景，涵盖了多种可能发生打架的场景，例如：校园操场、走廊、商场、超市、街道、广场、室内公共场所。

数据集的主要特点：

已完成划分

分为训练集与验证集，方便研究者直接用于模型训练与性能评估。已完成划分能够确保模型训练与评估的科学性，提高研究效率。

高质量标注

所有图片均经过人工标注，包含清晰的目标框，确保检测模型能够精准学习。高质量标注能够为模型训练提供准确的监督信号，提升检测性能。

多样化场景

既有白天的室外环境，也有光照不足的夜间监控视频截图，增强模型的泛化能力。多样化场景有助于模型学习适应不同环境的能力，提升模型的泛化能力。

3.2 数据集详情

图片数量

3000张

标注类型

目标检测（Bounding Box）

类别数量

2类（可扩展）

• 打架人员
• 普通人员/背景人物

数据划分

• 训练集：2400张
• 验证集：600张

此外，标注文件采用YOLO与COCO通用格式，用户既可以用于YOLOv5/YOLOv8训练，也可无缝迁移到Detectron2、MMDetection等框架中。

四、数据集应用场景深度剖析

该数据集可广泛应用于以下研究与实际项目：

graph LR
    A[打架行为识别数据集] --> B[智能视频监控]
    A --> C[公共安全研究]
    A --> D[行为识别算法]
    A --> E[多模态研究]
    
    B --> B1[实时识别]
    B --> B2[报警系统]
    B --> B3[减少压力]
    
    C --> C1[城市安防]
    C --> C2[异常感知]
    B --> C3[警务支撑]
    
    D --> D1[算法验证]
    D --> D2[性能对比]
    B --> D3[模型优化]
    
    E --> E1[图像检测]
    E --> E2[动作识别]
    B --> E3[精准识别]

4.1 智能视频监控

在智能视频监控领域，利用深度学习模型实时识别打架行为，触发报警系统，减少人工巡查压力。这是数据集在智能安防领域的重要应用。通过训练目标检测模型，可以实现对打架行为的自动检测和识别。

在实际应用中，智能视频监控系统可以部署在公共场所的监控设备上，实时采集人员图像并进行打架行为分析。当检测到打架行为时，系统可以自动记录打架的时间、位置、人员等信息，并及时发出警报，提醒安保人员及时处理。这种自动检测方式大大提高了监控效率，降低了监控成本。

实时识别打架行为

通过实时采集人员图像并进行打架行为分析，实现实时识别打架行为。实时识别打架行为能够及时发现打架行为，为安全预警提供数据支持。

触发报警系统

当检测到打架行为时，自动触发报警系统。触发报警系统能够及时提醒安保人员处理打架行为，提高安全管理的效率。

减少人工巡查压力

通过自动检测打架行为，减少人工巡查的压力。减少人工巡查压力能够降低监控成本，提高监控效率。

4.2 公共安全研究

在公共安全研究领域，利用深度学习模型融入城市安防系统，提升对异常行为的感知能力，为警务系统提供技术支撑。这是数据集在公共安全领域的重要应用。通过训练目标检测模型，可以实现对异常行为的自动检测和识别。

在实际应用中，公共安全研究系统可以部署在城市的监控设备上，实时采集人员图像并进行异常行为分析。通过分析人员的行为，可以识别异常行为，提高安全管理效率。这种智能化的安全研究方式能够大幅提高安全水平，降低安全风险。

融入城市安防系统

将打架行为识别技术融入城市安防系统，提升城市安防水平。融入城市安防系统能够提高城市安全管理效率，降低安全风险。

提升异常行为感知能力

通过识别异常行为，提升对异常行为的感知能力。提升异常行为感知能力能够提高安全管理效率，降低安全风险。

为警务系统提供技术支撑

通过识别打架行为，为警务系统提供技术支撑。为警务系统提供技术支撑能够提高警务工作效率，降低安全风险。

4.3 行为识别算法研究

在行为识别算法研究领域，利用数据集验证不同目标检测算法的性能差异。这是数据集在学术研究领域的重要应用。通过使用数据集进行算法研究和性能对比，可以推动计算机视觉技术的发展。

在学术研究中，数据集可以用于验证新算法的性能，探索最优的模型架构。研究人员可以尝试不同的网络结构、损失函数、优化策略等，提升打架行为检测的性能。

验证不同目标检测算法

使用数据集验证不同目标检测算法（YOLO、Faster R-CNN、DETR等）的性能差异。验证不同目标检测算法能够帮助研究者选择最优的算法，推动算法的进步。

性能对比

对比不同算法的检测性能（mAP、FPS、Recall等），评估算法优劣。性能对比能够帮助研究者选择最优的算法，推动算法的进步。

模型优化

基于数据集进行模型优化和性能评估。模型优化能够提升模型的性能，推动算法的进步和应用。

4.4 多模态研究

在多模态研究领域，将图像检测与动作识别相结合，实现更加精准的打架行为识别与预测。这是数据集在学术研究领域的重要应用。通过使用数据集进行多模态研究，可以提升打架行为识别的准确性和鲁棒性。

