当前位置：首页 > news >正文

172张工业车间人员检测数据集：YOLOv8微调与部署实战

news 2026/8/27 6:54:23

简介：目标检测是计算机视觉中的核心任务，而实际工程场景往往面临标注数据稀缺的挑战。本文基于YOLO训练的基本原理，探讨如何利用小规模工业车间数据集进行高效迁移学习，即使仅有172张标注图片，也能构建出可用的车间人员检测模型。从YOLOv8训练自己的数据集出发，内容涵盖数据格式检查、数据增强策略、训练参数调优、模型评估与部署，并延伸至数据扩充和半监督标注技巧。对于刚接触目标检测数据集处理的开发者，这是一份完整的工程实践指南，帮助理解场景专属模型从数据到落地的全流程，并掌握应对小样本场景的通用方法。先说明白：看到这个标题，我第一反应不是"又一个数据集"，而是"这应该是某个产线项目现场攒出来的东西"。172张图、单个类别、YOLO格式、打包成zip分享，这几个信息拼在一起，基本能猜出它的用途——不是用来发论文刷榜的，而是用来解决一个非常具体的工程问题：在工业车间环境下，把"人"这个目标稳定地检测出来。这种数据集最大的价值在于场景真实，不像通用数据集那样有大量摆拍和理想光照，车间里的灰尘、反光、设备遮挡、人员着装杂乱，这些才是真实部署时最难搞的部分。

所以这篇东西我想按一个实战项目的完整链路来聊：先拆解这份数据集的真实定位和内容特征，再说小样本条件下怎么把它训出可用模型，然后讲训练前后最容易踩的坑，最后落到实际部署评估上。我自己经手过好几个类似的车间人员检测项目，从数据清洗到模型上线整个流程都走过，下面这些内容不是理论推演，基本都是实际操作中验证过的东西。

1. 拿到手先搞清楚：这172张图到底能干什么

1.1 它的定位不是"训练集"，是"种子数据"

很多人一看到数据集只有172张，第一反应是"太少了，没法训"。这个判断不能算错，但容易把方向带偏。我反而觉得，这类小规模数据集在工业项目里的定位，更像是迁移学习的起点，或者叫种子数据。它存在的意义不是让你从零训出一个泛化能力很强的模型，而是让你在场景高度接近的前提下，用预训练权重做微调，快速验证流程能不能跑通。

我举个例子你就明白了。你要用YOLOv8在车间里检测人员，如果你手头一份数据都没有，直接拿COCO预训练权重去跑车间视频，效果通常不差，但会出现大量误检漏检，因为COCO里的"人"是通用场景下的，和车间里的工人特征差异很大。车间里的人可能戴安全帽、穿反光背心、蹲在设备后面只露出半个身子、被叉车挡住一半，这些在COCO里都不常见。这时候你手上这172张车间实拍图，就是用来把模型从"通用人检测"掰向"车间人检测"的关键数据。

所以正确用法是：用这份数据集做二次微调，而不是单独训练。172张图单独训练哪怕加上增强，效果也会非常飘，但如果作为微调数据，配合预训练权重，效果会有质的提升。我在实际项目里用180张左右的车间接缝数据微调过YOLOv8s，把误检率从一帧好几处压到了几乎可以忽略的程度，这个经验应该是可复用的。

1.2 "标注类别为人"这五个字信息量很大

关键词里明确写了"标注类别为人"，这意味着这份数据集的类别字典里只有一个人这个类，没有安全帽、没有工服、没有车辆。这看起来是个简化，实际上是一种很聪明的设计选择。

为什么这么说？因为工业检测里最常见的失败模式，不是检测不到目标，而是类别混淆。比如你想同时检测人和安全帽，如果数据不够，模型很容易把"戴安全帽的人"和"没戴安全帽的人"搞混，或者把安全帽这个类别学成"人头顶上的一片颜色"。单类别检测就没有这个问题，模型只需要回答一个二分类问题：这个框里是不是人。这极大降低了对数据量的要求。

