简介目标检测是计算机视觉领域的核心任务之一而YOLO系列以其高效和易用性成为工程实践中的主流框架。对于密集、遮挡严重的教室场景如何准确检测人头并非易事这涉及到数据标注的规范性、坐标归一化的原理以及模型训练的参数调优。高质量的YOLO格式数据集能够显著提升小目标检测的召回率为课堂考勤、专注度分析和人数统计等应用提供可靠的技术支撑。本文基于一份真实的教室头部检测数据集详细拆解了YOLO txt标注的物理含义、数据清洗与增强策略、YOLOv8训练及推理实践并分享了密集场景下的调参与排错经验帮助开发者在自己的项目中少走弯路。 教室里的头到底怎么数清楚这是我做这个数据集时被问得最多的一句话。上课考勤、课堂专注度分析、在线教育质量评估甚至校园安防的拥挤预警背后都绕不开一个最基础也最棘手的问题在密集、遮挡、姿态各异的教室场景里把每个人的头准确找出来。这个项目做的正是这件事——一份专注于教室人群头部检测的YOLO格式数据集1个类别txt标注拿到就能直接开训。这篇博文我会完整拆解这个数据集从设计、标注、清洗到用YOLOv8训练落地的全过程包括标注格式的每一行怎么读、坐标怎么算、训练踩过哪些坑、密集场景下怎么调参。无论你是刚接触目标检测的学生还是正在做课堂分析、人员统计项目的工程师这份内容都能帮你在自己的数据集上少走几条弯路。1. 项目定位为什么是“教室人头”而不是“教室行人”很多初学者拿到一个检测任务第一反应就是直接找人体的框。但如果你真正到教室场景里拍过一组图就会明白人体检测在教室里的体验相当糟糕。1.1 教室场景的三个核心痛点第一是遮挡极其严重。学生坐在课桌后面身体大面积被桌面、前排同学、书本遮住YOLO系列模型在训练人体检测时通常依赖整体轮廓特征一旦躯干不可见检测置信度会急剧下降。第二是密集程度高。一间普通教室40到60人前排后排人头在画面中的尺度差异很大后排头部可能只有十几个像素。人体检测模型在这种密度下容易出现漏检和重复检测。第三是应用目标不同。考勤、专注度分析、课堂互动统计这些需求本质上只需要知道“这里有一个头”并不需要完整的人体姿态和轮廓。与其用一个复杂的模型去处理一个简单任务不如把任务收窄专攻头部检测。1.2 单分类的取舍逻辑这个数据集最终定为1分类类别只有“head”。有人问过为什么不做成“头部人体”两个类别让模型自己学。我的实测经验是类别越多类别间特征干扰越严重训练收敛越慢对数据量和标注质量的要求也会成倍上升。单分类的真正价值在于模型不需要区分“这是谁的头部”只需要输出“这里有一个头部”的置信度和位置框。对于教室场景下的统计类应用来说这种信息已经足够了。如果需要更进一步做身份识别可以再接一个独立的ReID模型不需要在检测阶段就背上这个包袱。1.3 YOLO标注格式为什么是默认选择YOLO格式的标注文件是txt每一行对应一个目标格式是“类别编号 x_center y_center width height”所有坐标值都做了归一化处理范围在0到1之间。选择这个格式不是因为它最好而是因为它现在是目标检测领域的“世界语”。Ultralytics YOLOv8、YOLOv5、YOLOv9、YOLOv10、YOLO11这些主流框架全部原生支持这种格式不需要额外写转换脚本。后续如果要在MMDetection或者Detectron2里用也可以用一行脚本转成COCO格式。这意味着这份数据集无论你是想快速验证还是跑对比实验都几乎没有迁移成本。2. 数据集的构成与核心参数解析2.1 数据集的整体规模与划分原则这份数据集包含训练集和验证集两部分图片全部来自真实教室环境涵盖了从小学到大学的典型座位布局包括阶梯教室、普通多媒体教室、实验室等不同场景。图片分辨率主要集中在1280×720和1920×1080两种常见尺寸这也是大部分教室监控摄像头的实际输出规格。数据划分这里有一个非常关键的细节划分时严格按“场景”而不是按“图片”来做。也就是说同一个教室、同一时间段的连续帧全部只会出现在训练集或验证集中的一个不会被拆散。如果按图片随机划分模型很容易“记住”某个具体画面的背景特征导致训练时验证集指标虚高真正换一个教室部署时效果断崖式下跌。这个道理我在早期做停车场数据集时吃过亏后来所有数据集都改成按场景划分。2.2 YOLO txt标注的物理含义打开任意一个标注文件你会看到类似这样的内容0 0.501953 0.388889 0.074219 0.129630这里的五个数字分别是第一个数字0类别编号由于只有head一类统一为0第二个数字0.501953目标框中心点的x坐标除以图片宽度后得到第三个数字0.388889目标框中心点的y坐标除以图片高度后得到第四个数字0.074219目标框的宽度除以图片宽度后得到第五个数字0.129630目标框的高度除以图片高度后得到也就是说如果一张原始图片的宽度是1280高度是720那么上面这行标注还原回像素坐标就是# 还原像素坐标 x_center_pixel 0.501953 * 1280 # 约642.5 y_center_pixel 0.388889 * 720 # 约280.0 box_width_pixel 0.074219 * 1280 # 约95.0 box_height_pixel 0.129630 * 720 # 约93.332.3 坐标归一化一次换算讲明白归一化的目的是让标注值不受图片尺寸影响。