在学术研究中，数据集可以用于验证多模态方法的效果，探索最优的多模态融合策略。研究人员可以尝试不同的多模态融合方法，提升打架行为识别的性能。

将图像检测与动作识别相结合

将图像检测与动作识别相结合，实现更加精准的打架行为识别。图像检测与动作识别相结合能够提升打架行为识别的准确性，具有重要的研究价值。

实现更加精准的打架行为识别与预测

通过多模态融合，实现更加精准的打架行为识别与预测。精准的打架行为识别与预测能够提高安全管理的效率，降低安全风险。

五、实践心得与经验总结

打架目标检测数据集的发布，为异常行为识别和公共安全监控提供了宝贵的研究素材。它不仅能够帮助科研人员验证新的模型算法，也能加速安防企业将AI技术落地应用于实际监控场景。

在整理和使用这个打架行为识别数据集的过程中，有以下几点体会：

5.1 场景多样性的重要性

数据集包含校园操场、走廊、商场、超市、街道、广场、室内公共场所等多种场景。场景多样性有助于模型学习适应不同环境的能力，提升模型的泛化能力。

5.2 光照条件多样性的价值

数据集既有白天的室外环境，也有光照不足的夜间监控视频截图。光照条件多样性有助于模型学习适应不同光照条件的能力，提升模型的鲁棒性。

5.3 标注精确性的重要性

所有图片均经过人工标注，包含清晰的目标框，确保检测模型能够精准学习。标注精确性能够为模型训练提供准确的监督信号，提升检测性能。

5.4 数据划分的科学性

数据集按照标准比例划分为训练集和验证集，确保模型训练与评估的科学性。科学的数据划分能够确保模型训练与评估的独立性和可靠性。

5.5 公共安全应用价值的重要性

打架行为识别技术具有重要的公共安全应用价值。通过自动识别打架行为，可以及时发现和阻止打架行为，提高安全管理效率。这种技术能够为公共安全提供有力支撑，推动智能安防的发展。

六、未来发展方向与展望

未来，随着数据规模的扩展和标签的细化（如"推搡"、"挥拳"、"多人群殴"），该数据集有望成为暴力行为检测研究的标准基准，推动智能安防走向更高水平。

数据集可以从以下几个方向进行扩展和优化：

一是增加更多样本数量，提升模型的泛化能力；二是增加更多打架行为类型，如更多种类的打架行为，提供更全面的打架行为描述；三是增加更多场景和环境的样本，如不同季节、不同天气条件、不同时间段等，提升模型的泛化能力；四是引入多模态数据，如视频数据、音频数据等，提供更丰富的打架行为信息；五是添加动作序列标注，支持打架行为识别和预测。

此外，还可以探索数据集与其他行为数据集的融合，构建更全面的行为知识库。通过整合打架行为数据、异常行为数据、正常行为数据等，可以构建更智能的行为决策支持系统，为公共安全和智能安防提供更强大的数据支撑。

随着人工智能技术的不断发展，打架行为识别技术将朝着更高精度、更强鲁棒性、更智能化的方向发展。数据集作为技术发展的基石，将持续发挥重要作用，推动打架行为识别技术的进步和应用落地。

七、数据集总结

数据集名称：打架行为识别数据集

图片总数：3000张

任务类型：目标检测

推荐模型：YOLO / MMDetection / PaddleDetection

该数据集包含3000张图片，图像均来自多种真实场景和模拟场景，涵盖了多种可能发生打架的场景。

该数据集为AI研究者与开发者提供了一个高质量的打架行为识别任务起点。无论你是刚入门的深度学习初学者，还是希望优化模型性能的研究者，该数据集都能助你快速构建高精度的检测系统。

通过本数据集，你可以快速构建出具有实际应用价值的检测模型，为后续的算法优化与项目部署打下坚实基础。未来，我们将持续更新数据集内容，拓展更多复杂场景与多类别标注，助力AI研究者在目标检测与公共安全领域取得更高成果。