我在实操中的体会是，复杂项目不要一上来就搞多类别，先把最关键的目标类别用单类别模型跑通，再逐步加类别。这份数据集的单类别设定，正好适合用来搭建车间人员检测的第一版基线。

1.3 从相关热词反推：这大概率是某个完整方案的零件

光看标题可能觉得这就是一个孤零零的数据集，但结合相关搜索词看，情况不一样。热词里有"yolov8训练自己的数据集""yolo训练""目标检测数据集""pytoch目标检测""python使用yolo csdn"这些，说明这个数据集几乎是配套教程和代码一起出现的。很多做课设、毕设、或者刚接触工业视觉的工程师，会先从这种小数据集入手，把YOLO的完整流程跑熟，再迁移到自己的场景里。

所以如果你刚接触目标检测，这份数据集其实是个很好的入门载体。文件数量少，训练迭代快，几分钟就能看到效果，特别适合用来理解数据标注、模型训练、评估这些环节的套路。等流程跑通了，再去找大量同场景数据或者自己采数据，就不会手忙脚乱。

2. 工业车间场景拆解：数据里到底拍了些什么

2.1 为什么车间里的人比马路上的行人更难检

这是我在实际部署中反复被教育的一点。用通用行人检测模型去跑车间，效果经常惨不忍睹，原因有四个层面：

光照是第一大变量。车间里经常有大面积窗户，白天阳光直射进来，形成高对比度区域；还有行车顶灯、焊接弧光、设备指示灯这类局部高亮光源，会让画面一部分过曝一部分欠曝。行人检测数据集通常是在相对均匀的光照下拍的，这一点差异就足够让模型的表现大打折扣。

遮挡是第二大变量。车间里人和设备的关系很复杂，工人经常站在机器后面只露出头肩，或者被堆叠的物料挡住大半个身体，甚至只露出一只手一只脚。通用检测模型对遮挡的鲁棒性虽然一直在提升，但对"半人"这种极端遮挡，表现还是不稳定。

形态分布差异是第三大变量。车间工人要么穿工装要么穿反光背心，加上安全帽，整个人体的轮廓和颜色分布和普通行人差异挺大的。模型如果没见过这种形态，很容易把反光背心识别成别的什么，或者把安全帽和头部的关系学乱。

背景干扰是第四大变量。机器设备、传送带、货架、管道，这些都有大量规则纹理和几何边缘，非常容易产生假阳性候选框。通用目标检测器在没有针对这类背景做优化时，经常把设备边缘、警示条纹误检成人。

这份数据集的172张图，大概率就是在这种真实车间环境里拍的，所以它天然带有上述这些干扰特征。这也解释了为什么有人会专门整理这样一份小数据集——通用模型在车间表现不好，需要一份场景专属数据来做微调。

2.2 典型的人物形态和标注风格

基于公开的车间人员检测数据集经验，这172张图里应该会有这些常见形态：

站姿完整人体，这是最理想的情况，标注框基本贴合全身
蹲姿或弯腰动作，工人检修设备时常见，框的宽高比会变得比较怪异
只露头肩的工人，比如站在机器操作位后方，只能从窗口看到上半身
远距离小目标，车间空间大，摄像头的广角画面里远处的人可能只有几十个像素高
被部分遮挡的人，比如被叉车、货架、设备挡住部分身体

标注风格上，既然用的是YOLO格式，坐标肯定是归一化的，格式是"类别id x_center y_center width height"，数值都在0到1之间。我在解压这类数据集时，第一件事就是写个脚本把标注框画回图片上，用肉眼检查一遍。这一步极其重要，因为很多数据集的标注并不规范，有的框只框了上半身但实际目标是全身，有的框明显偏了半个身位。用这种数据训练，模型学出来的框位置也会偏。