同样是框住一个人的头在1920×1080下可能是200像素宽在640×360下就变成67像素宽。如果不归一化模型在训练时会学到图片尺寸相关的偏置换一个分辨率部署时检测框的位置就会偏移。换算公式其实就四个x_center (x_min x_max) / 2 / image_width y_center (y_min y_max) / 2 / image_height width (x_max - x_min) / image_width height (y_max - y_min) / image_height其中x_min、y_min是标注框左上角的像素坐标x_max、y_max是右下角的像素坐标。反过来的过程也一样x_min (x_center - width / 2) * image_width y_min (y_center - height / 2) * image_height x_max (x_center width / 2) * image_width y_max (y_center height / 2) * image_height这个换算在模型推理后可视化检测框时经常用到建议直接写进自己的工具脚本里。3. 数据采集与标注一份高质量数据集是怎么磨出来的3.1 标注边界到底画在哪里做头部检测数据集最容易起争议的就是标注边界问题。不同的人标出来的框可能差异很大一个框稍微大一点把脖子也框进去了另一个框稍微小一点只盖住额头到下巴。这类差异不仅影响训练收敛还会让最终的评估指标不稳定。我的标注规范定得很明确标注框必须完整包含整个头部区域包含头发、耳朵、下巴但尽量不包含颈部以下区域。如果目标头部被严重遮挡只露出20%以下的面积则不标注露出面积在20%到50%之间标注时以可见部分为准并在标签中记录为“遮挡样本”。实际操作中我们还额外做了一轮“复标”流程第一轮标注完成后换一批标注人员对同一批图片进行交叉检查重点看两类问题——漏标和小目标框偏移。教室后排的头部经常只有10到15个像素大小非常容易被漏掉这类样本恰恰是小目标检测能力的关键漏了会严重影响模型在真实场景中的表现。3.2 标注工具选型与使用细节我推荐使用LabelImg完成YOLO格式标注原因很简单它原生支持YOLO格式的保存和读取安装和使用对新手非常友好。具体操作步骤安装LabelImg可以用pip安装也可以直接下载Windows发行版打开软件后点击“打开目录”选择存放图片的文件夹在菜单栏的“PascalVOC”处点击切换为“YOLO”格式状态栏会显示当前格式用“Create RectBox”按钮逐张框选头部目标每个框都会弹出类别选择窗口输入类别名“head”并确认点击“保存”后每张图片会生成一个同名的txt文件这里有一个特别容易踩的坑LabelImg生成的txt文件会自动保存在图片同目录下而YOLO训练时通常要求图片和标注文件分开存放。我建议在标注完成后统一用一个脚本做一次文件整理和格式校验而不是在标注过程中手动移动文件否则容易出现图片和标注对不上的情况。3.3 数据清洗别让坏数据拖垮训练标注完成后不能直接开训必须先做一轮系统性清洗。我总结了三个必做的检查项目图片与txt文件数量一致遍历所有图片确保每张图都有对应的txt文件。空txt文件也要保留这类图片对应的是“没有任何目标的负样本”对降低误检率有帮助。坐标值范围合法所有归一化坐标必须在0到1之间。如果出现大于1的值多半是标注时框出了图片边界需要重新校正。类别编号有效由于类别编号是从0开始的单分类数据集中所有txt文件的第一列只能是0出现其他数字说明标注时类别配置出错。我通常用下面这个Python脚本快速完成基础校验import os from pathlib import Path image_dir Path(images) label_dir Path(labels) for img_file in image_dir.glob(*.jpg): label_file label_dir / (img_file.stem .txt) if not label_file.exists(): print(f[WARN] 缺少标注文件: {label_file}) continue with open(label_file, r) as f: for line in f: parts line.strip().split() if len(parts) ! 