简介监控视角下的教室人头密集场景目标检测数据集类别为head已整理为约2000个YOLO格式标注文件面向需要训练人头检测模型的研究者与开发者可直接用于YOLOv5、YOLOv8等模型训练。数据包为7z压缩格式大小173.21MB共2000个文件1999个txt标注文件记录目标框坐标与类别另含1个show.py脚本运行即可可视化标注结果便于核对数据质量。目前已有154人学习下载。作者已按训练集、验证集、测试集完成数据划分省去自行切分的步骤结合其YOLOv5改进实战系列可进一步了解密集场景下的算法调优思路。适用于教室人数统计、人员分布监测、考勤管理等教育场景也可迁移至其他同类密集人群检测任务。1. 监控视角下的教室人头密集图像目标检测约2000张YOLO格式标注数据到底够不够用教室人头密集图像目标检测听上去是标准的目标检测任务但真正在监控视角下做过一次就会明白这是一类被“密集”和“俯拍”两个词改了规则的问题。你拿到的这份数据是约2000张已标注、YOLO格式的教室监控画面目标是检测画面里的每一个人头数据规模不大不小类别通常只有一类。这套数据可以支撑做课堂考勤、教室人员统计、安全预警这类应用但它不会因为你用的是YOLO就自动好用。先给结论2000张标注数据在单一教室场景里完全够训练但直接套用通用检测管线跑监控画面漏检率会高到让你怀疑标注质量。问题多半不在数据而在输入分辨率、锚框配比和推理策略上。2. 教室密集人头场景为什么让通用YOLO模型翻车先看清三个检测瓶颈监控视角下的教室跟自然场景行人检测最大的区别是摄像头装在教室前上方往下俯拍人头目标小、相互遮挡、排列密集。通用YOLO模型在COCO上表现不错但COCO里很少有这种大量同尺度目标挤在一起的画面。所以训练之前先花点时间搞清楚这类场景的三个检测瓶颈后面调参才不会像无头苍蝇。2.1 俯拍视角下的人头目标只有十几个像素用小目标尺度分布统计脚本看数据真相教室监控一般是1080p甚至更高分辨率一个坐在后排的人头在整幅画面里的宽度往往只有20到40个像素。对比COCO数据集里常见的行人框动辄一两百像素宽这种尺度差异直接决定了模型预测层要关注的锚框尺寸。拿到标注数据第一步我建议先统计标注框的尺寸分布而不是直接开训。下面这个脚本会把数据集中所有标注框的宽度和面积统计出来并计算小目标占比# 统计监控视角数据集中标注框的像素尺寸分布判断小目标占比 import os from glob import glob def analyze_labels(label_dir, img_w1920, img_h1080): areas, widths [], [] for txt in glob(os.path.join(label_dir, *.txt)): with open(txt, r, encodingutf-8) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue _, cx, cy, w, h parts # YOLO标签是归一化坐标乘回原图尺寸得到实际像素 w_px, h_px float(w) * img_w, float(h) * img_h widths.append(w_px) areas.append(w_px * h_px) total len(areas) if total 0: print(没有找到有效标注框) return small sum(1 for a in areas if a 32 * 32) # 按COCO小目标口径统计 print(f标注框总数: {total}) print(f低于 32x32 的小目标占比: {small / total:.1%}) print(f标注框平均宽度: {sum(widths) / total:.1f} px) analyze_labels(datasets/classroom/labels/train)脚本逻辑很简单YOLO标签里存的 cx、cy、w、h 都是相对于原图的归一化值乘回1920和1080之后才能看出人头在真实画面里有多大。如果小目标占比超过50%说明后续训练必须把输入分辨率提上去或者考虑切图推理。如果平均框宽在40像素以下那COCO预训练模型的鳄框预设基本用不上。2.2 人头互相遮挡导致候选框高度重叠NMS 抑制带来的漏检教室后排人头密集排布相邻人头的检测框IoU经常达到0.5以上。这里有一个反直觉的坑很多人以为调低NMS的IoU阈值就能减少重叠框、让结果更干净但在密集人头场景里调低IoU阈值反而会把大量真实人头框直接抑制掉。因为预测框和相邻真实人头框高度重叠NMS排序后置信度稍低的那个会被当成重复框干掉。