厨房食品卫生安全检测数据集：智能餐饮与食品安全保障的视觉卫士

数据集分享链接

链接:https://pan.baidu.com/s/1rRHh2mJthhUAsNOrEGHxRg?pwd=r7q2

提取码:r7q2 复制这段内容后打开百度网盘手机App，操作更方便哦

一、智能餐饮与食品安全的时代背景

在餐饮行业中，食品卫生安全始终是重中之重。从厨房环境到工作人员行为，任何细节的疏忽都有可能带来食品安全隐患。食品安全问题不仅关系到消费者的健康，还关系到餐饮企业的声誉和生存发展。近年来，食品安全事件频发，给消费者带来了严重的健康威胁，也给餐饮企业造成了巨大的经济损失。

在传统餐饮管理中，食品安全监管主要依赖人工巡查和抽检，存在效率低下、覆盖面有限、易受人为因素影响等问题。人工巡查难以及时发现违规行为，抽检只能覆盖有限的时间和空间，难以及时发现食品安全隐患。因此，如何利用技术手段提高食品安全监管的效率和准确性，成为餐饮行业面临的重要挑战。

随着计算机视觉与人工智能技术的广泛应用，利用目标检测模型自动识别厨房安全风险成为可能。通过部署摄像头并结合AI算法，可以自动检测厨房中的违规行为，如厨师未戴帽子、未佩戴口罩、存在烟雾或垃圾溢出等问题，从而在源头保障食品安全。这种智能化的检测方式能够大幅提高食品安全监管的效率，降低监管成本，提升监管的准确性和及时性。

在智能餐饮领域，厨房食品卫生与安全检测技术能够优化餐饮管理，提升食品安全水平。通过实时监测厨房环境和工作人员行为，智能餐饮系统可以及时发现违规行为，提高食品安全监管的效率。同时，厨房食品卫生与安全检测技术还能够用于安全预警，为餐饮管理提供数据支持。

在食品安全监管领域，厨房食品卫生与安全检测技术能够优化食品安全监管，提升食品安全水平。通过实时监测厨房环境和工作人员行为，食品安全监管系统可以及时发现违规行为，提高食品安全监管的效率。同时，厨房食品卫生与安全检测技术还能够用于安全预警，为食品安全监管提供数据支持。

在公共卫生领域，厨房食品卫生与安全检测技术能够优化公共卫生管理，提升公共卫生水平。通过实时监测厨房环境和工作人员行为，公共卫生管理系统可以及时发现违规行为，提高公共卫生管理的效率。同时，厨房食品卫生与安全检测技术还能够用于安全预警，为公共卫生管理提供数据支持。

为了推动该方向的AI模型落地，我们整理并发布了一个厨房食品卫生与安全检测数据集（14类、18万张图片），专为目标检测任务（YOLO系列）设计，助力科研人员与企业快速构建实用的智能监控系统。

二、数据集核心特性与架构分析

该数据集包含18万张高质量图像，全面覆盖厨房环境中与卫生安全相关的场景与目标，共划分为14个检测类别。以下是该数据集的核心特性分析：

graph TD
    A[厨房食品卫生安全检测数据集] --> B[数据规模]
    A --> C[检测类别]
    A --> D[数据质量]
    A --> E[场景多样性]
    
    B --> B1[18万张图片]
    B --> B2[训练集151950张]
    B --> B3[验证集27850张]
    B --> B4[比例约5:1]
    
    C --> C1[人员行为]
    C --> C2[卫生状况]
    C --> C3[安全隐患]
    C --> C4[14个类别]
    
    D --> D1[YOLO格式标注]
    D --> D2[640x640尺寸]
    D --> D3[精准标注]
    
    E --> E1[真实厨房]
    E --> E2[合成图像]
    C --> E3[多场景覆盖]

2.1 数据集基本信息

数据集的基本信息如下：

2.2 检测类别定义

数据集共包含14个检测类别，分为人员行为、卫生状况、安全隐患三大类：

人员行为类别

人员行为类别是指厨房工作人员的行为规范，包括：发网、无手套、无帽子、有口罩、无口罩、电话、制服、帽子。人员行为是厨房卫生安全的重要检测对象，对于保障食品安全具有重要意义。人员行为的准确识别能够帮助系统及时发现违规行为，提高食品安全监管的效率。

卫生状况类别

卫生状况类别是指厨房环境的卫生状况，包括：蟑螂、老鼠、垃圾、垃圾桶。卫生状况是厨房卫生安全的重要检测对象，对于保障食品安全具有重要意义。卫生状况的准确识别能够帮助系统及时发现卫生问题，提高食品安全监管的效率。

安全隐患类别

安全隐患类别是指厨房环境的安全隐患，包括：烟雾、溢出。安全隐患是厨房卫生安全的重要检测对象，对于保障食品安全具有重要意义。安全隐患的准确识别能够帮助系统及时发现安全隐患，提高食品安全监管的效率。