5: print(f[ERROR] 格式错误: {label_file}: {line}) continue cls, x, y, w, h parts # 检查坐标范围 values [float(v) for v in [x, y, w, h]] if any(v 0 or v 1 for v in values): print(f[ERROR] 坐标越界: {label_file}: {line})3.4 数据增强策略教室场景的数据增强和其他场景有明显区别。我们做了几组对比实验最终在训练阶段固定下来的增强组合是Mosaic默认开启每次把4张图拼接成1张训练对密集场景的鲁棒性提升明显随机旋转只在±10度范围内旋转教室场景有天花板和讲台做参照物旋转角度太大会让模型学到不合理的语义HSV扰动主要调亮度和饱和度模拟不同教室灯光条件平移与缩放对于小目标密集的图片多尺度训练能显著提升后排头部的召回率比较出乎意料的是随机翻转我没有放在默认设置里。因为部分教室有固定的讲台方向和投影幕布如果强行水平翻转模型可能会把“头”和“黑板方向”的语义关联搞混。当然如果你的数据里既有左讲台也有右讲台布局的教室翻转就没问题这个要根据自己的数据构成来判断。4. 用YOLOv8训练这份数据集的完整实操4.1 数据集目录结构先把目录结构整理好YOLOv8官方推荐的风格是这样dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── dataset.yamlimages和labels下分别放训练集和验证集图片文件名与标注文件名必须严格一一对应后缀不同。这个目录结构是Ultralytics框架的默认约定直接照做就省去了自定义数据加载逻辑的麻烦。4.2 配置文件编写在dataset目录下创建dataset.yaml内容如下path: /path/to/dataset train: images/train val: images/val nc: 1 names: 0: head其中path是数据集根目录的绝对路径train和val是相对根目录的子路径nc是类别数量1names是类别名列表。这里需要注意names里的索引必须和txt标注文件中的第一个数字对应0就是head不要改成从1开始YOLO系列的类别编号从0开始是硬约定。4.3 训练命令与关键参数如果使用Ultralytics YOLOv8训练命令很简洁yolo train datadataset/dataset.yaml modelyolov8n.pt epochs200 imgsz640 batch16 device0如果你是第一次训练建议先用yolov8n这种轻量模型跑通整个流程确认数据没有问题后再换成yolov8s或yolov8m追求更高精度。几个关键参数我单独说明一下imgsz建议640起步。如果你发现后排头部目标太小可以尝试896甚至1280但要注意显存占用会显著增加。实测imgsz从640提升到1280时小目标的mAP可以提升6到8个百分点但训练时间会变成原来的3到4倍需要根据硬件条件权衡。batch以显卡显存为上限尽可能调大一般8GB显存用1624GB显存用32或64都可以。epochs教室场景相对单一200轮基本足够。我习惯在训练时开启早停机制连续50轮验证集指标不提升就自动终止省时间。训练结束后best.pt和last.pt会保存在runs/detect/train目录下。我们用best.pt做推理测试。4.4 指标评估怎么看训练结束后输出结果里有一堆指标我最关注三个mAP50IoU阈值为0.5时的平均精度整体检测能力的基础指标人群头部检测通常要求做到0.9以上才算可用mAP50-95严格指标对边界框的精确度要求更高。教室场景中头部框稍微偏移一点在监控大屏上可能看不出问题但在考勤系统里就会影响后续的轨迹跟踪质量各类别P/R曲线单分类也得看重点确认召回率在低置信度区间有没有掉得厉害有一类问题很隐蔽训练集mAP很高但验证集mAP明显偏低通常是过拟合。以单人桌教室为例如果训练集里集中了大量同一机位的图片模型学到的是这个机位特有的视角和背景而不是“头”这个目标本身的特征。这种情况最有效的解决办法是从数据层面去掉连续帧冗余而不是硬调模型结构。5. 拿训练好的模型做推理与结果可视化5.1 推理脚本训练完成后用下面这个脚本对单张图片做推理并可视化from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) results model.predict( sourcetest.jpg, conf0.3, imgsz640, saveTrue, save_txtTrue, save_confTrue, line_width1 )这里conf0.3表示置信度阈值。