现象通常是这样模型训练完单张图里零散的人头都检出来了但后排密集区域永远比实际人数少一大截。你去看预测结果发现被漏掉的人头旁边往往有一个置信度更高的误检框。监控视角下的人头检测NMS的IoU阈值我一般设在0.5到0.6之间而不是目标检测常用的0.45。另外要配合置信度阈值一起看密集区域通常需要把conf压到0.2左右才能把召回率拉上来代价是误检增加这时要靠后续的按区域计数或轨迹跟踪逻辑去过滤。2.3 教室光照与监控画质压缩噪声背景让模型学到假特征教室场景的光照条件其实很苛刻窗户逆光、灯管反光、投影幕布亮斑、黑板反光这些区域在画面里亮度高、纹理重很容易被模型当成“像人头”的特征。约2000张的标注数据如果全部来自同一个教室或者同一个摄像头点位模型会很快记住这个场景的背景纹理而不是真正的人头结构特征。一个有用的动作是把验证集按监控点位或教室分开不要随机划分。随机划分会让同一个教室的画面同时出现在训练集和验证集里模型靠背场景也能拿高分一换教室就原形毕露。我遇到过训练集mAP50高达0.97换到隔壁教室直接掉到0.6以下的情况原因就是背景过拟合。监控画质本身也是一个问题摄像头码流低时画面会有块状压缩噪声把这种噪声喂给模型它会学着把高频纹理都当成候选。在训练时适当增加HSV颜色增强和轻微模糊能让模型对光照变化更鲁棒。这个在第四章会给出具体参数思路。3. 用2000张YOLO格式标注数据训练教室人头检测模型选型、校验与命令拿到标注数据之后不要急着训练。约2000张的YOLO标注数据来源可能是外包标注、开源数据集或者团队内部工具产物标注格式虽然统一但数据质量不一定靠谱。先花半小时做数据体检再决定选什么模型、用什么参数跑。3.1 先做数据体检YOLO标签坐标与类别索引校验脚本第三方标注最常见的错误包括坐标归一化后越界、类别索引写错、标注框宽高为0、空标注文件等。这些错误在训练时不会直接报错但会变成梯度噪声。用下面这个脚本做一次全量校验# 校验YOLO标签文件坐标范围、类别索引、宽高合法性 import os from glob import glob NC 1 # 当前场景只有 person_head 一个类别 label_root datasets/classroom/labels/train issues [] for txt in glob(os.path.join(label_root, *.txt)): name os.path.basename(txt) with open(txt, r, encodingutf-8) as f: lines f.readlines() if not lines: issues.append((name, 空标注文件)) continue for idx, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: issues.append((name, f第{idx1}行列数不对: {line.strip()})) continue cls_id, cx, cy, w, h map(float, parts) if cls_id NC: issues.append((name, f类别索引越界: {cls_id})) if not (0 cx 1 and 0 cy 1): issues.append((name, f中心点越界: {cx},{cy})) if w 0 or h 0 or w 1 or h 1: issues.append((name, f宽高异常: {w},{h})) print(f检查文件总数: {len(glob(os.path.join(label_root, *.txt)))}) print(f发现问题文件数: {len(issues)}) for name, msg in issues[:30]: print(f{name}: {msg})脚本会输出所有异常标注便于用CVAT或LabelImg之类的工具定点复核。坐标越界通常发生在目标处于画面边缘时标注员手滑把中心点拖到画面外宽高接近1意味着一个框占满整幅画面基本是误标。这个检查在训练之前做掉能省下一整轮调试时间。3.2 模型选型为什么从 YOLOv8n 起步而不是一上来就换大模型教室人头检测是单一类别、场景封闭的小目标任务模型容量不需要太大。我的选型顺序是先用YOLOv8n跑通全流程再看mAP和显存余量决定要不要升到YOLOv8s。约2000张数据量下YOLOv8m及以上很容易过拟合尤其是背景单一的教室监控画面。模型越大并不代表检得越准更大的模型反而会把背景纹理背下来。预训练权重建议用COCO版本。