三、数据集详细内容解析

3.1 数据集概述

该数据集包含18万张高质量图像，全面覆盖厨房环境中与卫生安全相关的场景与目标，共划分为14个检测类别。数据集中每张图像均配有精准标注，可直接用于训练YOLOv8、YOLOv5、DETR等主流检测模型。

类别信息

数据划分情况

数据集比例约为5:1，保证模型训练与验证的平衡性。

3.2 数据集详情

数据集在采集与标注阶段经过严格筛选，确保每类样本都具有代表性与多样性：

采集方式

包含真实厨房监控截图、合成图像与半监督增强样本。采集方式的多样性有助于模型学习适应不同场景的能力，提升模型的泛化能力。

图像尺寸

统一为640×640，支持YOLO系列模型直接输入。图像尺寸的统一性能够降低模型训练的复杂度，提高训练效率。

标注格式

YOLO标准TXT格式（class x_center y_center width height）。标注格式的标准化能够降低使用门槛，使更多研究者能够使用该数据集进行研究和开发。

配置文件

已提供data.yaml文件，结构清晰可直接加载。配置文件的提供能够降低使用门槛，使更多研究者能够使用该数据集进行研究和开发。

类别数量

14类完整映射。类别数量的完整性能够为模型训练提供全面的监督信号，提升检测性能。

文件结构示例

detect_kitchen/
├── train/
│   ├── images/
│   └── labels/
├── valid/
│   ├── images/
│   └── labels/
├── data.yaml

data.yaml示例

train: /path/to/detect_kitchen/train/images
val: /path/to/detect_kitchen/valid/images

nc: 14
names: [ 'cockroach','hairnet','no_gloves','no_hat','rat','with_mask','without_mask','smoke','phone','overflow','garbage','garbage_bin','chef_uniform','chef_hat' ]

四、数据集应用场景深度剖析

该数据集不仅适用于科研实验，也可直接用于商用AI系统开发，典型应用包括：

graph LR
    A[厨房食品卫生安全检测数据集] --> B[厨房卫生检测]
    A --> C[食品加工监控]
    A --> D[害虫监控报警]
    A --> E[安全防控]
    A --> F[教学竞赛]
    
    B --> B1[规范佩戴]
    B --> B2[行为识别]
    B --> B3[违规检测]
    
    C --> C1[实时检测]
    C --> C2[违规行为]
    B --> C3[视频监控]
    
    D --> D1[害虫检测]
    D --> D2[智能报警]
    B --> D3[卫生监控]
    
    E --> E1[烟雾检测]
    E --> E2[溢出检测]
    B --> E3[风险预警]
    
    F --> F1[AI教学]
    F --> F2[竞赛数据]
    B --> F3[研究支持]

4.1 厨房卫生检测系统

在厨房卫生检测系统领域，利用深度学习模型自动识别厨师是否规范佩戴帽子、口罩、手套。这是数据集在智能餐饮领域的重要应用。通过训练目标检测模型，可以实现对厨房工作人员行为的自动检测和识别。

在实际应用中，厨房卫生检测系统可以部署在厨房的监控设备上，实时采集厨房图像并进行工作人员行为分析。当检测到违规行为时，系统可以自动记录违规的时间、位置、人员等信息，并及时发出警报，提醒管理人员及时处理。这种自动检测方式大大提高了监控效率，降低了监控成本。

规范佩戴检测

通过检测厨师是否规范佩戴帽子、口罩、手套，识别违规行为。规范佩戴检测能够提高食品安全监管的效率，降低食品安全风险。

行为识别

通过识别厨师的行为，识别违规行为。行为识别能够提高食品安全监管的效率，降低食品安全风险。

违规检测

通过检测违规行为，提高食品安全监管的效率。违规检测能够提高食品安全监管的效率，降低食品安全风险。

4.2 食品加工车间视频监控

在食品加工车间视频监控领域，利用深度学习模型实时检测违规行为，如使用手机、垃圾溢出等。这是数据集在智能餐饮领域的重要应用。通过训练目标检测模型，可以实现对食品加工车间的自动监控和识别。

在实际应用中，食品加工车间视频监控系统可以部署在车间的监控设备上，实时采集车间图像并进行违规行为分析。当检测到违规行为时，系统可以自动记录违规的时间、位置、人员等信息，并及时发出警报，提醒管理人员及时处理。这种自动检测方式大大提高了监控效率，降低了监控成本。

