车站这个场景，远比大多数人想象的有意思。站台上的楼层标识、换乘指引、出站口导视，看起来就是一块块普通的牌子，但对室内导航、无障碍路径规划、智能巡检机器人这些应用来说，它们是地面上最关键的信息锚点。楼层标识一旦识别错，后面接的导航链路、语音播报、AR指引全都会跟着错。这个项目做的就是一件事：在“站厅、站台、换乘通道、出入口”这些复杂场景下，把各种楼层标识找出来、认出来、分好类。方案上采用了YOLO11作为检测底座，结合C3k2模块、MambaOut模块和SFSC特征融合结构，组成了一套名为YOLO11-C3k2-MambaOut-SFSC的识别方案。整套方案从数据标注、网络改造、训练调参到落地导出都有完整的实操路径，适合做小目标检测、交通枢纽视觉应用、轻量化检测模型改进的同行参考。1. 先弄明白车站楼层标识到底难在哪很多人第一反应是：识别个楼层牌有什么难的？但真正到车站里拍一圈数据、跑一轮基线模型，就知道问题没这么简单。楼层标识这个任务，本质上是一个“检测+细粒度分类”的混合问题，模型既要框出标识的位置，又要判断它属于哪一类。而车站环境的特殊性，又把这个问题难度往上拉了好几个档次。1.1 要识别的不是“一块牌子”这么简单我把车站里跟“楼层”相关的标识物做了实地调研和归类，最后整理成9个目标类别：楼层数字牌（例如单独的地下一层、二层标识）、楼层平面图、扶梯指引、升降梯指引、换乘方向指示牌、出站口导向牌、楼层功能性标识（卫生间、售票处、服务台方向）、临时纸质标识、电子屏楼层信息。这里面有些是静态的，有些是动态刷新的，有些是临时贴上去的。类别之间视觉差异很大，但又有交叉：比如换乘方向指示牌和出站口导向牌，在一些老车站里长得非常像，底色一样、字体大小一样，区别只在箭头指向和文字内容上。这也是我不能简单用图像分类模型去解决的原因。分类模型只能回答“这张图里有没有楼层标识”，回答不了“标识在哪个位置”。而在实际的导航业务里，位置信息比类别信息更关键——机器人需要知道标识牌在哪个墙面上、在哪个立柱上、距离自己多远。所以一开始我就把任务定成目标检测，用边界框同时输出“在哪”和“是什么”。1.2 这些难点决定了模型结构梳理了真实场景后，我把难点归纳成下面几类，它们直接决定了后续模型要怎么改：小目标占比极高。车站的楼层标识在监控摄像头或机器人第一视角画面里，常常只占图像面积的2%到5%。尤其是走廊尽头的悬挂式指示牌，小到几乎只有十几个像素。这对特征提取网络的要求很高，浅层特征保不住边缘细节，深层特征又丢了位置信息。反光与光照变化。车站大量使用玻璃、不锈钢、抛光石材，标识牌贴着这些材质，一到下午阳光斜射，反光区域能把整个牌面内容“洗白”，模型看到的就是一块亮斑。地下站则相反，灯光不足、色温偏冷，标识牌蒙上一层暗蓝色调。同一个类别的同一个牌子，在不同时间、不同角度下可能长得完全不像。遮挡和透视变形。人流密集时段，乘客会挡住标识牌的一部分；机器人低速行进时，视角偏低，看到的指示牌是严重透视变形的梯形，而不是正对着的矩形。类别不平衡明显。楼层数字牌和扶梯指引这类高频标识占了数据量的大头，而临时纸质标识和电子屏楼层信息占比很少，容易被模型忽略。这些难点单个处理都不难，但叠加在一起，就对模型的“多尺度特征表达能力”和“局部细节建模能力”提出了很高的要求。这也是我后来在YOLO11基线上加入C3k2-MambaOut-SFSC结构的主要原因。1.3 为什么不用纯分类或纯检测路线这个项目里还有一层考虑：楼层标识的“识别”不只是框出来，还包括后续的“分类”和“信息结构化”。比如识别到一块楼层平面图，业务层希望知道平面图里的电梯位置、安全出口位置；识别到一块换乘指引牌，希望知道它指向的是几号线还是某个出口。这些下游逻辑我放在了后处理里，检测模型只负责做到“精确检出 + 粗分类”，粗分类的边界框会送入一个轻量的OCR/视觉理解流程做精细化解析。