YOLO库自带下载接口第一次运行会自动拉取权重文件网络慢的话就手动下载后放到缓存目录里路径在运行时命令行会打印出来。用COCO预训练而不是从头训练是因为人头在COCO里属于person类别的局部结构模型已经学到过基础的人体特征迁移成本低很多。如果项目部署目标是海思或Jetson这类边缘盒子n和s的推理速度差距会被放大。一个原则是教室监控动辄几十路并发每路如果都要实时检测模型大小先按帧率需求反推不要盲目追求精度。3.3 训练命令与关键超参epochs、batch、imgsz 的保守设置数据目录按YOLO标准格式组织data YAML指向训练集和验证集路径path: datasets/classroom train: images/train val: images/val nc: 1 names: [person_head]训练命令我用下面这组参数起步yolo detect train \ datadatasets/classroom.yaml \ modelyolov8n.pt \ epochs150 \ batch16 \ imgsz960 \ close_mosaic10 \ workers4 \ device0 \ projectruns/classroom \ namehead_n_960参数说明imgsz设到960而不是默认640是因为教室人头小目标密集640下后排人头只有几个像素升到960能把有效尺寸拉到十几像素这对小目标召回率影响非常明显。batch16在8GB显存的卡上跑YOLOv8n接近上限如果显存不足就降到8。close_mosaic10表示最后10个epoch关闭mosaic增强让模型在最后阶段适应真实的单图分布而不是继续在拼接图上收敛。epochs设150而不是默认的300原因同样是数据集规模小、场景单一300轮大概率在中后期过拟合。训练时盯着val的mAP50曲线如果在最后二三十轮开始下降说明过拟合启动提前用best权重就好。4. 密集小目标检测的参数调整分辨率、增强、损失权重与推理阈值训练跑通只是起点。教室人头密集检测的精度差距基本都是在小目标分辨率、数据增强策略、损失权重和推理阈值这四类参数上拉开的。逐项说一遍我的取值思路和经验边界。4.1 imgsz 升到 960 的收益与显存占用估算把imgsz从640升到960最直接的收益是后排人头从5到8像素变成8到12像素模型能提取到更多的纹理信息。但这不意味着越大越好超过1280后显存开销剧增训练速度明显下降而收益开始边际递减。显存估算参考YOLOv8n在960分辨率、batch16时约占用7GB显存YOLOv8s同样条件下会超过11GB需要把batch降到8。如果你的卡只有8GB显存960分辨率配batch8也能跑但训练时间会拉长。训练之后做推理测试时持同样的分辨率逻辑但要注意推理分辨率不需要跟训练完全一致。训练用了960推理可以先用960如果帧率不够再降回768看精度损失能否接受而不是直接跳回640。4.2 mosaic 与 close_mosaic密集场景增强策略的取舍mosaic增强把四张图拼在一起训练相当于变相放大数据集里的目标数量。教室密集人头场景里mosaic默认开启的效果其实很好因为它让模型在拼接边界上看到更多遮挡关系。但mosaic有一个陷阱它会让小目标变成“拼接图上的小目标”这种尺度和真实监控画面里的小目标不完全一致。所以最后阶段用close_mosaic关闭它让模型回归真是分辨率下的目标尺度分布。如果发现mosaic导致边界处的标注框被切开可以把mosaic比例从1.0降到0.5而不是完全关掉。还有一种做法是开启mixup,让模型看到更多人头重叠的混合状态对拥挤场景的鲁棒性有帮助。4.3 box 与 cls 损失权重、NMS 阈值的默认值实验记录密集场景下损失函数的box权重太大会让模型把精力放在把框边界拟合得更准而忽略分类置信度。自己测试过一组对比box权重从默认的7.5降到5.0cls权重从0.5升到0.7在重叠严重区域的召回率能提升两三个点。但其他数据上不一定成立建议只在验证集上做小范围对比不要同时改多个参数。推理侧的核心参数是conf和iou下面这组参数适合密集场景的首测参数默认值密集人头场景建议理由conf0.250.15~0.25遮挡人头置信度普遍偏低调低可提升召回iou0.450.50~0.60避免高重叠真实框被NMS抑制max_det300600教室人数密集默认上限容易被撞到推理命令示例yolo detect predict \ modelruns/classroom/head_n_960/weights/best.pt \ sourceclassroom_test.mp4 \ conf0.2 iou0.55 max_det600注意conf调低后误检会增加尤其是窗户反光区域。