实时检测违规行为

通过实时采集车间图像并进行违规行为分析，实现实时检测违规行为。实时检测违规行为能够及时发现违规行为，提高食品安全监管的效率。

使用手机检测

通过检测厨师是否使用手机，识别违规行为。使用手机检测能够提高食品安全监管的效率，降低食品安全风险。

垃圾溢出检测

通过检测垃圾是否溢出，识别卫生问题。垃圾溢出检测能够提高食品安全监管的效率，降低食品安全风险。

4.3 害虫监控与智能报警

在害虫监控与智能报警领域，利用深度学习模型检测蟑螂、老鼠等不卫生目标。这是数据集在智能餐饮领域的重要应用。通过训练目标检测模型，可以实现对厨房害虫的自动检测和识别。

在实际应用中，害虫监控与智能报警系统可以部署在厨房的监控设备上，实时采集厨房图像并进行害虫检测分析。当检测到害虫时，系统可以自动记录害虫的时间、位置等信息，并及时发出警报，提醒管理人员及时处理。这种自动检测方式大大提高了监控效率，降低了监控成本。

害虫检测

通过检测蟑螂、老鼠等害虫，识别卫生问题。害虫检测能够提高食品安全监管的效率，降低食品安全风险。

智能报警

当检测到害虫时，自动发出警报。智能报警能够及时提醒管理人员处理害虫问题，提高食品安全监管的效率。

卫生监控

通过检测害虫，监控厨房卫生状况。卫生监控能够提高食品安全监管的效率，降低食品安全风险。

4.4 安全防控

在安全防控领域，利用深度学习模型检测烟雾、溢出等火灾或泄漏风险。这是数据集在智能餐饮领域的重要应用。通过训练目标检测模型，可以实现对厨房安全隐患的自动检测和识别。

在实际应用中，安全防控系统可以部署在厨房的监控设备上，实时采集厨房图像并进行安全隐患检测分析。当检测到安全隐患时，系统可以自动记录安全隐患的时间、位置等信息，并及时发出警报，提醒管理人员及时处理。这种自动检测方式大大提高了监控效率，降低了监控成本。

烟雾检测

通过检测烟雾，识别火灾风险。烟雾检测能够提高安全防控的效率，降低安全风险。

溢出检测

通过检测溢出，识别泄漏风险。溢出检测能够提高安全防控的效率，降低安全风险。

风险预警

通过检测安全隐患，发出风险预警。风险预警能够及时提醒管理人员处理安全隐患，提高安全防控的效率。

4.5 AI教学与竞赛数据集

在AI教学与竞赛数据集领域，数据集非常适合目标检测、模型压缩、迁移学习等方向研究。这是数据集在学术研究领域的重要应用。通过使用数据集进行算法研究和性能对比，可以推动计算机视觉技术的发展。

在学术研究中，数据集可以用于验证新算法的性能，探索最优的模型架构。研究人员可以尝试不同的网络结构、损失函数、优化策略等，提升厨房食品卫生与安全检测的性能。

目标检测研究

使用数据集进行目标检测研究，验证新算法的性能。目标检测研究能够推动算法的进步和应用。

模型压缩研究

研究模型压缩技术，提升模型的推理速度。模型压缩研究能够推动算法的进步和应用。

迁移学习研究

研究迁移学习技术，提升模型的泛化能力。迁移学习研究能够推动算法的进步和应用。

五、YOLO目标检测训练示例

使用Ultralytics的YOLO框架，可以快速启动训练流程：

yolo detect train model=yolov8n.pt data=detect_kitchen/data.yaml batch=32 epochs=100 imgsz=640 device=cuda

5.1 参数说明

• model=yolov8n.pt：选择轻量化模型
• data=detect_kitchen/data.yaml：指定数据集配置
• batch=32：每次训练的批次大小
• epochs=100：训练轮数
• imgsz=640：输入图像大小
• device=cuda：启用GPU加速

5.2 训练输出结果示例

模型在验证集上表现优异，能够准确识别多种厨房安全隐患。

六、实践心得与经验总结

随着AI技术的成熟，智能食品安全检测正逐渐成为餐饮行业数字化升级的重要环节。本数据集的发布，旨在为开发者提供一个高质量、实用的研究基础，加速AI在食品安全、公共卫生监管、工业视觉等领域的应用落地。