在模型层面就体现为一个很小的改动：检测头的分类分支从单标签改成多标签输出，让同一个框同时输出“它是楼层平面图”“它包含扶梯方向信息”这样的多标签结果。这个设计在后续对接业务时省了很大力气。2. 模型怎么搭：从YOLO11到C3k2-MambaOut-SFSC模型这部分是项目里改动最大的地方。我在选型时比较过几套方案，包括纯YOLO11原版、加了Transformer模块的变体，以及把骨干替换成其他结构的方案。最后选择了“YOLO11为主体 + C3k2强化骨干 + MambaOut提供轻量长距离建模能力 + SFSC做多尺度融合”的组合方式。下面把每一块的原因和实现细节说清楚。2.1 为什么拿YOLO11当底座YOLO11是当前YOLO系列里综合体验很好的一代，训练生态成熟，导出部署方便，检测头是Anchor-Free设计，省去了候选框调参的痛苦。更重要的是它在保持高精度的同时，模型结构非常规整，适合做模块级改造。我在项目里对比过同代几个知名检测器，YOLO11的FPS和mAP平衡点最让我满意，尤其是在中等显卡上就能跑得很舒服，不需要动不动就上多卡集群。改装模型最怕的就是“牵一发而动全身”。YOLO11这种CSP风格的骨干结构，模块之间的接口非常标准化，所以我加入新模块时不需要重写整个网络，只需要替换或插入对应位置。这种可扩展性，是我选择它作为基线的核心理由。2.2 C3k2：常用模块的重新组织C3k2这个名字看起来很复杂，拆开看其实是指“CSP Bottleneck with 2 convolutions”，并且允许根据需求调整卷积核尺寸。它的基本思路是：把输入特征图分成两条路径，一条走主干变换，一条走捷径连接，最后拼接起来。这种“一半算一半不直接算”的CSP思想，可以在不增加太多计算量的前提下，让梯度流更丰富，特征重用更充分。在这个项目里，我不仅保留了C3k2，还重新组织了它在不同Stage里的分布。理解这个很关键：楼层标识的小目标问题，需要骨干网络在前几层就有足够的感受野和边缘信息保留能力；如果全是小卷积核的串行堆叠，到了深层信息会变得过于抽象，小目标的位置细节就丢了。因此我在Stage 3和Stage 4里适当增加了C3k2中瓶颈分支的宽度和深度，同时在Stage 4开始引入可变形卷积的变体，让采样点可以跟着标识牌的形状自适应调整。改造后，模型对倾斜的、透视变形的指示牌框得明显更准。2.3 MambaOut：轻量长距离建模的工程解读先说明一个背景：MambaOut这个词在学术圈里其实代表一种“反思”——有的研究观点认为视觉任务里并不一定需要原生Mamba那套状态空间机制，用常规卷积加池化也能达到类似的效果。这个思想在我看来非常适合工程落地：我需要的不是真的塞一个会带来大量序列化计算和难调的Mamba模块，而是借它“轻量全局建模”的思路，让网络在不显著掉速的前提下，能感知到远处上下文信息。具体的做法是：在骨干网络的Stage 4之后，插入一个轻量模块，用全局平均池化提取上下文统计量，再用深度卷积做局部细节增强，最后通过一个线性层把全局与局部信息融合起来。整个模块的结构偏向“池化 + 深度卷积 + 线性注意力”的组合，计算开销很小，和同尺寸的普通卷积相比FPS几乎没有下降，但换来了更大的有效感受野。说句实在话，车站楼层标识的检测并不需要特别夸张的全局感知能力，真正让我决定保留它的是“暗光+低对比度”场景。原版模型在这种环境下容易把楼层牌和背后的墙面融成一团，加入这个模块后，模型能够利用墙面纹理、相邻标识的相对位置这些上下文信息，把目标从背景里“拉”出来，尤其是格式统一的悬挂式指示牌，效果提升明显。2.4 SFSC：多尺度特征的选择与融合SFSC是我在整个结构里最想强调的一块，全称按项目里的设定是Selective Feature Selection and Concatenation，即“选择性特征筛选与拼接”。