先用这个参数跑一段视频把预测结果可视化输出看误检集中在哪类区域再做针对性处理。5. 监控视角部署避坑实录4个让检测模型翻车的典型问题训练和推理踩过一轮坑之后把最常见的问题按现象、原因、解决的顺序整理成账单方便对照排查。5.1 训练 loss 很低、推理频繁漏检锚框尺度与目标不匹配现象训练集mAP50有0.9以上但输入测试视频后后排人头大量漏检前排大尺寸人头基本都能检出。原因模型的预训练锚框基于COCO自然场景大目标锚框占据绝对主导880个锚框中分配给小目标的极少。即使训练时模型在努力调整约2000张数据的回归能力也有限。解决优先把imgsz提到960让小目标的像素尺寸更接近锚框的合理档位如果还不行统计一下测试画面里人头的实际像素分布再决定要不要做切图推理。5.2 把讲台和窗户误检成人头背景过拟合问题现象模型总把黑板下沿、讲台边缘、窗户反光区域框成人头置信度还很高。原因训练集背景单一且负样本不足模型学到的是“高纹理区域近似人头”的特征而不是“圆形肤色肩膀结构”的人头特征。解决在训练集里加入不带标签的纯背景图让模型知道“这里没有东西”同时把HSV增强的饱和度和明度变化范围加大破坏背景纹理的稳定性。验证集最好放到另一个教室或另一个摄像头点位去测背景过拟合会立刻现形。5.3 mosaic 增强把标注框边缘切没了数据增强与标注不一致现象训练过程正常但可视化预测结果时发现前排有几个框始终偏小人头的头顶部分永远在框外。原因mosaic拼接时把人头切了一半标注脚本没有同步裁剪标注框导致边界处目标变成残缺标注模型学到的框比真实人头小。解决先检查增强预览把mosaic比例降到0.5同时保留最少10个epoch的close_mosaic。如果数据集本身是第三方标注的还要确认标注工具在拼接时是否正确处理了裁剪坐标映射。5.4 整张监控画面直接压缩到640推理小目标信息丢失现象部署时把1920×1080监控图直接resize到640送进模型结果整间教室一个人头都检不出来。原因画面被压缩近3倍后排人头从20像素左右缩到6到7像素低于模型能感知的有效分辨率。解决推理端不要用整图缩放改用切图推理或至少保持imgsz960做一个折中。监控视频流场景中切图推理是性价比最高的方案把1920×1080切成6块带重叠的patch每块按640或768推理最后汇总坐标。这个做法对显存友好精度提升明显。6. 切图推理把密集人头召回率再拉高一截的落地验证技巧训练结束后验证阶段建议大家把切图推理作为标准评测流程。具体做法是把大图按固定大小切成重叠tile,每块单独推理再把坐标映射回原图。切图之所以对密集小目标有效是因为它避免了整图缩放带来的信息丢失等于用计算量换分辨率每个tile里人头的像素尺寸接近训练时的分布。以下是一个简化版本的切图推理脚本核心逻辑def detect_tiles(frame, model, tile_size640, stride512): H, W frame.shape[:2] all_boxes [] for y0 in range(0, H, stride): for x0 in range(0, W, stride): x1 min(x0 tile_size, W) y1 min(y0 tile_size, H) tile frame[y0:y1, x0:x1] results model(tile, imgsztile_size, conf0.25, iou0.55) for box in results[0].boxes: tx0, ty0, tx1, ty1 [int(v) for v in box.xyxy[0].tolist()] all_boxes.append([tx0 x0, ty0 y0, tx1 x0, ty1 y0]) return all_boxes脚本里stride小于tile_size产生了重叠区域目的是防止人头恰好被切在tile边界导致漏检。重叠区域的重复框在汇总之后还需要再做一次全局NMS否则同一个头会被输出两次。切图后推理耗时按tile数量线性增长6块tile比整图推理慢3到4倍这是为精度付出的代价。我自己做教室考勤项目时第一次用640整图推理漏检率惨不忍睹后来靠“imgsz960加切图推理”把召回率从82%拉到94%以上才敢上线。这份约2000张YOLO格式标注数据完全可以支撑这个方向跑通前提是别把通用目标检测的默认配置直接搬到监控视角下。希望帮到你。本文还有配套的精品资源点击获取
教室密集人头检测：2000张YOLO标注数据训练与调优实战