在整理和使用这个厨房食品卫生与安全检测数据集的过程中，有以下几点体会：

6.1 数据规模的重要性

数据集包含18万张高质量图像，大规模数据能够为模型训练提供充足的样本，提升模型的泛化能力。数据规模的重要性在于能够为模型训练提供充足的监督信号，提升检测性能。

6.2 类别多样性的价值

数据集包含14个检测类别，涵盖人员行为、卫生状况、安全隐患等多个方面。类别多样性能够为模型训练提供全面的监督信号，提升检测性能。

6.3 标注精确性的重要性

数据集中每张图像均配有精准标注，标注精确性能够为模型训练提供准确的监督信号，提升检测性能。

6.4 数据划分的科学性

数据集按照标准比例划分为训练集和验证集，确保模型训练与评估的科学性。科学的数据划分能够确保模型训练与评估的独立性和可靠性。

6.5 食品安全应用价值的重要性

厨房食品卫生与安全检测技术具有重要的食品安全应用价值。通过自动检测厨房卫生与安全问题，可以及时发现违规行为和安全隐患，提高食品安全监管的效率。这种技术能够为食品安全提供有力支撑，推动智能餐饮的发展。

七、未来发展方向与展望

未来，我们将持续扩展场景类别，增加实时视频样本与实例分割标注，推动厨房智能检测系统向更高精度、更强鲁棒性发展。

数据集可以从以下几个方向进行扩展和优化：

一是增加更多样本数量，提升模型的泛化能力；二是增加更多类别，如更多种类的厨房卫生与安全问题，提供更全面的厨房卫生与安全描述；三是增加更多场景和环境的样本，如不同季节、不同天气条件、不同时间段等，提升模型的泛化能力；四是引入多模态数据，如视频数据、音频数据等，提供更丰富的厨房信息；五是添加实例分割标注，支持更精细的检测和分析。

此外，还可以探索数据集与其他食品安全数据集的融合，构建更全面的食品安全知识库。通过整合厨房数据、食品加工数据、食品安全数据等，可以构建更智能的食品安全决策支持系统，为食品安全和智能餐饮提供更强大的数据支撑。

随着人工智能技术的不断发展，厨房食品卫生与安全检测技术将朝着更高精度、更强鲁棒性、更智能化的方向发展。数据集作为技术发展的基石，将持续发挥重要作用，推动厨房食品卫生与安全检测技术的进步和应用落地。

八、数据集总结

数据集名称：厨房食品卫生与安全检测14类数据集

图片总数：18万张

任务类型：目标检测

推荐模型：YOLO / RT-DETR / Faster R-CNN

该数据集包含18万张高质量图像，全面覆盖厨房环境中与卫生安全相关的场景与目标，共划分为14个检测类别。

该数据集为AI研究者与开发者提供了一个高质量的厨房食品卫生与安全检测任务起点。无论你是刚入门的深度学习初学者，还是希望优化模型性能的研究者，该数据集都能助你快速构建高精度的检测系统。

通过本数据集，你可以快速构建出具有实际应用价值的检测模型，为后续的算法优化与项目部署打下坚实基础。未来，我们将持续更新数据集内容，拓展更多复杂场景与多类别标注，助力AI研究者在目标检测与食品安全领域取得更高成果。

Windows Server 2022 OVF (2026 年 2 月更新) - VMware 虚拟机模板

Windows Server 2022 Datacenter x64 OVF, updated Feb 2026 (sysin)

请访问原文链接：https://sysin.org/blog/windows-server-2022-ovf/ 查看最新版。原创作品，转载请保留出处。

作者主页：sysin.org

现在都是自动 sysprep 的版本，版本同步更新。

Windows Server 2022 Datacenter x64 Chinese Simplified / English

Version 21H2, updated Feb 2026

Windows Server 2022

部署截图及说明

CPU 和内存配置选项，可以部署完毕后任意编辑

注：本例截图来自 Fusion，在 vSphere 和 Workstation 中展现样式略有差异，内容相同。

请注意：

1.1 此处密码必须符合复杂性要求（系统默认值）

密码必须符合下列最低要求：

• 不能包含用户的帐户名，不能包含用户姓名中超过两个连续字符的部分
• 至少有六个字符长

• 包含以下四类字符中的三类字符：

  • 英文大写字母 (A 到 Z)
  • 英文小写字母 (a 到 z)
  • 10 个基本数字 (0 到 9)
  • 非字母字符 (例如 !、$、#、%)
• 在更改或创建密码时执行复杂性要求

1.2 删除内置的 sysadmin 账号（此项设置已经不存在，无任何其他非默认账号）

2.2 子网掩码前缀使用 CIDR 表示法，例如掩码 255.255.255.0 填写 24

2.5 Hostname：计算机名称

因部分读者不知道计算机名称怎么填写而报错，这里增加一个计算机名称的描述。

计算机名称包括 NetBIOS 名称和 DNS 名称，MS 官方规则稍显复杂，这里简单概括或者建议使用如下规则：

• 长度 1-15 个字符
• 字符使用三种类型或其组合：字母字符 (A-Z，不区分大小写) 、数字字符 (0-9) 、减号或称连字符 (-)
• 推荐 3 种示例：全部字母，字母和数字组合，字母-数字或者数字-字母（中间允许多个-）
• 不要全部用数字（NetBIOS 名称可以支持，但 DNS 名称不允许）

