1. 场景拆解与方案选型

1.1 为什么航拍校园操场的人体检测这么难

先说说这个项目真正难在哪。校园操场在航拍视角下，不是我们平时做监控摄像头那种平视画面，无人机在80到120米高度往下看，一个人可能只有40到60个像素那么高，整张4000x3000的大图里，人就是一个个“小点”。这属于典型的小目标检测场景，和COCO数据集里那种占画面一大块的目标完全不是一回事。

操场场景还有几个隐藏的坑。第一是密集，跑操、课间操、运动会这类场景，几百上千人挤在一起，人和人之间的间距可能只有几个像素，检测框需要做到“挨着但不合并”，这对后处理NMS的阈值设置非常敏感。第二是形变和遮挡，航拍视角下人的姿态就是俯视的“圆脑袋加身体”，有时被树木、看台顶棚、甚至其他同学的身体挡住一部分，标注时是否标全严重影响模型学习。第三是背景干扰，操场上的跑道线、球场标线、足球球门阴影、树影，在航拍视角下颜色和纹理都容易和人体混淆。

这就是为什么一个“看起来很简单的人体检测”数据集，做起来其实要花很多工夫。市面上开源的行人检测数据集，比如CityPersons、CrowdHuman，基本都是平视或者俯仰视角，直接拿来用，在操场航拍场景下精度会掉得很难看。自己做数据集，就是为了让模型见过“从天上往下看人”到底是什么样。

1.2 数据集选型与整体方案设计

整个项目我拆成了四个阶段：采集、标注与清洗、增强划分、训练评测。采集阶段定拍摄高度和角度，标注阶段定类别和框的规范，清洗阶段把模糊、遮挡过度的样本筛掉，划分阶段保证验证集和测试集足够“难”，最后才是YOLO训练和调参。

实际上很多初学者一上来就急着标注、急着训练，跳过采集设计，结果模型泛化一塌糊涂。我这个项目里，第一版图省事，只拍了一个角落的垂直视角，结果模型在另一个操场测试时误检率暴涨。后来重新补拍了全操场覆盖、不同高度、不同光照的数据，才把问题压下来。数据集的“多样性”不是一句口号，它会直接变成你最终评测指标里的涨跌。

工具方面，标注用LabelImg，格式直接导出YOLO的txt格式；训练用YOLOv8，因为它在小目标场景下比YOLOv5的默认配置更容易调出效果，而且文档也相对完整。后续如果想进一步提点，可以再加SAHI切片推理，不过第一阶段先把数据集的底子打好。

2. 数据集制作实操全流程

2.1 无人机采集方案：高度、角度与光照

采集这件事，不能随便飞起来拍一段视频就完事。我先规划航线：操场是标准400米跑道，我设定无人机在操场中心上空做环绕和“Z字形”扫描，保证画面覆盖整个场地。高度我做了三档：60米、100米、120米。60米的画面里人还算有点轮廓，适合让模型学“大一点的人”；120米就是纯小目标，用来逼模型在低分辨率下也认得出人。

角度上要区分主视角和辅助视角。主视角是垂直俯视，也就是90度正下方视角，这是航拍操场人体检测最典型的视角；辅助视角包括大约45度到60度的倾斜视角，模拟无人机过境时常见的拍摄姿态。倾斜视角下人的外观变化很大，有了这些样本，模型在真实部署时才不会因为视角偏一点就漏检。

光照方面我分成晴天上午、午后强光、阴天三类。这里分享一个经验：午后强光的阴影很致命，树影和人的影子在俯视图里经常被模型误判成人，我在最终清洗时专门保留了一批带阴影的负样本，帮助模型学会“阴影不是人”。拍摄时间我建议避开正午，除非你故意要采集最难的阴影样本。

注意：视频抽帧时不能只抽连续帧，连续帧之间的目标位置变化太小，模型会学到“死”的特征。我会每隔10到15帧抽一张，保证样本间的场景多样性。

2.2 标注规范：边框画到哪里才标准

标注是整个数据集制作过程中最耗时、最影响模型上限的环节。航拍视角下的人体特征和平视差别很大，平视时人框是从头到脚一个竖长矩形，航拍时大多数人是“头顶的一团”，身体被头挡住大部分，这时候标注框到底该按什么来，必须提前定好规范。

我定的规范是这样的：单人直立或行走时，框选头顶到脚底能看见的最大范围；跑步或做操时身体倾斜，框按最小外接矩形（就是正框，不旋转）包含整个可见人体；被遮挡超过50%的人不标；人群密集无法区分个体边界时，按可见头部和肩部范围标；完全被树木或建筑物挡住的人不标。