2.3 与公开行人数据集的四个核心差异

拿COCO或者CityPersons这类公开数据集和车间场景对比，你会发现本质区别：

第一，数据分布的封闭性不同。通用行人数据集覆盖了各种城市环境，分布比较分散；车间数据集是封闭场景，背景固定，人物装束固定，分布非常集中。从统计学角度说，封闭分布对模型是友好的，因为场景方差小，学起来容易；但反过来也意味着泛化到其他场景的能力弱。这就是为什么用车间数据微调过的模型在车间里表现优秀，但拿到写字楼里就会明显掉点。

第二，姿态多样性不同。城市行人大多是站立或行走，车间工人有大量弯腰、下蹲、侧身、攀爬动作。这种姿态差异会直接影响锚框的设计和宽高比的分布。

第三，尺度分布不同。城市行人检测通常目标占据画面比例较大；车间环境因为摄像头安装位置高、视野广，小目标比例很高。小目标对模型下采样倍率很敏感，YOLO系列在检测小目标时本来就相对吃力，需要靠增大输入分辨率或者加大特征层来缓解。

第四，目标密度不同。车间里人员密度通常不高，一张画面里三五个人就算多的了，而城市街道数据集经常一张图十几个人。目标密度低会让正样本数量偏少，训练时更容易受到负样本（背景误检）的影响。

很多人不理解为什么同样的模型结构，换个场景就"失灵"了，其实就是上面这四个差异叠加导致的。所以你在用这份数据集之前，最好心里有个底：它解决的是"车间专属"问题，不是"通用检测"问题。

3. 172张图能不能训出能用的模型：小样本训练的关键

3.1 迁移学习是唯一正解，不要从零训练

我从一开始就要强调：绝对不要用这份数据集从头训练一个YOLO模型。172张图的样本量，从零训练的结果大概率是损失不收敛或者严重过拟合。正确做法是加载COCO预训练权重，把nc（类别数）改成1，然后微调。

为什么迁移学习在小样本下这么有效？因为YOLO的骨干网络在COCO这种超大数据集上已经学到了大量通用视觉特征，比如边缘、纹理、颜色分布、物体部件结构。你微调的时候，骨干网络基本不用大改，主要是让检测头学会"在这个特定车间场景下，什么样的特征组合表示人"。这相当于一个已经认识很多物体的人，只需要稍微提醒他"注意，在这个车间里，穿反光背心的就是人"，他马上就能学会，不需要重新教他什么是颜色、什么是形状。

实际操作时，ultralytics框架下用预训练权重非常简单，直接指定model=yolov8s.pt即可。如果你用的是旧版YOLOv5，就是指定weights=yolov5s.pt。框架会自动加载COCO预训练参数，并自动适配nc=1的检测头。

3.2 数据准备：目录结构、标签检查和关键代码

先把数据按YOLO格式整理好。ultralytics要求的目录结构是这样的：

datasets/ ├── 172_person/ │ ├── images/ │ │ ├── train/ │ │ │ ├── img_001.jpg │ │ │ ├── img_002.jpg │ │ │ └── ... │ │ └── val/ │ │ ├── img_010.jpg │ │ └── ... │ ├── labels/ │ │ ├── train/ │ │ │ ├── img_001.txt │ │ │ └── ... │ │ └── val/ │ │ └── ... │ └── data.yaml

这里有个很多新手容易犯的错：训练集和验证集都要有对应的images和labels子目录，且图片和txt标签必须同名，扩展名不同。图片是.jpg，标签是.txt。如果名字对不上，训练时会有警告，但图片会被自动忽略。

data.yaml的内容很简单：

# data.yaml path: ./ train: images/train val: images/val nc: 1 names: ['person']

建议把训练和验证的比例控制在8比2左右，如果原始数据包没有分训练验证，可以自己用脚本切分。注意切分的时候要随机，避免把连续拍摄的帧都分到同一侧，否则验证集和训练集太相似，评估结果会虚高。