教室场景如果后续要做考勤0.3到0.4是经验区间太低会出现大量误检太高后排小目标容易丢。save_txtTrue会把推理结果也保存为YOLO格式的txt文件方便后续做结果统计评估而不仅是一张标注了框的图片。5.2 从密集检测到人数统计检测出的头部框可以直接用来统计人数。一个简单可靠的做法是统计txt文件中的总行数。但更精确的做法需要先做非极大值抑制NMS的阈值调整避免一个头被重复检测成两个框。我们实际项目中的人数统计流程是用模型对每一帧进行推理得到所有头部框设置一个较严格的NMS IoU阈值如0.5抑制重叠检测框统计当前帧的检测框数量作为当前画面人数的近似值如果摄像头固定可以提前标定一个“教室区域”的ROI排除教室外走廊人员的干扰这里有一个很实用的经验下午阳光斜射进入教室时窗边学生的脸上会出现强反光模型偶尔会误检成两个头。遇到这种情况可以在推理后加一个“最小框面积”过滤——如果一个检测框的像素面积小于预设值比如10×10像素大概率是误检直接过滤掉。6. 常见问题与排查技巧实录6.1 训练时报错“Assertion failed: labels not found”这个错误几乎都是目录结构问题。检查一下是不是把labels目录放在了images目录下面或者训练集图片路径和标注路径不一致。YOLOv8默认从图片路径推导标注路径图片在images/train下标注就应该在labels/train下。文件名后缀不同没关系但主文件名必须严格一致。6.2 标注文件中的坐标是空白的出现这种问题通常是标注工具的类别配置没有正确初始化。LabelImg在首次使用时需要先选择类别文件或以PascalVOC模式预建类别列表否则生成的txt内容可能为空。另一类情况是图片本身是纯色背景、没有任何目标这没问题txt为空是正常的但要在数据加载时确保空txt文件也存在。6.3 模型漏检后排小目标这是密集场景下最典型的问题。我的排查顺序是确认后排在训练集中是否充分出现不要只在验证集里出现尝试imgsz1280或更高分辨率训练检查数据增强的随机裁剪是否过度导致小目标被裁掉考虑对图片做两阶段推理先用低分辨率全图检测再对检测到的高密度区域做局部放大二次检测我实测下来对于教室后排只有12到15像素的头部单纯调参数很难从本质上解决需要从训练分辨率和数据量两个方向同时努力。6.4 验证集指标很高部署后效果却变差教室场景的部署环境和训练环境不一致是最常见的原因。训练数据里的机位都是教室中后部俯拍而部署时摄像头安装在讲台前平视视角差异导致模型无法适应。一个可行做法是收集目标部署机位的少量真实画面几百张即可做一个微调训练不需要重新标注整个数据集只需要标注新增的数据配合原数据集一起训练10到20轮。6.5 检测框抖动厉害相邻帧框位置跳变这个问题在头部检测中很普遍。单帧检测是独立进行的模型对每张图的输出都有微小差异连续播放时就会看到框在目标的边缘附近抖动。如果是做考勤统计这类非实时帧级应用建议做时序后处理用IoU关联前后帧的检测框对连续多帧匹配成功的框做平滑位置输出。这种方式比单纯在检测阶段调参数更有效因为抖动本来就不是检测错误只是模型预测概率的自然波动在可视化层面的表现。7. 数据集的扩展思路与后续迭代这个教室头部检测数据集解决的是“教室里有多少个头”的问题但真实项目往往需要进一步解答“这些头分别是谁”“他们正在做什么”。沿着这个方向可以做几个扩展。第一个扩展是加上头部姿态分类。在现有检测框的基础上将每个头部区域裁剪出来训练一个head pose分类器可以输出学生正脸、侧脸、低头、转头等状态这对应课堂专注度分析的需求。第二个扩展是接入跟踪模块。用ByteTrack或DeepSORT关联视频帧中的检测框就能输出每个学生的轨迹。基于轨迹可以进一步做抬头率、低头时长、活跃度等行为特征统计。第三个扩展是多机位联合。单摄像头存在遮挡死角双摄像头或多摄像头覆盖同一教室的不同角度再用跨镜跟踪算法做融合可以显著提升遮挡场景下的人数统计准确率。这个方向数据采集成本高但做出来之后应用价值非常大。我个人的体会是数据集本身的制作流程看似繁琐但它决定了整个项目的效果上限。模型结构可以换超参数可以调但如果数据标注的质量、场景覆盖度、划分逻辑出了问题后续做多少优化都是事倍功半。这份教室人头数据集沉淀下来的不仅是标注文件更是一套面向密集小目标场景的数据处理方法论把它迁移到其他教室、考场甚至报告厅场景时流程可以直接复用。最后再分享一个小技巧做这类场景化数据集时不要只存最终的标注文件把标注过程中发现的问题图片比如严重遮挡、极端光照、运动模糊单独存一个文件夹这些图片是后续分析模型失败原因时的第一手资料。我踩过几次“找不出为什么精度上不去”的坑最后翻回去看问题图片集才恍然大悟——原来训练集里这类极端样本太少了。本文还有配套的精品资源点击获取 教室人头检测YOLO数据集：从标注到训练全流程解析
