• 教程
• 人工智能
• 机器学习
• 深度学习

本篇技术指南聚焦于 AI-For-Beginners 课程中“计算机视觉 · 目标检测”单元的实验任务（Lab 原始英文文档），核心目标是用 Hollywood Heads 数据集训练一个能够识别人类头部的目标检测模型，服务于视频监控人数统计等真实场景。读完本文，你将掌握该数据集的 PASCAL VOC 标注格式与解析方法、三种可落地的训练路线（Azure Custom Vision、Keras RetinaNet、torchvision RetinaNet），以及从朴素滑动窗口到边界框回归的完整方法论脉络。

实验任务：为视频监控场景训练头部检测模型

对视频监控摄像头流进行人数统计，是工业界非常常见的需求——它可以用于估算商店的访客数量、判断餐厅的繁忙时段，以及一系列人流密度相关的分析。要完成人数统计，关键前提是能够从不同角度检测出画面中的每个人类头部。

然而，人体姿态、遮挡、视角变化使得“人头”成为比“整人”更稳定的检测目标。为此，本实验要求训练一个目标检测模型来识别人类头部，并使用Hollywood Heads Dataset（好莱坞头部数据集）作为训练数据。这一任务与本课程第 11 课（Object Detection 课程正文）讲授的检测原理直接衔接：不仅要判断“画面里有没有对象”，还要输出每个对象的精确位置（边界框）。

Hollywood Heads 数据集：规模、标注格式与解析方法

数据规模

Hollywood Heads 数据集包含369,846 个标注的人类头部，分布在224,740 帧好莱坞电影画面中。这是一个人数规模可观的真实场景数据集，画面来自电影镜头，天然涵盖多种拍摄角度、光照和人物姿态，非常适合头部检测这一细分任务。

PASCAL VOC 标注格式与 XML 结构

数据集采用PASCAL VOC标注格式提供：每张图片都配有一个 XML 描述文件，其中记录了图片元信息与每个对象的类别和边界框坐标。课程实验中的 XML 示例结构如下（来自 Lab 英文原始文档）：

<annotation> <folder>HollywoodHeads</folder> <filename>mov_021_149390.jpeg</filename> <source> <database>HollywoodHeads 2015 Database</database> <annotation>HollywoodHeads 2015</annotation> <image>WILLOW</image> </source> <size> <width>608</width> <height>320</height> <depth>3</depth> </size> <segmented>0</segmented> <object> <name>head</name> <bndbox> <xmin>201</xmin> <ymin>1</ymin> <xmax>480</xmax> <ymax>263</ymax> </bndbox> <difficult>0</difficult> </object> <object> <name>head</name> <bndbox> <xmin>3</xmin> <ymin>4</ymin> <xmax>241</xmax> <ymax>285</ymax> </bndbox> <difficult>0</difficult> </object> </annotation>

这个示例清晰地展示了 VOC 格式的要点：

• <folder>/<filename>：图片所属目录与文件名，示例对应的是从电影片段mov_021中抽取的第 149390 帧；
• <size>：图片尺寸（宽 608、高 320、深度 3）；
• <object>：一个对象标注，本数据集只有唯一类别head；
• <bndbox>：边界框坐标，xmin/ymin为左上角坐标，xmax/ymax为右下角坐标；
• <difficult>：样本难度标记（0 表示普通样本）。

注意，该数据集中只有一个对象类别head，因此任务退化为“单类别、多实例”的检测问题：对每一帧画面，模型需要输出图中所有头部各自的边界框。这也是工业场景中常见的检测形态（如人头、车牌、缺陷区域检测等）。

解析方式：Python 库与 pascal-voc 工具

你可以选择两条解析路径：

1. 通用 Python XML 解析：使用 Python 标准库（如xml.etree.ElementTree）自行遍历<object>节点，提取name与bndbox坐标；
2. 专用库pascal-voc：直接使用 PyPI 上的pascal-voc库来读写 PASCAL VOC 格式，省去手写解析逻辑，可以更专注于训练管线本身。

从仓库源码看，本课程的实验还配套了直接可运行的练习笔记 ObjectDetection.ipynb，其中包含数据生成、回归训练与 IoU 评估的完整代码（详见下文“从朴素检测到边界框回归”一节），可作为你自行组织 Hollywood Heads 训练数据的代码骨架。

目标检测背后的核心概念（课程支撑）

理解头部检测训练之前，需要先掌握目标检测的两大评估概念与主流算法流派。以下内容来自本单元课程正文（Object Detection 课程），是本实验的理论底座。

IoU：衡量边界框重合度

Intersection over Union（交并比，IoU）用于衡量两个边界框（或任意两个区域）的重叠程度：用两区域交集面积除以并集面积。两个完全相同的框 IoU 为 1，完全不相交则为 0。训练与评估时，通常只把 IoU 超过某阈值的检测框视为有效检出（例如 PASCAL VOC 常用 IoU 阈值 0.5，而 COCO 会在多个 IoU 阈值下评估 AP）。

mAP：目标检测的核心指标

Mean Average Precision（mAP）是目标检测的主要评估指标：先对每个类别计算 Average Precision（Precision-Recall 曲线下的面积，Recall 轴通常划分为 10 段取平均），再对所有类别取均值；在 COCO 等评测中还进一步对多个 IoU 阈值取平均。mAP 同时惩罚“漏检”（低 Recall）与“误检”（低 Precision），因此是检验头部检测模型好坏的最直接依据。