简介监控视角下的教室人头密集场景目标检测数据集类别为head已整理为约2000个YOLO格式标注文件面向需要训练人头检测模型的研究者与开发者可直接用于YOLOv5、YOLOv8等模型训练。数据包为7z压缩格式大小173.21MB共2000个文件1999个txt标注文件记录目标框坐标与类别另含1个show.py脚本运行即可可视化标注结果便于核对数据质量。目前已有154人学习下载。作者已按训练集、验证集、测试集完成数据划分省去自行切分的步骤结合其YOLOv5改进实战系列可进一步了解密集场景下的算法调优思路。适用于教室人数统计、人员分布监测、考勤管理等教育场景也可迁移至其他同类密集人群检测任务。1. 监控视角下的教室人头密集图像目标检测约2000张YOLO格式标注数据到底够不够用教室人头密集图像目标检测听上去是标准的目标检测任务但真正在监控视角下做过一次就会明白这是一类被“密集”和“俯拍”两个词改了规则的问题。你拿到的这份数据是约2000张已标注、YOLO格式的教室监控画面目标是检测画面里的每一个人头数据规模不大不小类别通常只有一类。这套数据可以支撑做课堂考勤、教室人员统计、安全预警这类应用但它不会因为你用的是YOLO就自动好用。先给结论2000张标注数据在单一教室场景里完全够训练但直接套用通用检测管线跑监控画面漏检率会高到让你怀疑标注质量。问题多半不在数据而在输入分辨率、锚框配比和推理策略上。2. 教室密集人头场景为什么让通用YOLO模型翻车先看清三个检测瓶颈监控视角下的教室跟自然场景行人检测最大的区别是摄像头装在教室前上方往下俯拍人头目标小、相互遮挡、排列密集。通用YOLO模型在COCO上表现不错但COCO里很少有这种大量同尺度目标挤在一起的画面。所以训练之前先花点时间搞清楚这类场景的三个检测瓶颈后面调参才不会像无头苍蝇。2.1 俯拍视角下的人头目标只有十几个像素用小目标尺度分布统计脚本看数据真相教室监控一般是1080p甚至更高分辨率一个坐在后排的人头在整幅画面里的宽度往往只有20到40个像素。对比COCO数据集里常见的行人框动辄一两百像素宽这种尺度差异直接决定了模型预测层要关注的锚框尺寸。拿到标注数据第一步我建议先统计标注框的尺寸分布而不是直接开训。下面这个脚本会把数据集中所有标注框的宽度和面积统计出来并计算小目标占比# 统计监控视角数据集中标注框的像素尺寸分布判断小目标占比 import os from glob import glob def analyze_labels(label_dir, img_w1920, img_h1080): areas, widths [], [] for txt in glob(os.path.join(label_dir, *.txt)): with open(txt, r, encodingutf-8) as f: for line in f: parts line.strip().split() if len(parts) ! 5: continue _, cx, cy, w, h parts # YOLO标签是归一化坐标乘回原图尺寸得到实际像素 w_px, h_px float(w) * img_w, float(h) * img_h widths.append(w_px) areas.append(w_px * h_px) total len(areas) if total 0: print(没有找到有效标注框) return small sum(1 for a in areas if a 32 * 32) # 按COCO小目标口径统计 print(f标注框总数: {total}) print(f低于 32x32 的小目标占比: {small / total:.1%}) print(f标注框平均宽度: {sum(widths) / total:.1f} px) analyze_labels(datasets/classroom/labels/train)脚本逻辑很简单YOLO标签里存的 cx、cy、w、h 都是相对于原图的归一化值乘回1920和1080之后才能看出人头在真实画面里有多大。如果小目标占比超过50%说明后续训练必须把输入分辨率提上去或者考虑切图推理。如果平均框宽在40像素以下那COCO预训练模型的鳄框预设基本用不上。2.2 人头互相遮挡导致候选框高度重叠NMS 抑制带来的漏检教室后排人头密集排布相邻人头的检测框IoU经常达到0.5以上。这里有一个反直觉的坑很多人以为调低NMS的IoU阈值就能减少重叠框、让结果更干净但在密集人头场景里调低IoU阈值反而会把大量真实人头框直接抑制掉。