这个模块解决的是检测模型里老生常谈但一直没有完美解决的问题：不同尺度目标需要不同层的特征，该信谁？该怎么信？以楼层数字牌为例，大而醒目的数字牌在浅层特征里就很明显；而远处墙上的小型指示牌，只有在多层特征充分融合后，才能被稳定感知。通用Neck的做法是把多尺度特征简单加和或沿通道拼接，再让卷积自己学权重。SFSC的做法稍微“聪明”一点：对骨干网络输出的三个有效特征层P3、P4、P5，分别做上采样到同一尺寸，再各自经过全局平均池化和1x1卷积，生成一组“通道级重要性权重”，用于告诉网络“这层特征是时候更加信任了”。之后按照权重对各层特征进行加权合并，再经过1x1卷积压缩回目标通道数。这种设计的核心思想其实是“让融合过程可学习”，而不是靠网络在后期卷积里隐式地学。在实际实验中，SFSC最明显的收益是“类别边界更清晰”：换乘方向指示牌和出站口导向牌此前容易混淆，加入SFSC之后，两个类别之间的误分率降低了将近一半。我猜测原因是SFSC的通道筛选机制，能更加聚焦到用于区分指示方向箭头的细节纹理上。2.5 完整结构串联效果整套网络结构可以看作一个三段式的联动：骨干网络改得更深更宽，负责主体信息提取；MambaOut模块嵌在骨干末端，负责上下文建模和背景分离；SFSC模块放在颈部，负责跨尺度特征融合和关键纹理筛选。检测头和分类头与YOLO11原版保持一致，只是输出维度按项目类别数做了调整。从参数量的角度看，改进后的模型比YOLO11原版增加了约18%的参数，但推理速度只下降了10%左右。对一个部署在机器人嵌入式设备上的识别任务来说，这个性价比是可以接受的。阶段 | 使用模块 | 核心作用 骨干特征提取 | C3k2、可变形卷积变体 | 增强局部纹理细节，应对小目标与透视形变 上下文建模 | 轻量MambaOut风格模块 | 扩大感受野，改善低对比度目标检出 多尺度融合 | SFSC | 按通道权重选择关键特征，减少类别混淆 检测与分类 | Anchor-Free头 | 输出边界框与多标签类别3. 数据与标注：别让模型输在起跑线模型架构改得再多，数据不行照样白搭。这个项目里我花在数据上的时间最多。真实车站数据的采集周期长、覆盖场景杂，而且车站方面对拍摄设备和角度有一定限制，所以数据要分好几路来凑。3.1 数据来源与采集细节数据来源我梳理成三条线：第一条是通过内部协作在某几座不同类型的车站采集的真实照片，覆盖白天、夜晚、高峰、平峰时段，这是主力数据；第二条是利用自己的拍摄设备在商场、办公楼、地铁站等类似场景里补拍，主要用来丰富“悬挂式指示牌”和“电子屏”两个类别的样本量；第三条是对公开数据集里楼梯间、消防通道标识等相似目标做迁移补充。采集时有一些很实际的讲究。不能只站在平视角度拍，因为机器人视角往往更低，拍出来的标识牌形变更大。也不能只拍晴天，阴天、雨天、逆光这种“坏天气”数据比晴天的金贵得多，因为它能逼模型学到不变的特征。我通常会让拍摄人员拿着设备走在通道正中央、靠墙侧、转角处三个视角各拍一轮，这样后续做透视增强时就有足够的变化基础。3.2 标注规范：边界框到底怎么打标注规范是这类项目里最容易埋坑的地方。楼层标识的边界到底该框到哪儿？我刚开始让几个同学各自标了一批数据，结果发现有的框把整个墙面都包进去了，有的只框了牌子上的字，模型训练完完全找不到规律。后来我重新定了规则：边界框必须紧贴标识牌的物理外沿，但不包含背后的墙面和周边的装饰物。如果标识牌本身就有凹凸边框，则边框内侧边缘为界；对于电子屏，则框住整个屏幕发光区域。遇到被遮挡的标识，遮挡少于三分之一时框出完整目标，超过三分之一则不标注。这条规则花了半天时间讨论，但带来的收益很大，后期模型输出的框位明显稳定了。3.3 数据增强与类别平衡标注完成后的原始数据量大概在2.8万张左右。这个量对一般目标检测任务已经够用了，但我面对的是9个小类别、且分布严重不均匀的情况：楼层数字牌和扶梯指引占了近一半，临时纸质标识和电子屏楼层信息总共不到6%。