有人觉得被遮挡的人也应该标，让模型学会“找半个人”。实际训练下来我的观点是：遮挡超过一半的样本，标注一致性很难保证，今天标头明天标肩，模型反而学得更混乱。不如只标那些“人能明确看出来”的实例，把遮挡严重的样本留给负样本发挥抑制误检的作用。

整个数据集我最后统计了一下：有效图片约5200张，标注个人实例数约18.6万，平均每张图约36个人，最密集的一批跑操图片单张超过190人。类别就一类“person”，纯单类检测，不引入其他类别的复杂性。

2.3 清洗与难例挖掘：宁可少而精，不要多而糙

清洗这一步容易被忽略，但对精度影响极大。我用了一个很土但有效的办法：第一轮训练出yolov8n的小模型，拿它跑全部训练数据，把所有漏检的图片挑出来人工看。漏检的图有两种情况，一种是目标确实太难，比如极端密集、严重遮挡，这种图留下；另一种是标注漏了，模型没学过这个位置的“人”特征，这种图补标。

还有一种“压箱底”的做法是挖难例样本。把所有预测框里置信度在0.3到0.6之间的框导出来，画到图上人工过一遍。这些框多半是误检或定位不准，能把它们归类清楚，模型就知道自己哪里容易“犯浑”。我这么做之后，又补了约500张“困难样本”，包括阴影干扰、密集人群、强反光的亮色衣服，这些难例对模型最后几个epoch的提升至关重要。

数据的标注质量我做了二次校验。具体方法是随机抽10%的图片，让我自己重新标一遍，和第一遍标注做IoU对比，要求IoU大于0.7才通过。实测下来标注团队内部的一致性在0.75到0.85之间，如果低于0.7那说明标注规范本身有歧义，需要调整规则而不是继续往下标。

3. YOLO训练实操与参数解析

3.1 模型选型：YOLOv8s还是YOLOv8m

YOLO的版本选择不用盲目追新。航拍操场这种固定场景，目标类别单一、背景相对固定，网络容量不需要太大。我试过YOLOv8n、YOLOv8s、YOLOv8m三个规格，在同样的数据划分下，n的mAP50大约0.78，s是0.84，m是0.85。m只比s高了0.01但推理速度慢了近一半，所以最终选了s作为主模型。

如果你算力允许，推荐用YOLOv8s起步，最终部署时也够用。YOLOv8m适合做“教师模型”，用蒸馏的方式把精度迁移回s，这是我项目后期正在做的优化方向。

预训练权重方面，直接用YOLOv8官方在COCO上预训练的权重。有同学纠结“COCO没有航拍视角，预训练权重有用吗”，我的答案是很有用。COCO让模型学到了通用的低层特征，比如边缘、纹理、颜色对比，这些特征在航拍图上同样有效。真正需要从头学的是“人的顶视图长什么样”，这是高层语义，靠我们的数据集来教。

3.2 关键训练参数设置与调优思路

训练参数这一块，我直接给出可复现的配置：

• 输入分辨率：原始图4000x3000，直接丢进去batch会爆，先按1280x1280训练，这个分辨率对小目标检测是必要的。640的输入对小目标实在太不友好，mAP能掉5到8个点。
• batch size：固定为16，8卡跑的话可以开到64。
• epochs：200，配合早停patience=30。
• optimizer：SGD，初始lr=0.01，最后10个epoch用cosine decay降到0.0001。
• mosaic：前150个epoch开启，后50个epoch关闭。这一点很关键，航拍场景下人和人挨得很近，mosaic把四张图拼在一起后，原本的密集程度被稀释，最后关闭mosaic让模型在真实密集分布下微调。
• 数据增强只开HSV色偏扰动（hsv_h=0.015，hsv_s=0.5，hsv_v=0.4），平移缩放都保持默认，不要开太大的随机透视，航拍视角本身已经很“正”，过度增强反而引入不真实分布。

这里有个典型的“训练中BN崩溃”问题值得多说一句。如果batch size设太小，比如4或8，BatchNorm统计量不稳定，loss会出现突然跳到NaN的情况。我踩过这个坑，后来把batch稳定在16以上、降低初始学习率到0.005，才解决。你也可以用YOLOv8默认的optimizer配置，但前提是batch足够大。

3.3 损失函数与后处理的几个关键观察

关于YOLO的损失函数，YOLOv8用的还是分类损失和回归损失的加权组合。在航拍小目标场景里，框的回归误差主导了性能瓶颈，因为目标框只有几十个像素，几个像素的偏差就导致IoU掉得很厉害。所以训练时我特别关注了val框的定位精度，而不是只看mAP。如果发现定位普遍偏大或偏小，优先调整的是训练数据集的标注一致性，而不是loss权重。