因为预测框和相邻真实人头框高度重叠NMS排序后置信度稍低的那个会被当成重复框干掉。现象通常是这样模型训练完单张图里零散的人头都检出来了但后排密集区域永远比实际人数少一大截。你去看预测结果发现被漏掉的人头旁边往往有一个置信度更高的误检框。监控视角下的人头检测NMS的IoU阈值我一般设在0.5到0.6之间而不是目标检测常用的0.45。另外要配合置信度阈值一起看密集区域通常需要把conf压到0.2左右才能把召回率拉上来代价是误检增加这时要靠后续的按区域计数或轨迹跟踪逻辑去过滤。2.3 教室光照与监控画质压缩噪声背景让模型学到假特征教室场景的光照条件其实很苛刻窗户逆光、灯管反光、投影幕布亮斑、黑板反光这些区域在画面里亮度高、纹理重很容易被模型当成“像人头”的特征。约2000张的标注数据如果全部来自同一个教室或者同一个摄像头点位模型会很快记住这个场景的背景纹理而不是真正的人头结构特征。一个有用的动作是把验证集按监控点位或教室分开不要随机划分。随机划分会让同一个教室的画面同时出现在训练集和验证集里模型靠背场景也能拿高分一换教室就原形毕露。我遇到过训练集mAP50高达0.97换到隔壁教室直接掉到0.6以下的情况原因就是背景过拟合。监控画质本身也是一个问题摄像头码流低时画面会有块状压缩噪声把这种噪声喂给模型它会学着把高频纹理都当成候选。在训练时适当增加HSV颜色增强和轻微模糊能让模型对光照变化更鲁棒。这个在第四章会给出具体参数思路。3. 用2000张YOLO格式标注数据训练教室人头检测模型选型、校验与命令拿到标注数据之后不要急着训练。约2000张的YOLO标注数据来源可能是外包标注、开源数据集或者团队内部工具产物标注格式虽然统一但数据质量不一定靠谱。先花半小时做数据体检再决定选什么模型、用什么参数跑。3.1 先做数据体检YOLO标签坐标与类别索引校验脚本第三方标注最常见的错误包括坐标归一化后越界、类别索引写错、标注框宽高为0、空标注文件等。这些错误在训练时不会直接报错但会变成梯度噪声。用下面这个脚本做一次全量校验# 校验YOLO标签文件坐标范围、类别索引、宽高合法性 import os from glob import glob NC 1 # 当前场景只有 person_head 一个类别 label_root datasets/classroom/labels/train issues [] for txt in glob(os.path.join(label_root, *.txt)): name os.path.basename(txt) with open(txt, r, encodingutf-8) as f: lines f.readlines() if not lines: issues.append((name, 空标注文件)) continue for idx, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: issues.append((name, f第{idx1}行列数不对: {line.strip()})) continue cls_id, cx, cy, w, h map(float, parts) if cls_id NC: issues.append((name, f类别索引越界: {cls_id})) if not (0 cx 1 and 0 cy 1): issues.append((name, f中心点越界: {cx},{cy})) if w 0 or h 0 or w 1 or h 1: issues.append((name, f宽高异常: {w},{h})) print(f检查文件总数: {len(glob(os.path.join(label_root, *.txt)))}) print(f发现问题文件数: {len(issues)}) for name, msg in issues[:30]: print(f{name}: {msg})脚本会输出所有异常标注便于用CVAT或LabelImg之类的工具定点复核。坐标越界通常发生在目标处于画面边缘时标注员手滑把中心点拖到画面外宽高接近1意味着一个框占满整幅画面基本是误标。这个检查在训练之前做掉能省下一整轮调试时间。3.2 模型选型为什么从 YOLOv8n 起步而不是一上来就换大模型教室人头检测是单一类别、场景封闭的小目标任务模型容量不需要太大。我的选型顺序是先用YOLOv8n跑通全流程再看mAP和显存余量决定要不要升到YOLOv8s。约2000张数据量下YOLOv8m及以上很容易过拟合尤其是背景单一的教室监控画面。模型越大并不代表检得越准更大的模型反而会把背景纹理背下来。