解压之后第一步，写个脚本把标注可视化检查一遍。我每次都会做这步，因为这是发现标注质量问题的最高效方式。脚本很简单：

import cv2 import os img_dir = "datasets/172_person/images/train" label_dir = "datasets/172_person/labels/train" for img_name in os.listdir(img_dir): img_path = os.path.join(img_dir, img_name) label_path = os.path.join(label_dir, img_name.replace(".jpg", ".txt")) if not os.path.exists(label_path): print(f"missing label: {img_name}") continue img = cv2.imread(img_path) h, w = img.shape[:2] with open(label_path, "r") as f: for line in f.readlines(): parts = line.strip().split() cls, xc, yc, bw, bh = int(parts[0]), float(parts[1]), float(parts[2]), float(parts[3]), float(parts[4]) x1, y1 = int((xc - bw/2) * w), int((yc - bh/2) * h) x2, y2 = int((xc + bw/2) * w), int((yc + bh/2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imshow("check", img) cv2.waitKey(0) cv2.destroyAllWindows()

你会遇到的最常见标注问题有三种：框没有包含完整的人、框偏移半个身位、两个人靠太近时框互相重叠。这类问题如果是小规模数量的，可以手工改txt；如果比例很高，这个数据集的质量就要打问号了。好在这份数据集只有172张，人工检查一遍成本不高，我强烈建议你解压后先做这个。

3.3 数据增强的取舍：车间场景不要乱加

YOLOv8自带一套默认数据增强，包含马赛克、翻转、HSV颜色扰动、缩放等。对小样本训练来说，增强是必须的，但不能无脑全部打开。

我的实际经验是这几个增强要特别关注：

马赛克增强建议保留。它把四张图拼到一起训练，相当于变相增加了样本量和场景多样性，对小样本尤其友好。但马赛克有个副作用：目标会被裁切，框可能只剩一小部分，对"完整人体"这个语义的学习有干扰。所以训练后期可以把马赛克关闭，或者降低概率。ultralytics里可以通过mosaic=0.5这样的参数控制，或者在最后十几个epoch手动关掉。

翻转增强要谨慎。水平翻转基本是安全的，因为左右翻转一个人体不改变语义。但垂直翻转建议关闭，因为车间里不会有倒立的人。如果垂直翻转开了，模型会学到"倒着的人也是人"，这个特征在实际场景里完全无用，还会干扰正常的检测。

颜色扰动建议适度。车间光照变化本来就大，适度做HSV扰动可以让模型对光照更鲁棒。但别把饱和度调太狠，否则安全帽、反光背心这些标志性颜色特征会被破坏，可能导致模型在颜色上的鲁棒性变差。

我的建议配置是：mosaic开0.8左右，flipud=0.0，fliplr=0.5，hsv_h=0.015，hsv_s=0.7，hsv_v=0.4。这个组合能保证增强强度足够，又不至于产生太多语义不合理的样本。

3.4 类别单一的优势：本质上是二分类检测

单一类别检测有一个很大的优势：它本质上是一个二分类问题，模型只需要区分"人"和"背景"。和COCO那种80类检测比，学习难度低很多，对样本量的需求也小很多。

我在实际项目中用单类别模型的经验是，哪怕只有一两百张图，只要场景固定、标注质量可靠，训练出来的模型在类似场景下的表现通常能接受。因为模型不用在多个类别之间做区分，所有的学习能力都集中在"人的特征"这一个分支上，特征利用率反而更高。

所以不要因为172张图就觉得一定不行。关键在于场景是否一致、标注是否可靠、训练方式是否正确。这几点做好了，小模型也能跑出不错的实战效果。

4. 训练命令与参数：照着抄也能跑通

4.1 训练命令和几个关键参数

用ultralytics YOLOv8训练，命令长这样：

yolo detect train data=datasets/172_person/data.yaml \ model=yolov8s.pt \ epochs=150 \ imgsz=640 \ batch=16 \ patience=20 \ project=workspace/run \ name=person_172 \ device=0