简介目标检测是计算机视觉领域的核心任务之一而YOLO系列以其高效和易用性成为工程实践中的主流框架。对于密集、遮挡严重的教室场景如何准确检测人头并非易事这涉及到数据标注的规范性、坐标归一化的原理以及模型训练的参数调优。高质量的YOLO格式数据集能够显著提升小目标检测的召回率为课堂考勤、专注度分析和人数统计等应用提供可靠的技术支撑。本文基于一份真实的教室头部检测数据集详细拆解了YOLO txt标注的物理含义、数据清洗与增强策略、YOLOv8训练及推理实践并分享了密集场景下的调参与排错经验帮助开发者在自己的项目中少走弯路。 教室里的头到底怎么数清楚这是我做这个数据集时被问得最多的一句话。上课考勤、课堂专注度分析、在线教育质量评估甚至校园安防的拥挤预警背后都绕不开一个最基础也最棘手的问题在密集、遮挡、姿态各异的教室场景里把每个人的头准确找出来。这个项目做的正是这件事——一份专注于教室人群头部检测的YOLO格式数据集1个类别txt标注拿到就能直接开训。这篇博文我会完整拆解这个数据集从设计、标注、清洗到用YOLOv8训练落地的全过程包括标注格式的每一行怎么读、坐标怎么算、训练踩过哪些坑、密集场景下怎么调参。无论你是刚接触目标检测的学生还是正在做课堂分析、人员统计项目的工程师这份内容都能帮你在自己的数据集上少走几条弯路。1. 项目定位为什么是“教室人头”而不是“教室行人”很多初学者拿到一个检测任务第一反应就是直接找人体的框。但如果你真正到教室场景里拍过一组图就会明白人体检测在教室里的体验相当糟糕。1.1 教室场景的三个核心痛点第一是遮挡极其严重。学生坐在课桌后面身体大面积被桌面、前排同学、书本遮住YOLO系列模型在训练人体检测时通常依赖整体轮廓特征一旦躯干不可见检测置信度会急剧下降。第二是密集程度高。一间普通教室40到60人前排后排人头在画面中的尺度差异很大后排头部可能只有十几个像素。人体检测模型在这种密度下容易出现漏检和重复检测。第三是应用目标不同。考勤、专注度分析、课堂互动统计这些需求本质上只需要知道“这里有一个头”并不需要完整的人体姿态和轮廓。与其用一个复杂的模型去处理一个简单任务不如把任务收窄专攻头部检测。1.2 单分类的取舍逻辑这个数据集最终定为1分类类别只有“head”。有人问过为什么不做成“头部人体”两个类别让模型自己学。我的实测经验是类别越多类别间特征干扰越严重训练收敛越慢对数据量和标注质量的要求也会成倍上升。单分类的真正价值在于模型不需要区分“这是谁的头部”只需要输出“这里有一个头部”的置信度和位置框。对于教室场景下的统计类应用来说这种信息已经足够了。如果需要更进一步做身份识别可以再接一个独立的ReID模型不需要在检测阶段就背上这个包袱。1.3 YOLO标注格式为什么是默认选择YOLO格式的标注文件是txt每一行对应一个目标格式是“类别编号 x_center y_center width height”所有坐标值都做了归一化处理范围在0到1之间。选择这个格式不是因为它最好而是因为它现在是目标检测领域的“世界语”。Ultralytics YOLOv8、YOLOv5、YOLOv9、YOLOv10、YOLO11这些主流框架全部原生支持这种格式不需要额外写转换脚本。后续如果要在MMDetection或者Detectron2里用也可以用一行脚本转成COCO格式。这意味着这份数据集无论你是想快速验证还是跑对比实验都几乎没有迁移成本。2. 数据集的构成与核心参数解析2.1 数据集的整体规模与划分原则这份数据集包含训练集和验证集两部分图片全部来自真实教室环境涵盖了从小学到大学的典型座位布局包括阶梯教室、普通多媒体教室、实验室等不同场景。图片分辨率主要集中在1280×720和1920×1080两种常见尺寸这也是大部分教室监控摄像头的实际输出规格。数据划分这里有一个非常关键的细节划分时严格按“场景”而不是按“图片”来做。也就是说同一个教室、同一时间段的连续帧全部只会出现在训练集或验证集中的一个不会被拆散。如果按图片随机划分模型很容易“记住”某个具体画面的背景特征导致训练时验证集指标虚高真正换一个教室部署时效果断崖式下跌。这个道理我在早期做停车场数据集时吃过亏后来所有数据集都改成按场景划分。2.2 YOLO txt标注的物理含义打开任意一个标注文件你会看到类似这样的内容0 0.501953 0.388889 0.074219 0.129630这里的五个数字分别是第一个数字0类别编号由于只有head一类统一为0第二个数字0.501953目标框中心点的x坐标除以图片宽度后得到第三个数字0.388889目标框中心点的y坐标除以图片高度后得到第四个数字0.074219目标框的宽度除以图片宽度后得到第五个数字0.129630目标框的高度除以图片高度后得到也就是说如果一张原始图片的宽度是1280高度是720那么上面这行标注还原回像素坐标就是# 还原像素坐标 x_center_pixel 0.501953 * 1280 # 约642.5 y_center_pixel 0.388889 * 720 # 约280.0 box_width_pixel 0.074219 * 1280 # 约95.0 box_height_pixel 0.129630 * 720 # 约93.332.3 坐标归一化一次换算讲明白归一化的目的是让标注值不受图片尺寸影响。