预训练权重建议用COCO版本。YOLO库自带下载接口第一次运行会自动拉取权重文件网络慢的话就手动下载后放到缓存目录里路径在运行时命令行会打印出来。用COCO预训练而不是从头训练是因为人头在COCO里属于person类别的局部结构模型已经学到过基础的人体特征迁移成本低很多。如果项目部署目标是海思或Jetson这类边缘盒子n和s的推理速度差距会被放大。一个原则是教室监控动辄几十路并发每路如果都要实时检测模型大小先按帧率需求反推不要盲目追求精度。3.3 训练命令与关键超参epochs、batch、imgsz 的保守设置数据目录按YOLO标准格式组织data YAML指向训练集和验证集路径path: datasets/classroom train: images/train val: images/val nc: 1 names: [person_head]训练命令我用下面这组参数起步yolo detect train \ datadatasets/classroom.yaml \ modelyolov8n.pt \ epochs150 \ batch16 \ imgsz960 \ close_mosaic10 \ workers4 \ device0 \ projectruns/classroom \ namehead_n_960参数说明imgsz设到960而不是默认640是因为教室人头小目标密集640下后排人头只有几个像素升到960能把有效尺寸拉到十几像素这对小目标召回率影响非常明显。batch16在8GB显存的卡上跑YOLOv8n接近上限如果显存不足就降到8。close_mosaic10表示最后10个epoch关闭mosaic增强让模型在最后阶段适应真实的单图分布而不是继续在拼接图上收敛。epochs设150而不是默认的300原因同样是数据集规模小、场景单一300轮大概率在中后期过拟合。训练时盯着val的mAP50曲线如果在最后二三十轮开始下降说明过拟合启动提前用best权重就好。4. 密集小目标检测的参数调整分辨率、增强、损失权重与推理阈值训练跑通只是起点。教室人头密集检测的精度差距基本都是在小目标分辨率、数据增强策略、损失权重和推理阈值这四类参数上拉开的。逐项说一遍我的取值思路和经验边界。4.1 imgsz 升到 960 的收益与显存占用估算把imgsz从640升到960最直接的收益是后排人头从5到8像素变成8到12像素模型能提取到更多的纹理信息。但这不意味着越大越好超过1280后显存开销剧增训练速度明显下降而收益开始边际递减。显存估算参考YOLOv8n在960分辨率、batch16时约占用7GB显存YOLOv8s同样条件下会超过11GB需要把batch降到8。如果你的卡只有8GB显存960分辨率配batch8也能跑但训练时间会拉长。训练之后做推理测试时持同样的分辨率逻辑但要注意推理分辨率不需要跟训练完全一致。训练用了960推理可以先用960如果帧率不够再降回768看精度损失能否接受而不是直接跳回640。4.2 mosaic 与 close_mosaic密集场景增强策略的取舍mosaic增强把四张图拼在一起训练相当于变相放大数据集里的目标数量。教室密集人头场景里mosaic默认开启的效果其实很好因为它让模型在拼接边界上看到更多遮挡关系。但mosaic有一个陷阱它会让小目标变成“拼接图上的小目标”这种尺度和真实监控画面里的小目标不完全一致。所以最后阶段用close_mosaic关闭它让模型回归真是分辨率下的目标尺度分布。如果发现mosaic导致边界处的标注框被切开可以把mosaic比例从1.0降到0.5而不是完全关掉。还有一种做法是开启mixup,让模型看到更多人头重叠的混合状态对拥挤场景的鲁棒性有帮助。4.3 box 与 cls 损失权重、NMS 阈值的默认值实验记录密集场景下损失函数的box权重太大会让模型把精力放在把框边界拟合得更准而忽略分类置信度。自己测试过一组对比box权重从默认的7.5降到5.0cls权重从0.5升到0.7在重叠严重区域的召回率能提升两三个点。但其他数据上不一定成立建议只在验证集上做小范围对比不要同时改多个参数。推理侧的核心参数是conf和iou下面这组参数适合密集场景的首测参数默认值密集人头场景建议理由conf0.250.15~0.25遮挡人头置信度普遍偏低调低可提升召回iou0.450.50~0.60避免高重叠真实框被NMS抑制max_det300600教室人数密集默认上限容易被撞到推理命令示例yolo detect predict \ modelruns/classroom/head_n_960/weights/best.pt \ sourceclassroom_test.mp4 \ conf0.2 iou0.55 max_det600注意conf调低后误检会增加尤其是窗户反光区域。