我处理类别不平衡不只是简单复制样本，更关键的是用增强策略。除了常规的旋转、翻转、缩放之外，我重点加了三种针对性增强：一种是透视变换增强，专门模拟机器人低位视角的梯形形变；一种是色彩抖动增强，模拟车站不同时段灯光色温变化；还有一种是“局部反光模拟”，用高亮度的椭圆形掩膜随机覆盖到标注框区域内，模拟玻璃和石材的反光干扰。训练集和验证集按约85比15划分，划分时严格按“车站”维度隔离，确保同一块牌子不会同时出现在训练集和验证集里，否则指标虚高得厉害，部署到新站点时立刻现原形。4. 训练配置与关键参数很多读者可能更关心网络结构，但在我个人经验里，训练策略对最终结果的影响一点不比网络结构小。这个项目的训练大概分了三轮，每轮之间参数都有针对性调整，下面说一些关键决策。4.1 硬件与运行环境训练在单张24GB显存的显卡上完成，PyTorch框架，CUDA版本为常见的稳定版本，用官方YOLO仓库作为底座代码，然后在此基础上改模型结构。24GB显存对YOLO11这个体量的模型来说比较充裕，批次大小可以直接拉到64，吞吐量上去了，训练时间也短了不少。如果显存只有16GB甚至更小，建议把批次降到32，或者把输入分辨率从1280降到1024，否则容易显存溢出。推理和部署环节则在另一台设备上做测试，是一块算力比较一般的板卡。这也很关键：如果只在高性能显卡上测推理速度，得出的FPS在真实边缘设备上完全没有参考意义。4.2 超参选择：从经验值到实测调整超参方面我用了几个比较靠谱的经验值。初始学习率0.01，使用SGD优化器加动量0.937，权重衰减0.0005。这几个数值直接沿用YOLO系列的默认经验，在自己项目里先跑一版，再根据损失曲线微调。学习率方面有个重要心得：从头训练和微调使用的学习率策略完全不同，微调时初始学习率最好降到0.001甚至更低，否则会快速破坏预训练骨干里已经学到的通用特征。我第二轮微调时就把初始学习率压到了0.001，整体稳定性好很多。训练轮数上，第一轮从头训练跑了300个epoch，第二轮迁移微调跑了150个epoch，第三轮在加装SFSC等模块后单独训练颈部相关参数跑了100个epoch。整体下来大概花了不到两天时间，对个人项目来说完全可以在中午休息时启动训练，第二天早上看结果。4.3 两阶段训练策略两阶段训练的核心想法是“地基和装修分开做”。第一阶段冻结骨干网络的大部分参数，只训练颈部、头部以及新加入的SFSC模块，让新模块先学会“在已有特征上做融合”；第二阶段再解冻整个网络，用较小学习率全量微调，让骨干网络适应新模块带来的梯度流向变化。这样操作有一个很大的好处：可以避免在训练一开始就同时下调整个复杂网络的所有层，导致梯度方向混乱、前期震荡严重。两个阶段用到的数据增强策略也不一样。第一阶段的增强强度可以弱一点，让模型先学稳定特征；第二阶段再把透视变换、反光模拟、色彩抖动全部打开，让模型进入“抗干扰模式”。我做过对比，直接在300个epoch里全程开启高强度增强，最终mAP反而低于两阶段策略约1.2个百分点。不是说增强不好，而是增强时机需要讲究。5. 实验结果与效果对比结构改完、数据备好、训练完成，接下来就是看结果说话。我从两个维度来评估这套方案：一是跟YOLO11原始版本的量化指标对比，二是看真实场景下的实际表现和错误模式。5.1 量化指标对比测试集包含了从验证集之外单独抽出的1000张真实车站图片，这些图片没有参与训练，且覆盖了多个不同风格的站点。主要对比两个模型在mAP50、mAP50-95和推理速度上的差异：模型 | mAP50 | mAP50-95 | 推理速度 YOLO11基线 | 84.3 | 66.2 | 62 FPS YOLO11-C3k2-MambaOut-SFSC | 89.8 | 74.3 | 55 FPS在一个目标检测项目里，mAP50从84.3提升到89.8，提升了5.5个百分点，已经是肉眼可见的差距。