如果使用 DHCP 配置，计算机名称将自动随机生成格式如 WIN-xxxxxxxxxxx。

OVF 特性

1. OVF 版本

1. 默认 VM 硬件版本 11（GuestOS ID 最低要求 10，可升级至最新版），兼容 ESXi 6.0、Fusion 7、Workstation 11 及以上；
2. 启用 CPU、内存热插拔 (sysin)
3. VM-Tools 版本：13.0.10.0（当前）✝️➕ 版本更新

2. 系统配置

1. 时间和货币格式：Chinese (Simplified, China)，默认键盘和输入方法：简体中文 - 美式键盘（US）
2. 系统版本：Windows Server 2022 Datacenter, with DesktopExperience
3. 分区：System Reserve（100M），Recovery Partition（550M）移到 C 盘之前，C 盘 40G 整数分区（可自由调整），2022年6月及以后的版本已删除恢复分区
4. 启用远程桌面 (sysin)
5. 启用 ICMPv4 防火墙规则
6. 早期版本添加了名为 sysadmin 的管理员账号，现在已经取消该项配置
7. 添加了 “Command Prompt” 和 “PowerShell” 右键快捷命令菜单（增加图标）
8. 修改 Windows Update 为手动（可通过 sconfig 恢复，禁用或者启用服务无效）
9. 添加了 “FileHash” 右键快捷命令菜单（内置 PowerShell 命令实现）
10. 关闭 Telemetry（遥测）
11. 设置 Administrator 账号密码永不过期（默认 sysprep 后密码会过期）✝️➕ 新增
12. 禁用 “Azure Arc Setup” 自动运行 ✝️➕ 新增
13. 已禁用 Windows Update，通过 Windows Update Blocker ✝️➕ 新增

3. 中英文界面语言切换

提示：该项功能已弃用。

英文版添加了简体中文界面语言支持，切换方法如下：

Settings > Time & Language > Language, Windows Display Languages 下拉勾选 ”Chinese (Simplified, China)”

注销登录或者重启生效。

另外，如果再次运行 sysprep，欢迎画面也会提示选择语言（“English” 或者 “中文(简体)”）。

重要更新：

2023 年 6 月更新开始，将提供英文版和简体中文版两个独立版本，根据近期的用户反馈，发现了官方产品存在重大 bug：系统文件每月都有一定的更新，但是语言包从未更新（或未同步更新），无论是在线更新语言包或者离线从 iso 安装。这将导致切换到简体中文界面语言后，系统及其自带的应用程序（部分）或报错或功能异常。

4. OEM BIOS 支持

支持 Dell OEM 2.6 及以上版本的 BIOS。推荐使用本站 VMware 定制版启用完整功能，参看下述 “适用的 VMware 软件下载”。

💡 特别提示：这里的 OEM BIOS 是软件技术，并非硬件的 BIOS，可适用于任何品牌的计算机，以及任意兼容机。标题中的 Dell 只是采用了最流行的 Dell 产品技术方案。

💡 特别提示：这里的 OEM BIOS 是软件技术，并非硬件的 BIOS，可适用于任何品牌的计算机，以及任意兼容机。标题中的 Dell 只是采用了最流行的 Dell 产品技术方案。

5. 系统组件

1. 添加组件：Telnet Client、SNMP-Service、Windows Backup
2. 添加组件：.NETFX 3.5 (启用此组件需要系统 ISO 映像，这里预先配置)

6. 远程桌面性能优化

1. 禁用 Logon Backgroud

   echo 个性化设置：禁用登录背景 Logon Image
   reg add "HKEY_LOCAL_MACHINE\Software\Policies\Microsoft\Windows\System" /v DisableLogonBackgroundImage /t REG_DWORD /d 1 /f

2. 更换 Lock Screen 为默认蓝色

   echo 个性化设置：禁用设置中 Lock Screen 功能
   reg add "HKEY_LOCAL_MACHINE\SOFTWARE\Policies\Microsoft\Windows\Personalization" /v NoLockScreen /t REG_DWORD /d 1 /f

3. 替换 Desktop Backgroud 为灰色

7. 应用软件

1. AutoRuns 14.0、7-Zip 26.00、Unlocker 1.9.2（全部为免费软件） ✝️➕ 版本更新
2. 浏览器：Firefox 140，通过策略禁用自动更新，默认为所有用户添加开始菜单和桌面快捷方式 ✝️➕ 版本更新
3. Defender Control，可以快速禁用 Windows Defender（快捷方式在开始菜单）✝️➕ 新增
4. Windows Update Blocker，可以快速禁用系统自动更新（快捷方式在开始菜单）✝️➕ 新增