同样是框住一个人的头在1920×1080下可能是200像素宽在640×360下就变成67像素宽。如果不归一化模型在训练时会学到图片尺寸相关的偏置换一个分辨率部署时检测框的位置就会偏移。换算公式其实就四个x_center (x_min x_max) / 2 / image_width y_center (y_min y_max) / 2 / image_height width (x_max - x_min) / image_width height (y_max - y_min) / image_height其中x_min、y_min是标注框左上角的像素坐标x_max、y_max是右下角的像素坐标。反过来的过程也一样x_min (x_center - width / 2) * image_width y_min (y_center - height / 2) * image_height x_max (x_center width / 2) * image_width y_max (y_center height / 2) * image_height这个换算在模型推理后可视化检测框时经常用到建议直接写进自己的工具脚本里。3. 数据采集与标注一份高质量数据集是怎么磨出来的3.1 标注边界到底画在哪里做头部检测数据集最容易起争议的就是标注边界问题。不同的人标出来的框可能差异很大一个框稍微大一点把脖子也框进去了另一个框稍微小一点只盖住额头到下巴。这类差异不仅影响训练收敛还会让最终的评估指标不稳定。我的标注规范定得很明确标注框必须完整包含整个头部区域包含头发、耳朵、下巴但尽量不包含颈部以下区域。如果目标头部被严重遮挡只露出20%以下的面积则不标注露出面积在20%到50%之间标注时以可见部分为准并在标签中记录为“遮挡样本”。实际操作中我们还额外做了一轮“复标”流程第一轮标注完成后换一批标注人员对同一批图片进行交叉检查重点看两类问题——漏标和小目标框偏移。教室后排的头部经常只有10到15个像素大小非常容易被漏掉这类样本恰恰是小目标检测能力的关键漏了会严重影响模型在真实场景中的表现。3.2 标注工具选型与使用细节我推荐使用LabelImg完成YOLO格式标注原因很简单它原生支持YOLO格式的保存和读取安装和使用对新手非常友好。具体操作步骤安装LabelImg可以用pip安装也可以直接下载Windows发行版打开软件后点击“打开目录”选择存放图片的文件夹在菜单栏的“PascalVOC”处点击切换为“YOLO”格式状态栏会显示当前格式用“Create RectBox”按钮逐张框选头部目标每个框都会弹出类别选择窗口输入类别名“head”并确认点击“保存”后每张图片会生成一个同名的txt文件这里有一个特别容易踩的坑LabelImg生成的txt文件会自动保存在图片同目录下而YOLO训练时通常要求图片和标注文件分开存放。我建议在标注完成后统一用一个脚本做一次文件整理和格式校验而不是在标注过程中手动移动文件否则容易出现图片和标注对不上的情况。3.3 数据清洗别让坏数据拖垮训练标注完成后不能直接开训必须先做一轮系统性清洗。我总结了三个必做的检查项目图片与txt文件数量一致遍历所有图片确保每张图都有对应的txt文件。空txt文件也要保留这类图片对应的是“没有任何目标的负样本”对降低误检率有帮助。坐标值范围合法所有归一化坐标必须在0到1之间。如果出现大于1的值多半是标注时框出了图片边界需要重新校正。类别编号有效由于类别编号是从0开始的单分类数据集中所有txt文件的第一列只能是0出现其他数字说明标注时类别配置出错。我通常用下面这个Python脚本快速完成基础校验import os from pathlib import Path image_dir Path(images) label_dir Path(labels) for img_file in image_dir.glob(*.jpg): label_file label_dir / (img_file.stem .txt) if not label_file.exists(): print(f[WARN] 缺少标注文件: {label_file}) continue with open(label_file, r) as f: for line in f: parts line.strip().split() if len(parts) ! 