先用这个参数跑一段视频把预测结果可视化输出看误检集中在哪类区域再做针对性处理。5. 监控视角部署避坑实录4个让检测模型翻车的典型问题训练和推理踩过一轮坑之后把最常见的问题按现象、原因、解决的顺序整理成账单方便对照排查。5.1 训练 loss 很低、推理频繁漏检锚框尺度与目标不匹配现象训练集mAP50有0.9以上但输入测试视频后后排人头大量漏检前排大尺寸人头基本都能检出。原因模型的预训练锚框基于COCO自然场景大目标锚框占据绝对主导880个锚框中分配给小目标的极少。即使训练时模型在努力调整约2000张数据的回归能力也有限。解决优先把imgsz提到960让小目标的像素尺寸更接近锚框的合理档位如果还不行统计一下测试画面里人头的实际像素分布再决定要不要做切图推理。5.2 把讲台和窗户误检成人头背景过拟合问题现象模型总把黑板下沿、讲台边缘、窗户反光区域框成人头置信度还很高。原因训练集背景单一且负样本不足模型学到的是“高纹理区域近似人头”的特征而不是“圆形肤色肩膀结构”的人头特征。解决在训练集里加入不带标签的纯背景图让模型知道“这里没有东西”同时把HSV增强的饱和度和明度变化范围加大破坏背景纹理的稳定性。验证集最好放到另一个教室或另一个摄像头点位去测背景过拟合会立刻现形。5.3 mosaic 增强把标注框边缘切没了数据增强与标注不一致现象训练过程正常但可视化预测结果时发现前排有几个框始终偏小人头的头顶部分永远在框外。原因mosaic拼接时把人头切了一半标注脚本没有同步裁剪标注框导致边界处目标变成残缺标注模型学到的框比真实人头小。解决先检查增强预览把mosaic比例降到0.5同时保留最少10个epoch的close_mosaic。如果数据集本身是第三方标注的还要确认标注工具在拼接时是否正确处理了裁剪坐标映射。5.4 整张监控画面直接压缩到640推理小目标信息丢失现象部署时把1920×1080监控图直接resize到640送进模型结果整间教室一个人头都检不出来。原因画面被压缩近3倍后排人头从20像素左右缩到6到7像素低于模型能感知的有效分辨率。解决推理端不要用整图缩放改用切图推理或至少保持imgsz960做一个折中。监控视频流场景中切图推理是性价比最高的方案把1920×1080切成6块带重叠的patch每块按640或768推理最后汇总坐标。这个做法对显存友好精度提升明显。6. 切图推理把密集人头召回率再拉高一截的落地验证技巧训练结束后验证阶段建议大家把切图推理作为标准评测流程。具体做法是把大图按固定大小切成重叠tile,每块单独推理再把坐标映射回原图。切图之所以对密集小目标有效是因为它避免了整图缩放带来的信息丢失等于用计算量换分辨率每个tile里人头的像素尺寸接近训练时的分布。以下是一个简化版本的切图推理脚本核心逻辑def detect_tiles(frame, model, tile_size640, stride512): H, W frame.shape[:2] all_boxes [] for y0 in range(0, H, stride): for x0 in range(0, W, stride): x1 min(x0 tile_size, W) y1 min(y0 tile_size, H) tile frame[y0:y1, x0:x1] results model(tile, imgsztile_size, conf0.25, iou0.55) for box in results[0].boxes: tx0, ty0, tx1, ty1 [int(v) for v in box.xyxy[0].tolist()] all_boxes.append([tx0 x0, ty0 y0, tx1 x0, ty1 y0]) return all_boxes脚本里stride小于tile_size产生了重叠区域目的是防止人头恰好被切在tile边界导致漏检。重叠区域的重复框在汇总之后还需要再做一次全局NMS否则同一个头会被输出两次。切图后推理耗时按tile数量线性增长6块tile比整图推理慢3到4倍这是为精度付出的代价。我自己做教室考勤项目时第一次用640整图推理漏检率惨不忍睹后来靠“imgsz960加切图推理”把召回率从82%拉到94%以上才敢上线。这份约2000张YOLO格式标注数据完全可以支撑这个方向跑通前提是别把通用目标检测的默认配置直接搬到监控视角下。希望帮到你。本文还有配套的精品资源点击获取
)