从朴素检测到边界框回归

ObjectDetection.ipynb 演示了一条朴素路线：把图片切成若干小方块，对每个方块运行图像分类，把激活值足够高的方块视为“包含目标”。这种做法只能非常粗略地定位目标，无法给出精确边界框——这正是本实验要训练“带边界框回归的检测模型”的原因。

该笔记随后用一个合成数据集演示了边界框回归的完整流程：生成若干 8×8 的黑色矩形图片与对应的[x, y, w, h]标签，再用一个带 Dropout 的稠密网络以 MSE 为损失做回归：

model = keras.Sequential([ keras.layers.Flatten(input_shape=(8,8)), keras.layers.Dense(200, activation='relu'), keras.layers.Dropout(0.2), keras.layers.Dense(4) ]) model.compile('sgd','mse')

笔记中还给出了可直接复用的 IoU 实现，用于量化预测框与真实框的重合程度：

def IOU(bbox1, bbox2): '''Calculate overlap between two bounding boxes [x, y, w, h] as the area of intersection over the area of unity''' x1, y1, w1, h1 = bbox1[0], bbox1[1], bbox1[2], bbox1[3] x2, y2, w2, h2 = bbox2[0], bbox2[1], bbox2[2], bbox2[3] w_I = min(x1 + w1, x2 + w2) - max(x1, x2) h_I = min(y1 + h1, y2 + h2) - max(y1, y2) if w_I <= 0 or h_I <= 0: # no overlap return 0. I = w_I * h_I U = w1 * h1 + w2 * h2 - I return I / U

从朴素滑动窗口到端到端回归，正是目标检测算法演进的缩影，也是你理解 Hollywood Heads 训练任务的必要认知。

三种模型训练路线

本实验提供了三条互不冲突的模型训练路线，你可以根据手头算力、技术栈与目标选择其一。

路线一：Azure Custom Vision（云端可视化训练）

使用Azure Custom Vision及其Python API，可以在云端以编程方式训练目标检测模型，无需本地 GPU。Custom Vision 的快速入门文档提供了从上传图片、标注边界框到导出模型的完整流程。需要注意的局限是：Custom Vision 通常只能支持几百张图片参与训练，因此用它训练时可能需要对 Hollywood Heads 数据集进行抽样限制（例如仅取一个子集），以符合平台约束并控制训练时长。

路线二：Keras RetinaNet 教程（自建训练管线）

按照Keras 官方示例中的 Object Detection with RetinaNet 教程，你可以基于 Keras/TensorFlow 自行搭建 RetinaNet 训练管线。该教程会带你完成从数据准备（VOC 格式数据集的加载）、锚框匹配、训练循环到推理可视化的全过程，适合希望深入掌握检测模型内部实现细节的读者。本课程的 ObjectDetection.ipynb 在“真实场景目标检测”部分也明确推荐了该教程，并指出若只想快速训练模型，可直接使用 Keras 生态的 RetinaNet 实现库。

路线三：torchvision 内置 RetinaNet（开箱即用）

使用 PyTorch 生态时，可以直接利用torchvision 内置的torchvision.models.detection.RetinaNet模块进行训练。torchvision 的检测模块提供了预训练权重与标准训练/评估接口，你只需把 Hollywood Heads 数据整理成 torchvision 检测 API 所需的(image, target)格式（target中包含boxes与labels），即可复用其成熟训练流程。

RetinaNet 原理速览

为什么三条路线都指向 RetinaNet？从课程正文（Object Detection 课程）可以看到，目标检测算法大体分为两派：

• 两阶段/区域候选法（R-CNN、Fast R-CNN、Faster R-CNN）：先生成 Region of Interest（ROI），再对每个 ROI 运行 CNN 分类器，精度高但较慢；
• 单遍（one-pass）法（YOLO、SSD、RetinaNet）：网络在一次前向传播中同时预测类别与边界框，速度快，适合实时场景。

RetinaNet 属于单遍法，结合了特征金字塔与聚焦损失（focal loss）来应对正负样本极端不平衡的问题，是“高精度 + 高速度”的平衡选择。对于 Hollywood Heads 这种单类别、小目标密集的数据集，RetinaNet 是一个合理且工程上成熟的起点。

实验收获与行业启示

目标检测是工业界频繁需求的任务——安防监控、零售客流、自动驾驶、工业质检等场景都离不开它。虽然市场上已有开箱即用的检测服务（如 Azure Custom Vision），但本实验的核心价值在于：

1. 理解原理：掌握 IoU、mAP、边界框回归等检测核心概念，知道检测模型在“预测什么、如何评估”；
2. 亲手训练：具备用公开数据集（如 Hollywood Heads）训练自有检测模型的能力，而不仅仅依赖托管服务；
3. 迁移能力：单类别头部检测的训练流程（VOC 数据解析 → 模型训练 → mAP 评估）可以直接迁移到其他单类别检测需求上。

如何在本地运行本实验

• 前置环境：请参考课程环境搭建说明（Setup 指南）与 运行说明 准备 Python/Jupyter 环境；
• 练习笔记：先在 ObjectDetection.ipynb 中跑通朴素检测与边界框回归示例，体会从分类到回归的转变；
• 实验起点：回到 Lab 原始英文文档，按上述三条路线之一，将 Hollywood Heads 数据组织成对应框架（VOC 格式或 torchvision/Keras 格式）后开始训练，并以 mAP 作为模型质量的核心验收指标。

• 教程
• 人工智能
• 机器学习
• 深度学习