5: print(f[ERROR] 格式错误: {label_file}: {line}) continue cls, x, y, w, h parts # 检查坐标范围 values [float(v) for v in [x, y, w, h]] if any(v 0 or v 1 for v in values): print(f[ERROR] 坐标越界: {label_file}: {line})3.4 数据增强策略教室场景的数据增强和其他场景有明显区别。我们做了几组对比实验最终在训练阶段固定下来的增强组合是Mosaic默认开启每次把4张图拼接成1张训练对密集场景的鲁棒性提升明显随机旋转只在±10度范围内旋转教室场景有天花板和讲台做参照物旋转角度太大会让模型学到不合理的语义HSV扰动主要调亮度和饱和度模拟不同教室灯光条件平移与缩放对于小目标密集的图片多尺度训练能显著提升后排头部的召回率比较出乎意料的是随机翻转我没有放在默认设置里。因为部分教室有固定的讲台方向和投影幕布如果强行水平翻转模型可能会把“头”和“黑板方向”的语义关联搞混。当然如果你的数据里既有左讲台也有右讲台布局的教室翻转就没问题这个要根据自己的数据构成来判断。4. 用YOLOv8训练这份数据集的完整实操4.1 数据集目录结构先把目录结构整理好YOLOv8官方推荐的风格是这样dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── dataset.yamlimages和labels下分别放训练集和验证集图片文件名与标注文件名必须严格一一对应后缀不同。这个目录结构是Ultralytics框架的默认约定直接照做就省去了自定义数据加载逻辑的麻烦。4.2 配置文件编写在dataset目录下创建dataset.yaml内容如下path: /path/to/dataset train: images/train val: images/val nc: 1 names: 0: head其中path是数据集根目录的绝对路径train和val是相对根目录的子路径nc是类别数量1names是类别名列表。这里需要注意names里的索引必须和txt标注文件中的第一个数字对应0就是head不要改成从1开始YOLO系列的类别编号从0开始是硬约定。4.3 训练命令与关键参数如果使用Ultralytics YOLOv8训练命令很简洁yolo train datadataset/dataset.yaml modelyolov8n.pt epochs200 imgsz640 batch16 device0如果你是第一次训练建议先用yolov8n这种轻量模型跑通整个流程确认数据没有问题后再换成yolov8s或yolov8m追求更高精度。几个关键参数我单独说明一下imgsz建议640起步。如果你发现后排头部目标太小可以尝试896甚至1280但要注意显存占用会显著增加。实测imgsz从640提升到1280时小目标的mAP可以提升6到8个百分点但训练时间会变成原来的3到4倍需要根据硬件条件权衡。batch以显卡显存为上限尽可能调大一般8GB显存用1624GB显存用32或64都可以。epochs教室场景相对单一200轮基本足够。我习惯在训练时开启早停机制连续50轮验证集指标不提升就自动终止省时间。训练结束后best.pt和last.pt会保存在runs/detect/train目录下。我们用best.pt做推理测试。4.4 指标评估怎么看训练结束后输出结果里有一堆指标我最关注三个mAP50IoU阈值为0.5时的平均精度整体检测能力的基础指标人群头部检测通常要求做到0.9以上才算可用mAP50-95严格指标对边界框的精确度要求更高。教室场景中头部框稍微偏移一点在监控大屏上可能看不出问题但在考勤系统里就会影响后续的轨迹跟踪质量各类别P/R曲线单分类也得看重点确认召回率在低置信度区间有没有掉得厉害有一类问题很隐蔽训练集mAP很高但验证集mAP明显偏低通常是过拟合。以单人桌教室为例如果训练集里集中了大量同一机位的图片模型学到的是这个机位特有的视角和背景而不是“头”这个目标本身的特征。这种情况最有效的解决办法是从数据层面去掉连续帧冗余而不是硬调模型结构。5. 拿训练好的模型做推理与结果可视化5.1 推理脚本训练完成后用下面这个脚本对单张图片做推理并可视化from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) results model.predict( sourcetest.jpg, conf0.3, imgsz640, saveTrue, save_txtTrue, save_confTrue, line_width1 )这里conf0.3表示置信度阈值。