parvazeahamed116-crypto/AI-Powered-Autonomous-Surveillance-and-Command-System-

运行边境监控系统 1. 克隆仓库 git clone https://github.com/your-username/Aegis-X.git cd Aegis-X 2. 创建虚拟环境 Windows python -m venv venv venv\Scripts\activate Linux / macOS python3 -m venv venv source venv/bin/activate 3. 安装所需依赖 pip install -r requirements.txt 如果没有 requirements.txt 文件： pip install ultralytics pip install opencv-python pip install fastapi pip install uvicorn pip install langgraph pip install groq pip install python-jose pip install python-dotenv pip install google-genai pip install langchain-core 4. 配置环境变量 在项目根目录下创建一个 .env 文件。 GOOGLE_API_KEY=your_google_api_key TAVILY_API_KEY=your_tavily_api_key GROQ_API_KEY=your_groq_api_key 5. 下载训练好的 YOLOv8 模型 将训练好的模型文件放入： models/ └── aegis_yolo_v8.pt 6. 验证项目结构 Aegis-X/ │ ├── models/ │ └── aegis_yolo_v8.pt │ ├── backend/ │ ├── inference.py │ ├── api.py │ ├── security.py │ └── config.py │ ├── frontend/ │ ├── .env ├── requirements.txt └── README.md 7. 启动 FastAPI 服务器 uvicorn api:app --reload 预期输出： INFO: Uvicorn running on http://127.0.0.1:8000 8. 打开 API 文档 访问： http://127.0.0.1:8000/docs FastAPI 会自动生成交互式 API 文档。 9. 启动实时智能流 打开浏览器并访问： http://127.0.0.1:8000/v1/stream/intelligence 输出示例： { "agent": "Supervisor", "thought": "Weapon detected at Sector 4. Initiating deep scan...", "severity": "CRITICAL" } 10. 运行监控检测模块 python inference.py 系统将会： 加载自定义 YOLOv8 模型 分析传入的摄像头帧 检测武器和可疑物体 生成威胁警报 将检测结果转发至 AI Agent Framework 11. 启动指挥中心仪表板 python dashboard.py 仪表板显示： 实时摄像头画面 入侵者检测边界框 威胁严重程度 区域信息 AI 生成的威胁评估 历史威胁日志 12. 系统工作流 摄像头画面 │ ▼ YOLOv8 威胁检测 │ ▼ AI Supervisor Agent │ ▼ 风险评估 │ ▼ 威胁分类 │ ▼ 实时警报 │ ▼ 指挥中心仪表板 预期输出 正常监控状态 系统在线 无活动威胁 今日威胁：0 严重警报：0 检测到威胁状态 检测到武器 区域：4 严重程度：CRITICAL 状态：检测到入侵者 警报已成功生成 停止应用程序 按下： CTRL + C 以终止 FastAPI 服务器及所有正在运行的监控服务。

标签：AI自主监控, AV绕过, FastAPI, LangChain, YOLOv8, 多智能体, 计算机视觉, 轻量级, 边境安防, 逆向工具