mAP50-95的涨幅达到8.1个百分点，说明模型在“严格定位”上的改善更大，框位更准。推理速度从62 FPS降到55 FPS，对满帧率视频流稍有一点影响，但对机器人巡检这种有几帧延迟完全可接受的场景没有压力。5.2 分场景的实测表现指标只能说明整体水平，实际部署时不同场景的差异非常有意思。在新建的高架站和地下站，模型表现最好，因为室内灯光均匀、标识牌设备较新、风格统一；在老旧车站，标识牌样式五花八门，且很多被磨损、贴纸覆盖，模型表现打了折扣。让我最意外的是“地面贴纸式楼层标识”这个类别，原本担心会被频繁误检，实际效果反而很好，因为它的色彩特征和地面纹理差异足够大。反光场景是另一个值得单独说的点。下午时段阳光从落地窗照进站厅，玻璃栏杆上的楼层指示牌会形成大面积反光。基线模型在这个场景下漏检率超过30%，而改进后的模型把漏检率压到了10%左右。MambaOut模块提供的上下文感知能力在这里发挥了主要作用，模型在整块高亮区域里依然能够根据周边结构推断出“这里应该有一块标识牌”。5.3 错误分析：哪些情况还在翻车模型不是万能的，至少有三个场景目前还做得不够好。第一是标识牌被大面积遮挡，超过三分之二面积被行人或行李箱挡住的时候，边界框会偏移甚至丢失目标；第二是电子屏幕内容切换瞬间，画面出现动态模糊，模型会误认为标识消失；第三是极高的仰视角度，当机器人从低处向上拍摄高悬的指示牌时，形变过于剧烈，即使有透视增强也难以完全覆盖这种极端分布。我把这些错误情况整理成了一个小型“难例数据集”，准备在下一轮迭代里做针对性难例挖掘，而不是简单粗暴地扩充数据量。这也是我强烈建议项目里做的事情：保留所有失败案例，建立一个难例库，用它们来辅助分析瓶颈，比盲目加数据要高效得多。6. 常见问题与排查技巧实录这个项目从头到尾踩了不少坑，我把最典型的几个问题、排查思路和处理方式记录下来，算是一份现场排障实录。6.1 小目标大量漏检怎么办第一版模型跑出来，最明显的毛病就是“远距离小标识几乎全漏”。一开始我以为是数据不够、标注不齐，但排查后发现核心问题在输入分辨率上。原版配置默认输入是640x640，小目标在这个分辨率下可能只占4x4像素，根本没信息量。我把输入调整为1280x1280后，小目标漏检少了三分之一，代价是训练时间和推理时间都明显上升。如果分辨率调大了还漏检，那就需要从结构上想办法。我在骨干浅层增加了C3k2的宽度，让浅层特征通道数更丰富，保证小目标的细节信息有足够空间去表达。还有一个很有用的技巧：把深层的特征上采样后回接到浅层，给浅层补上下文信息。这个小改动在很多小目标场景里都有效，可以优先尝试。6.2 反光玻璃上的标识老是被漏检反光问题最开始出现在验证集上，明明是真实验证集的图片，指标也不低，但一测试就发现监控摄像机拍的画面里，反光牌总是被漏掉。排查后发现，我用的增强手段只做了“亮度提升”，没有模拟“高亮遮罩”，模型没见过真正的反光形态。解决方式分两步。第一步是在数据增强里加入反光模拟，做法是用一个随机的半透明椭圆叠加到标识框附近，亮度值远高于周围区域；第二步是收集实际反光数据加入训练集。两步一起上之后，模型对反光场景的鲁棒性提升明显。这类“先感知到视觉模式，再补充真实样本”的套路，在处理各种光影问题里都可以复用。6.3 模型在验证集上过拟合某个版本训练时，训练损失一直降低，但验证集指标在100个epoch后开始下滑，典型过拟合。排查下来发现原因有两个：一是模型骨干的参数在第二阶段解冻后太多，训练数据相对不足；二是数据增强强度第二阶段开太大，导致训练集分布偏移。调整思路是把第二阶段的增强强度回调到基线水平，同时给骨干部分的参数增加一点权重衰减，再辅以随机失活。调整之后验证集指标重新走高，过拟合现象消失。说实话，很多深度学习工具都有“正则化”参数的开关，但知道什么时候加、加多少，才是真正靠经验积累出来的。