教室场景如果后续要做考勤0.3到0.4是经验区间太低会出现大量误检太高后排小目标容易丢。save_txtTrue会把推理结果也保存为YOLO格式的txt文件方便后续做结果统计评估而不仅是一张标注了框的图片。5.2 从密集检测到人数统计检测出的头部框可以直接用来统计人数。一个简单可靠的做法是统计txt文件中的总行数。但更精确的做法需要先做非极大值抑制NMS的阈值调整避免一个头被重复检测成两个框。我们实际项目中的人数统计流程是用模型对每一帧进行推理得到所有头部框设置一个较严格的NMS IoU阈值如0.5抑制重叠检测框统计当前帧的检测框数量作为当前画面人数的近似值如果摄像头固定可以提前标定一个“教室区域”的ROI排除教室外走廊人员的干扰这里有一个很实用的经验下午阳光斜射进入教室时窗边学生的脸上会出现强反光模型偶尔会误检成两个头。遇到这种情况可以在推理后加一个“最小框面积”过滤——如果一个检测框的像素面积小于预设值比如10×10像素大概率是误检直接过滤掉。6. 常见问题与排查技巧实录6.1 训练时报错“Assertion failed: labels not found”这个错误几乎都是目录结构问题。检查一下是不是把labels目录放在了images目录下面或者训练集图片路径和标注路径不一致。YOLOv8默认从图片路径推导标注路径图片在images/train下标注就应该在labels/train下。文件名后缀不同没关系但主文件名必须严格一致。6.2 标注文件中的坐标是空白的出现这种问题通常是标注工具的类别配置没有正确初始化。LabelImg在首次使用时需要先选择类别文件或以PascalVOC模式预建类别列表否则生成的txt内容可能为空。另一类情况是图片本身是纯色背景、没有任何目标这没问题txt为空是正常的但要在数据加载时确保空txt文件也存在。6.3 模型漏检后排小目标这是密集场景下最典型的问题。我的排查顺序是确认后排在训练集中是否充分出现不要只在验证集里出现尝试imgsz1280或更高分辨率训练检查数据增强的随机裁剪是否过度导致小目标被裁掉考虑对图片做两阶段推理先用低分辨率全图检测再对检测到的高密度区域做局部放大二次检测我实测下来对于教室后排只有12到15像素的头部单纯调参数很难从本质上解决需要从训练分辨率和数据量两个方向同时努力。6.4 验证集指标很高部署后效果却变差教室场景的部署环境和训练环境不一致是最常见的原因。训练数据里的机位都是教室中后部俯拍而部署时摄像头安装在讲台前平视视角差异导致模型无法适应。一个可行做法是收集目标部署机位的少量真实画面几百张即可做一个微调训练不需要重新标注整个数据集只需要标注新增的数据配合原数据集一起训练10到20轮。6.5 检测框抖动厉害相邻帧框位置跳变这个问题在头部检测中很普遍。单帧检测是独立进行的模型对每张图的输出都有微小差异连续播放时就会看到框在目标的边缘附近抖动。如果是做考勤统计这类非实时帧级应用建议做时序后处理用IoU关联前后帧的检测框对连续多帧匹配成功的框做平滑位置输出。这种方式比单纯在检测阶段调参数更有效因为抖动本来就不是检测错误只是模型预测概率的自然波动在可视化层面的表现。7. 数据集的扩展思路与后续迭代这个教室头部检测数据集解决的是“教室里有多少个头”的问题但真实项目往往需要进一步解答“这些头分别是谁”“他们正在做什么”。沿着这个方向可以做几个扩展。第一个扩展是加上头部姿态分类。在现有检测框的基础上将每个头部区域裁剪出来训练一个head pose分类器可以输出学生正脸、侧脸、低头、转头等状态这对应课堂专注度分析的需求。第二个扩展是接入跟踪模块。用ByteTrack或DeepSORT关联视频帧中的检测框就能输出每个学生的轨迹。基于轨迹可以进一步做抬头率、低头时长、活跃度等行为特征统计。第三个扩展是多机位联合。单摄像头存在遮挡死角双摄像头或多摄像头覆盖同一教室的不同角度再用跨镜跟踪算法做融合可以显著提升遮挡场景下的人数统计准确率。这个方向数据采集成本高但做出来之后应用价值非常大。我个人的体会是数据集本身的制作流程看似繁琐但它决定了整个项目的效果上限。模型结构可以换超参数可以调但如果数据标注的质量、场景覆盖度、划分逻辑出了问题后续做多少优化都是事倍功半。这份教室人头数据集沉淀下来的不仅是标注文件更是一套面向密集小目标场景的数据处理方法论把它迁移到其他教室、考场甚至报告厅场景时流程可以直接复用。最后再分享一个小技巧做这类场景化数据集时不要只存最终的标注文件把标注过程中发现的问题图片比如严重遮挡、极端光照、运动模糊单独存一个文件夹这些图片是后续分析模型失败原因时的第一手资料。我踩过几次“找不出为什么精度上不去”的坑最后翻回去看问题图片集才恍然大悟——原来训练集里这类极端样本太少了。本文还有配套的精品资源点击获取