YOLO26算法城市道路行人目标检测训练好的模型12051张数据集pyqt可视化界面这套数据共 12051 张图。用 YOLO26 训了 100 轮mAP50 0.9608mAP50-95 0.8159。Precision 0.9432、Recall 0.9042。下面按数据构成 → 训练曲线 → 预测效果的顺序过一遍文末附训练好的模型与数据集打包下载入口。 数据集概况检测类别中文[行人(0)]训练集8428 张验证集2432 张测试集1191 张总计12051 张该数据集聚焦于城市道路环境中的行人目标检测旨在为智能交通系统提供高质量的视觉感知基础。通过真实街景拍摄与精准标注数据集覆盖了多种城市道路形态包括主干道、次干道、人行横道及非机动车道交汇区域具有高度的现实场景还原度与应用价值。…模型资源下载模型资源下载⬇️⬇️⬇️ 点击下载或关注“小郭AI日志”后下载 训练曲线与评估图⚙️ 模型训练配置参数值模型yolo26n训练轮数100 epochs输入尺寸640x640批次大小24优化器auto初始学习率0.01训练设备 关键指标汇总训练了100个 epoch最终轮指标指标数值mAP500.9608mAP50-950.8159Precision0.9432Recall0.9042train/box_loss0.6267train/cls_loss0.2887val/box_loss0.6599val/cls_loss0.3365训练过程分析从训练的初始阶段来看模型的收敛过程相当平滑。在训练的前20轮模型的loss显著下降从初始的0.8左右降至0.6左右这表明模型在最初阶段能够快速找到合适的参数。到了第30轮时loss下降趋势有所减缓但整体仍保持平稳状态。这个阶段的mAP50逐渐从0.8上升到0.9显示了模型在训练早期就具有较好的学习能力。然而到了中期的50到70轮训练曲线出现了小幅度波动loss虽然有所反复但总体仍保持在一个合理的范围内。到了后期的最后20轮模型的训练loss趋于稳定loss值稳定在0.65左右这表明模型在后期训练中没有出现明显的过拟合现象。整体来看整个训练过程表现稳定mAP50从初始的0.8慢慢往上走至0.96体现了模型具备良好的训练表现。但值得留意的是在训练后期尽管整体mAP50表现良好但在mAP50-95指标上值仅为0.8159。这意味着模型在较低分数上的检测精度略有不足。尽管mAP50已经达到了一个较高的水平但仍有改进的空间。这可能意味着模型在处理行人检测的背景干扰和更细微变化时还不够精准。接下来的训练计划中我会考虑增加一些对抗训练技巧以提升模型在低mAP阈值下的鲁棒性。模型性能评估评估模型性能时我们主要关注了Precision和Recall指标。Precision达到0.9432Recall达到0.9042。这两个值都非常接近表明模型在检测行人时既能准确识别大部分真实存在的行人Precision高又能尽可能减少假阳性Recall高。整体上模型对行人的检测表现非常出色。进一步查看各类别混淆矩阵我们发现行人类别的mAP较高但依然有一些误检和漏检。主要的失误出现在次要道路和非机动车道上的行人特别是那些位于交叉路口或者行道边缘的行人。这些区域由于遮挡和背景干扰较多检测难度大导致模型在这部分场景下的表现有所下降。从混淆矩阵中能看出来模型在主干道和次干道上的行人检测表现较为理想但次要道路、人行横道和非机动车道的表现仍有提高空间。尤其是对于非机动车道上的行人误检和漏检比例较高这部分可能与非机动车道背景复杂、行人遮挡频率高有关。模型在处理复杂场景时显得有些吃力这可能是由于训练数据中对这类场景的样本量不足或者数据增强不够全面导致模型泛化能力受限。此外还有一点值得我们注意的是在验证集上的表现与训练集略有差异。训练集上mAP50为0.9608而验证集上的mAP50为0.9554下降了0.0054。这种下降说明模型在训练过程中可能存在一定程度的泛化不足。下一步我们需要增加数据多样性特别是在复杂场景下的数据以提高模型的泛化能力。预测效果展示在验证集上的预测效果普遍较好大多数情况下模型能够准确地检测到行人。从具体的预测结果来看大部分检测框都基本准确地覆盖了行人区域置信度较高这表明模型在检测效果上表现良好。然而在某些特定场景中模型表现仍有待改进。在复杂的交通场景下比如非机动车道、人行横道或交叉路口模型表现不稳定。尤其是在行人与非机动车共存的场景中模型容易误将非机动车当作行人导致误检问题。此外在行人与背景车辆遮挡严重的情况下模型的检测精度明显下降。特别是在那些行人处于交叉路口的位置由于背景干扰较多模型经常会出现漏检现象。这些情况提示我们在训练数据中需要更加关注复杂场景和遮挡情况以提高模型的鲁棒性。从这些现象能看出来模型在处理行人与背景车辆的共存情况时表现较弱特别是在行人和车辆遮挡复杂的情况下这可能是由于数据集中这些场景样本较少或者数据增强策略未能充分覆盖此类情况。下一步我们需要针对这些复杂场景增加数据样本以增强模型在实际复杂场景中的检测能力。改进建议增强难例挖掘在训练过程中我注意到模型在某些复杂场景下的表现不尽如人意。比如在非机动车道和交叉路口行人与非机动车、车辆背景复杂的情况下模型经常出现误检或漏检。下一步可以考虑增加难例挖掘的策略从训练数据集中筛选出这些复杂场景的样本进行针对性增强以提升模型在复杂场景中的检测能力。数据增强策略当前的数据增强策略包括Mosaic、MixUp和随机翻转等。尽管这些策略提高了模型的泛化能力但还可以进一步优化。建议增加更多种类的数据增强策略如随机擦除、随机遮挡等以增加模型对复杂背景和遮挡情况的鲁棒性。同时增加这些增强策略的应用频率和强度使得模型能够更好地适应多样化的训练样本。增强验证集为了进一步提高模型的泛化能力可以考虑扩大验证集的规模引入更多具有复杂背景和遮挡情况的样本。这样可以确保模型在实际部署中能够应对各种复杂场景提高模型的稳健性和准确性。此外可以定期对验证集进行调整引入最新的高难度样本确保模型持续学习和适应新环境。 预测效果展示小结训练数据共 12051 张train/val/test 已划分训练结果训练 100 轮mAP50 0.9608mAP50-95 0.8159P 0.9432 / R 0.9042模型交付训练好的权重、完整数据集与 pyqt 可视化工程已打包下载入口在文末「模型资源下载」复现时建议先按报告里的超参跑一轮基线再看 mAP50 与 mAP50-95 的差距决定是提输入分辨率还是先补数据——数据量没跟上之前换更大模型通常是负优化。