这里面每个参数我都解释一下，因为很多新手卡在参数不理解上。

model=yolov8s.pt 意味着加载YOLOv8s的COCO预训练权重。如果你GPU显存有限，可以换yolov8n.pt，速度更快，精度略降。172张图用s或者n都够用，模型大小不是主要矛盾。

epochs=150 在小样本下，epoch数多一点反而有好处。因为每轮epoch只是把172张图过一遍，信息量有限，150个epoch不算多。但要注意配合早停patience，否则可能会在过拟合区域反复徘徊浪费大量时间。

batch=16 看你的显存，一般6G以上可以跑batch=16甚至32。batch小的时候梯度噪声大，训练不稳定；batch大的时候单轮时间稍长，但整体收敛更快。实际调的时候，尽量让batch大一些，特别是小样本训练，batch大能降低损失震荡。

patience=20 是早停的耐心值。连续20个epoch验证集mAP没有提升，训练就会提前停。小样本训练经常会出现验证集指标震荡的情况，patience太小容易过早停止，20是个比较稳的值。

imgsz=640 是一个重要的平衡点。车间场景里小目标多，增大输入分辨率对召回小目标很有帮助。你可以试imgsz=960甚至1280，如果显存允许的话，检测精度会有明显提升，尤其是远距离小尺寸人员。但推理速度会下降，部署时要综合考虑。

4.2 训练开始后要盯的指标：loss曲线的真实含义

训练开始后，你会在终端看到loss、精度、召回率这些指标。但很多人不知道，小样本训练下这些指标的含义和在正常数据集下不完全一样。

box_loss和cls_loss如果持续下降，说明模型在正常学习。但如果epoch到后半段时loss还在快速下降，而val指标已经停滞，就要注意过拟合了。小样本下的经典过拟合信号是train loss降得很快，val mAP却波动或下降。

还有一个经验：单一类别检测时，cls_loss的绝对值通常会比较小，因为类别少。重点看box_loss和obj_loss。如果obj_loss一直降不下来，说明模型在"这里有没有目标"这个判断上还比较犹豫，大概率是正负样本不平衡导致的。

我习惯在训练结束后画一下PR曲线。YOLOv8训练完会自动在runs目录下生成results.png、confusion_matrix.png等文件。PR曲线如果P和R都很高，接近右上角，说明模型效果好；如果曲线中间有明显凹陷或者P高R低，就需要根据具体场景决定是保精度还是保召回。

4.3 我最常遇到的三个训练问题

第一个问题是训练时图片全部被跳过，提示label格式错误。十有八九是标签里的类别id超出了nc范围，或者有空的txt文件。比如类别id写成了1，但data.yaml里nc=1只有类别0合法。解决办法是在代码里过滤掉非法的标注行。这并不罕见，很多标注工具导出的文件里会有空行或者多余空格。

第二个问题是训练损失大幅震荡不收敛。常见原因是batch太小。172张图如果batch=4，每个batch里图片差异可能很大，梯度方向震荡严重。把batch加大到16或32，震荡会明显减轻。如果显存不够，就降低imgsz，而不是牺牲batch。

第三个问题是验证集mAP很高但实际视频表现很差。这几乎都是因为训练验证集划分太"友好"了，验证集和训练集是同一天同一个机位拍的，场景几乎一样。小样本数据很容易出现这种"场景耦合"，解决方法是单独留出一些不同时间、不同姿态的视频帧作为验证，或者最后用实测视频来验收，而不是完全信任验证集指标。

5. 评估与部署：模型好不好，看实测视频说了算

5.1 为什么说验证集指标在车间场景里"仅供参考"

很多人训练完盯着mAP数字看，好像mAP到了0.95就万事大吉了。但车间场景下，mAP和实际体验之间经常隔着一条鸿沟。

原因在于mAP计算方式。mAP是对所有置信度阈值下的precision和recall做一个综合，它关心的是"排序质量"，也就是目标分数是否排在背景前面。但实际部署时你只有一个固定的置信度阈值，比如0.5，低于这个阈值就忽略。如果模型在0.95阈值下表现好，但在0.5阈值下误检一堆，mAP看着高，实际用起来崩溃。