后处理上，NMS的IoU阈值我调到0.45，置信度阈值在推理阶段用0.15，验证阶段用0.3。密集人群场景里，NMS阈值如果太高，比如0.6，重叠的多个检测框不会合并，会产生大量重复框；阈值太低，比如0.3，相邻的两个人可能被合并掉一个。0.45是我在这个数据分布上试出来比较平衡的值。

对象损失这块还有一个细节：分类置信度和定位精度的关系。我给验证集的每个预测框按置信度排序，画出“置信度-定位误差”曲线，发现误检框的置信度普遍在0.5到0.7之间，而且定位误差也大。这提示模型其实是“瞎猜”，“觉得自己看到了人但不知道在哪”。针对这种情况，我倾向于在损失层面更强调框回归项，也就是适当提高box loss的权重，实测能让高置信度框的定位更稳。

4. 训练过程实测与问题排查实录

4.1 从过拟合到欠拟合：一次完整的训练曲线复盘

第一轮训练我犯了一个新手错误：训练集只有800张图，结果模型严重过拟合，训练loss降到1.2，验证mAP只有0.62，检测框经常缩在图片中心区域，说明模型根本没学到全局特征，只是死记硬背了训练集中的位置分布。

后来我把数据扩充到5200张，过拟合问题才缓解。但紧接着出现了“验证集mAP高、实际场景表现差”的偏差。复盘原因，是验证集划得太“温柔”——全是晴天垂直视角，模型没被考到倾斜视角和阴影场景。重新划分数据集时，我保证验证集和测试集中包含固定的难例比例，大约30%是密集、阴影、倾斜视角样本，这个划分方式比随机划分更能反映真实部署水平。

4.2 常见问题速查表

下面这张表是我在项目过程中不断添加整理出来的，基本覆盖了同类型数据集制作训练时的高频问题，直接贴给你参考：

4.3 模型精度评测与混淆矩阵解读

训练结束后我用测试集做了完整评测。这里特别看一眼混淆矩阵，YOLO的混淆矩阵输出可以帮我们定位“模型把什么错认成了人”。我这个项目是单类检测，所以混淆矩阵主要看两类矩阵单元：一是background被预测成person的比例，也就是误检率；二是person被漏掉的比例。

实测下来，第一版模型的背景误检率最高出现在图片四角和边缘区域，原因是航拍图边缘的人形特征因为畸变被扭曲了。我后来在切片训练时特意让切片之间保留20%的重叠，这部分误检大幅减少。另外，跑操时的人因为速度产生运动模糊，漏检率比静止站立的人高约12%，我在标注时把运动模糊的人框尽量画在轮廓最清晰的帧上，漏检率才降下来。

在YOLOv8提供的分类报告中，我还关注了不同图片高度下的分桶精度。按目标像素面积把测试目标分成三档：小于32x32、32x32到96x96、大于96x96，三档的召回率分别约为0.71、0.89、0.94。这个分桶结果说明小目标仍然是最主要的性能瓶颈，这也是我下一步计划引入SAHI切片推理的直接依据。

5. 项目复盘与几点实用建议

项目做到这个阶段，我的核心体会是：航拍场景的人体检测，数据集的“拍摄视角一致性”比数据量更重要。5000张图如果全部是同一高度同一角度拍出来的，效果不如3000张但覆盖多种高度、角度、光照的图。我在中间补拍数据后模型提升最明显，就是这个原因。

另外想强调一下数据版本的迭代管理。数据集的更新不能“悄悄改”，每次改动标注规则、增删图片，都必须冻结验证集和测试集。否则你无法判断模型变好是因为网络优化，还是因为验证集变简单了。我习惯用固定哈希来命名数据集版本，比如dataset_v2.3_20240511，每次训练记录里都带上版本号，回头排查问题会省很多时间。

最后一个小技巧：做标注时如果感觉进度太慢，可以先训练一个粗模型，用模型预测结果生成预标注框，人工只需要修正错框和漏框。这个流程能把标注效率提升大约2到3倍，而且标注质量往往还更高，因为人只需要看“哪里不对”，比从零画框的心理负担小很多。我自己后期补标难例样本时，就是靠这个方法在两三天内完成了近千张图的迭代更新。

做完这个数据集，我最大的收获不是那套YOLO权重，而是搞明白了一个道理：模型的上限在标注阶段就已经确定了，训练只是在尽量逼近这个上限。所以如果你也想做航拍人体检测，不用急着折腾各种网络结构，先把数据集做扎实，后面的一切都会顺利得多。