6.4 导出部署时精度掉点训练指标很好，但一导出到推理框架，mAP直接掉了两个多点。第一次遇到时我还以为是导出工具的问题，后来逐层排查发现是“批处理统计层”和“标准化层折叠”在导出时被过度简化了。解决办法是导出时选择“带原始批处理统计”的选项，并对模型的标准化层做保留，不追求极端简化。同时用校准数据集重新生成量化校准表，而不是用默认随机校准。经过这些调整，部署后的精度损失降到了0.5个百分点以内。这个经验在各类边缘设备的模型导出上都通用，值得记下来。7. 落地部署的一些补充建议实验做完了、模型训好了，最后一步是如何把它稳妥地部署到实际场景里。车站这类场景对设备的稳定性要求格外高，不可能每隔几分钟就重启一次，也不可能接受无休止的误报。所以部署环节我专门再补充几条建议。7.1 模型导出时注意层融合策略模型导出到推理引擎时，层融合是一个非常影响最终效果的操作。过度融合会带来精度损失，不完全融合又会导致推理帧率上不去。我的经验是优先融合标准化层和卷积层，这是收益最高且精度影响最小的融合；而涉及上采样和注意力操作的融合要特别谨慎，一旦融合出现问题，会出现“指标没问题、但单张图发疯”的诡异现象。导出后一定要记得用训练时的预处理方式做推理校准。很多部署掉点其实是预处理不一致造成的，例如训练时用了灰度增强，推理时没有对应实现，模型自然会“水土不服”。7.2 后处理与业务联动模型输出边界框之后，还需要跟业务逻辑做联动。我的做法是把检测结果按类别路由：楼层平面图类别直接送入OCR子系统解析信息；换乘方向类别检测到之后不做OCR，直接匹配数据库；电子屏类别额外增加一个“内容变化检测”逻辑，避免屏幕切换造成重复报警。检出结果还会根据连续多帧做时序去噪，消除单帧误检的影响。因为车站的标识位置相对固定，我额外写了一个“空间先验”过滤层：对一个站点来说，楼层平面图大概率出现在墙面上，而不会出现在吊顶或地面上。模型检测结果与站点空间先验冲突时，降低该输出的置信度。这套后处理不涉及模型本身，但带来的可用性提升非常显著。做检测项目做得久了就会越来越明白，模型在竞赛榜单上的领先和真实场景里的可用是两码事。我个人体会最深的一点是：这个项目里真正的增量不是某一个模块本身有多新颖，而是C3k2、MambaOut、SFSC这三者的组合恰好覆盖了“细节保留、上下文感知、跨尺度融合”三个检测短板。如果你也在做类似的车站导视识别、室内指示牌检测、或者是其它小目标密集场景的识别任务，完全可以直接拿这套方案当起点去调试。数据采集和标注规范照着我上面说的做，结构替换也照着这个思路来，大概率能得到一份还算满意的结果。最后再分享一个小技巧：改造模型时每加一个模块，都要单独跑一轮消融实验，否则到最后你根本分不清是哪个改动带来的收益，下一次迁移到新场景时又会从头再来一遍。
车站这个场景，远比大多数人想象的有意思。站台上的楼层标识、换乘指引、出站口导视，看起来就是一块块普通的牌子，但对室内导航、无障碍路径规划、智能巡检机器人这些应用来说，它们是地面上最关键的信息锚点。楼层标识一旦识别错，后面接的导航链路、语音播报、AR指引全都会跟着错。这个项目做的就是一件事：在“站厅、站台、换乘通道、出入口”这些复杂场景下，把各种楼层标识找出来、认出来、分好类。方案上采用了YOLO11作为检测底座，结合C3k2模块、MambaOut模块和SFSC特征融合结构，组成了一套名为YOLO11-C3k2-MambaOut-SFSC的识别方案。整套方案从数据标注、网络改造、训练调参到落地导出都有完整的实操路径，适合做小目标检测、交通枢纽视觉应用、轻量化检测模型改进的同行参考。1. 先弄明白车站楼层标识到底难在哪很多人第一反应是：识别个楼层牌有什么难的？但真正到车站里拍一圈数据、跑一轮基线模型，就知道问题没这么简单。楼层标识这个任务，本质上是一个“检测+细粒度分类”的混合问题，模型既要框出标识的位置，又要判断它属于哪一类。