另外，验证集指标是在静态图片上算的。而实际车间场景是连续视频流，模型会对每一帧做推理，帧与帧之间的抖动、闪烁、偶尔跳变，静态指标完全反映不出来。

所以我建议验证流程做成三步：先用验证集算mAP和PR曲线做初步判断；然后找一段没有参与训练的车间视频，跑一次完整推理，观察误检漏检的具体形态；最后统计一个自己定义的鲁棒性指标，比如目标在画面中持续存在时，连续30帧里被检测到的帧数占比。这个指标比mAP更能反映真实可用性。

5.2 部署推理：YOLOv8导出ONNX再转其他格式

训练完模型，下一步就是部署。在车间场景里，直接用Python跑torch推理是可以的，但效率不高，我建议至少导出到ONNX。导出命令：

yolo export model=best.pt format=onnx imgsz=640

导出的ONNX模型可以配合ONNX Runtime或者OpenVINO推理。在Intel CPU上，OpenVINO比ONNX Runtime通常快一到三倍，这个差异在车间多路摄像头场景下非常明显。

如果是边缘设备部署，比如Jetson系列，我建议导出TensorRT，精度损失小，速度提升大。转换过程里最容易踩的坑是动态尺寸和batch导出设置。如果导出的模型固定了输入尺寸，推理时候输入图片尺寸必须严格匹配，否则就会报错。我一般在导出时就固定imgsz=640，毕竟部署时也不会频繁改分辨率。

如果是在边缘小盒子或者嵌入式设备上，NCNN是另一个选择，特别是RK3588这类国产平台，NCNN支持到位。但NCNN对YOLOv8的某些算子兼容性不如TensorRT那么好，转之前建议先跑一遍算子检查脚本，确认哪些层无法转换，再决定是否要改模型结构。

5.3 车间部署的三个工程细节

第一，摄像头画面的曝光策略要配合模型。很多车间摄像头为了看得清全局，会把曝光调得过亮或者过暗，导致画面里的工人要么过曝一片白，要么欠曝变成黑乎乎一团。模型在这种画面上表现差，不一定是因为模型不好，很可能是输入图像质量就不行。我建议把相机的宽动态范围打开，或者调整曝光补偿，让人的轮廓在画面里保持可辨识。

第二，置信度阈值要根据误检代价来调。如果这个检测系统是用来做安全预警的，误检代价低，宁可误报多也不能漏报，那置信度阈值就调低一点，比如0.25。如果检测结果是用来触发自动停机的，误报代价很高，高于漏报代价，那就把阈值调高到0.6以上，宁可偶尔漏检，也不能动不动把产线停了。这个取舍一定要在部署前和业务方确认清楚。

第三，视频流抽帧推理的稳定性。车间通常用RTSP流接入，我建议不要每帧都推理，YOLO模型在CPU上跑实时视频流有点吃力，可以设置每3到5帧推理一次，中间帧用最近一次结果来保持。这样既保证了一定实时性，又大幅降低了计算压力。实测下来，对人员走动这种变化不太剧烈的场景，3帧抽1帧完全够用。

6. 如果只有172张不够用：数据扩充的优先级

6.1 从172到500：扩充数据的正确姿势

如果你是拿这份数据集做课设或者demo，172张可能够用。但如果你要在真实产线上部署，我建议至少把数据扩到300到500张。扩充数据的优先级顺序很重要，我的建议是：

第一优先，从目标车间的不同时段采集。上午、下午、晚上各拍一段，覆盖不同光照条件。光照是车间检测最大的变数，多时段的样本比同时间段的样本价值大得多。

第二优先，覆盖不同的摄像头角度。如果车间有多个摄像头，尽量把每个摄角都采到，因为不同摄角下的人体形态差异很大。如果只有一个摄像头，可以尝试调整安装高度和位置，获得不同的俯视角度。

第三优先，采集遮挡场景。工人从设备后面经过、站在货架前只露半边身体，这类遮挡样本是模型最容易漏检的，需要刻意收集。只要摄像头持续录像，这类样本自然会出现，关键是事后筛选出来加进训练集。