说明：以上软件版本描述的是更新版本，旧版 OVF 包含的版本可能略低。

8. 个性化配置

1. 用户配置（此项配置 sysprep 后无效）

   echo 个性化配置：标题栏显示颜色（仅针对当前用户有效，针对计算机设置无效）（此项可通过 Load Hive 预先配置）
   reg add "HKEY_CURRENT_USER\SOFTWARE\Microsoft\Windows\DWM" /v ColorPrevalence /t REG_DWORD /d 1 /f

2. 几个关于隐私和使用记录的配置，通过 HKEY_LOCAL_MACHINE 预先配置

   echo 个性化配置：Turn off to Show recently opened items in Jump Lists on Start or the taskbar
   reg add "HKEY_LOCAL_MACHINE\Software\Microsoft\Windows\CurrentVersion\Explorer\Advanced" /v Start_TrackDocs /t REG_DWORD /d 0 /f
   
   echo Folder Options：Open File Explorer to: This PC
   reg add "HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Explorer\Advanced" /v LaunchTo /t REG_DWORD /d 1 /f
   
   echo Folder Options：Turn off to Show recently used files in Quick access
   reg add "HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Explorer" /v ShowRecent /t REG_DWORD /d 0 /f
   
   echo Folder Options：Turn off to Show frequently used folders in Quick access
   reg add "HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Explorer" /v ShowFrequent /t REG_DWORD /d 0 /f

9. 关于 GuestOS ID

GuestOS ID 默认为 Windows Server 2016 or later，因为需要兼容低版本的 VM Hardware，否则将无法识别 GuestOS，对于支持高版本 VM Hardware 的环境，可以在导入后手动选择。当然也可以忽略，因为目前为止 Windows Server 2016、2019、2022 实际都是 windows9Server64Guest（Windows 10 Server）。

10. sysprep

✝️➕ 新特性

本次更新开始将自动运行 sysprep，生成新的 sid。如果手动配置计算机名称和 IP 地址，系统初始化将重启两次。如果使用 DHCP 配置，计算机名称将自动随机生成格式如 WIN-xxxxxxxxxxx。

适用的 VMware 软件下载

建议在以下版本的 VMware 软件中运行（Linux OVF 无需本站定制版可以正常运行，macOS 虚拟化如果不是 Mac 必须使用定制版才能运行，Windows OVF 需要定制版才能启用完整功能）：

• VMware vSphere：

  • VMware ESXi 9 or with driver & vCenter Server 9 & VCF Operations 9
  • VMware ESXi 8 or with driver & vCenter Server 8
  • VMware ESXi 7 or with driver & vCenter Server 7
• macOS：VMware Fusion
• Linux：VMware Workstation for Linux
• Windows：VMware Workstation for Windows

OVF 版本兼容性和部署方式

默认使用 VM 硬件版本 11（GuestOS ID 最低要求 10，可升级至最新版），兼容 ESXi 6.0、Fusion 7、Workstation 11、Player 7 及以上版本。

支持通过以下客户端部署：

• VMware Fusion for Mac：12、13 及更新版本（推荐版本 13 及以上）
• VMware Workstation for Windows & Linux：16、17 及更新版本（推荐版本 17 及以上）
• VMware vSphere（vSphere Client）：7.0、8.0、9.0 及更新版本（推荐 7.0U3 及以上）
• ESXi Host Client：内置于 ESXi 7.0U3、8.0、9.0 及更新版本（推荐版本 2.10.1 及以上）

部分已经废弃的客户端如 vSphere Web Cleint（Flash），以及上述客户端旧版不建议使用。

客户端系统和软件要求：

• 支持的客户端操作系统

  • macOS（推荐 macOS Sequoia、macOS Sonoma、macOS Ventura）
  • Windows 32-bit (x86) and 64-bit (x64)（推荐 Windows 10、Windows 11、Windows Server 2022、Windows Server 2025）

  主流 Linux 桌面发行版理论上支持，未经官方验证。

• 支持以下浏览器版本【下载】

  • Google Chrome 89 or later
  • Mozilla Firefox 80 or later
  • Apple Safari 9.0 or later (仅限 Host Client)

下载地址

保留最近三个版本。

Windows Server 2022 LTSC Datacenter x64 Chinese Simplified / English (updated Feb 2026)，现在自动运行 sysprep

• 请访问：https://sysin.org/blog/windows-server-2022-ovf/

原版下载：Windows Server 2022 中文版、英文版下载 (2026 年 2 月更新)

更多：VMware 产品下载汇总