第四优先，收集负样本。没有人的车间画面同样重要。很多误检来源于模型把设备纹路、警示条、堆垛误认成人。把大量不含人的车间帧作为负样本加入训练，能显著降低误检率。这是很多新手最容易忽略的一点。

6.2 自己标注：用工具还是手写

如果要从视频里抽帧做新标注，工具我推荐LabelImg或者X-AnyLabeling。前者是老牌工具，简单稳定，适合YOLO格式标注；后者支持半自动标注，可以先用当前模型预标注，再人工修框，效率提升明显。

标注时注意三点：一是框要贴紧目标，不要留太多背景，也不要把目标切掉一块；二是遮挡目标的框只框可见部分，不要凭想象把被挡住的部分也框进去，否则模型学到的"人的形状"会包含很多不存在的部分；三是类别只有人，所以标注速度其实很快，一个小时标注两三百张不是问题。

我自己标注的时候有个习惯：每标注完一批，过一天再回头看看。因为隔天再看，更容易发现当时手滑标错的框。这个习惯帮助我避免了很多低级标注错误。

6.3 用伪标签和自蒸馏做半监督扩充

当标注数据实在有限，还有一个进阶技巧：用训练好的模型在未标注的车间视频上跑一遍推理，把置信度高于某个较高阈值（比如0.85）的检测结果当作伪标签，人工抽查确认后加入训练集。这样可以在几乎零标注成本的情况下，把有效样本翻倍。

我实测过这个方案。用180张标注数据训练一个基础模型，然后在2小时车间视频上跑推理，收集到约800个高置信度检测框，人工检查后过滤掉其中约5%的错误框，最终获得760个左右的"伪标注"样本。把这批样本加入训练集再训练一轮，模型在测试视频上的表现比第一轮提升明显，尤其是小目标召回率提升最显著。

这个做法的核心在于，高置信度伪标签的噪声率很低，而且错误模式通常集中在边框不够精确，而不是类别的根本性错误。人工抽查过滤之后，这类数据可以安全使用。

7. 这份数据集放进完整项目里的玩法拓展

7.1 更进一步的模型改进方向

如果你已经用这份数据集把基线模型跑通了，接下来想提升模型表现，可以考虑几个方向。

一个是注意力机制。给YOLO的骨干网络加上注意力模块，比如在backbone后面加一个SE或者CBAM模块，可以让模型更关注人体区域而忽略设备背景。实测下来，在车间场景下，注意力机制对抑制背景误检有一定帮助。但要注意，增加模块会带来推理延迟，在实时部署场景下要权衡。

另一个是多尺度训练。车间里小目标多，使用多尺度训练可以让模型对不同尺寸的目标更鲁棒。ultralytics里可以在训练时开启多尺度，或者每次epoch随机改变输入尺寸（例如在480到960之间随机取值）。我实测这个对小目标检测的提升非常明显。

还有一个是测试时增强。推理时把原图、水平翻转图分别推理，再把结果融合。这个方法能提高一点精度，但推理时间几乎翻倍，所以一般只在离线分析场景用，不适合实时监控。

7.2 和热词里的其他方向结合：比如车牌识别、其他目标检测

这个数据集虽然只检测人，但它的价值可以复用到别的方向。相关热词里出现了很多目标检测的应用场景，比如车牌识别、头发毛囊检测、无人机航拍目标、水下管道裂缝检测等。这些方向的共同点是它们都依赖一份高质量的场景专属数据集。你从这份172张人检测数据集中学会的训练流程、数据标注方法、模型调优技巧，完全可以直接迁移到其他目标类别上。

比如你想做车间的叉车检测，假设你手上没有叉车数据集，你完全可以复刻这套流程：从车间监控里抽一两百帧叉车画面，用工具标注成YOLO格式，加载预训练权重微调，验证效果。流程几乎一模一样，只是类别从person变成了forklift。这就是小样本数据集作为"方法载体"的价值——它教会你的是怎么处理"场景专属数据稀缺"这个通用问题。