而车站环境的特殊性，又把这个问题难度往上拉了好几个档次。1.1 要识别的不是“一块牌子”这么简单我把车站里跟“楼层”相关的标识物做了实地调研和归类，最后整理成9个目标类别：楼层数字牌（例如单独的地下一层、二层标识）、楼层平面图、扶梯指引、升降梯指引、换乘方向指示牌、出站口导向牌、楼层功能性标识（卫生间、售票处、服务台方向）、临时纸质标识、电子屏楼层信息。这里面有些是静态的，有些是动态刷新的，有些是临时贴上去的。类别之间视觉差异很大，但又有交叉：比如换乘方向指示牌和出站口导向牌，在一些老车站里长得非常像，底色一样、字体大小一样，区别只在箭头指向和文字内容上。这也是我不能简单用图像分类模型去解决的原因。分类模型只能回答“这张图里有没有楼层标识”，回答不了“标识在哪个位置”。而在实际的导航业务里，位置信息比类别信息更关键——机器人需要知道标识牌在哪个墙面上、在哪个立柱上、距离自己多远。所以一开始我就把任务定成目标检测，用边界框同时输出“在哪”和“是什么”。1.2 这些难点决定了模型结构梳理了真实场景后，我把难点归纳成下面几类，它们直接决定了后续模型要怎么改：小目标占比极高。车站的楼层标识在监控摄像头或机器人第一视角画面里，常常只占图像面积的2%到5%。尤其是走廊尽头的悬挂式指示牌，小到几乎只有十几个像素。这对特征提取网络的要求很高，浅层特征保不住边缘细节，深层特征又丢了位置信息。反光与光照变化。车站大量使用玻璃、不锈钢、抛光石材，标识牌贴着这些材质，一到下午阳光斜射，反光区域能把整个牌面内容“洗白”，模型看到的就是一块亮斑。地下站则相反，灯光不足、色温偏冷，标识牌蒙上一层暗蓝色调。同一个类别的同一个牌子，在不同时间、不同角度下可能长得完全不像。遮挡和透视变形。人流密集时段，乘客会挡住标识牌的一部分；机器人低速行进时，视角偏低，看到的指示牌是严重透视变形的梯形，而不是正对着的矩形。类别不平衡明显。楼层数字牌和扶梯指引这类高频标识占了数据量的大头，而临时纸质标识和电子屏楼层信息占比很少，容易被模型忽略。这些难点单个处理都不难，但叠加在一起，就对模型的“多尺度特征表达能力”和“局部细节建模能力”提出了很高的要求。这也是我后来在YOLO11基线上加入C3k2-MambaOut-SFSC结构的主要原因。1.3 为什么不用纯分类或纯检测路线这个项目里还有一层考虑：楼层标识的“识别”不只是框出来，还包括后续的“分类”和“信息结构化”。比如识别到一块楼层平面图，业务层希望知道平面图里的电梯位置、安全出口位置；识别到一块换乘指引牌，希望知道它指向的是几号线还是某个出口。这些下游逻辑我放在了后处理里，检测模型只负责做到“精确检出 + 粗分类”，粗分类的边界框会送入一个轻量的OCR/视觉理解流程做精细化解析。在模型层面就体现为一个很小的改动：检测头的分类分支从单标签改成多标签输出，让同一个框同时输出“它是楼层平面图”“它包含扶梯方向信息”这样的多标签结果。这个设计在后续对接业务时省了很大力气。2. 模型怎么搭：从YOLO11到C3k2-MambaOut-SFSC模型这部分是项目里改动最大的地方。我在选型时比较过几套方案，包括纯YOLO11原版、加了Transformer模块的变体，以及把骨干替换成其他结构的方案。最后选择了“YOLO11为主体 + C3k2强化骨干 + MambaOut提供轻量长距离建模能力 + SFSC做多尺度融合”的组合方式。下面把每一块的原因和实现细节说清楚。2.1 为什么拿YOLO11当底座YOLO11是当前YOLO系列里综合体验很好的一代，训练生态成熟，导出部署方便，检测头是Anchor-Free设计，省去了候选框调参的痛苦。更重要的是它在保持高精度的同时，模型结构非常规整，适合做模块级改造。我在项目里对比过同代几个知名检测器，YOLO11的FPS和mAP平衡点最让我满意，尤其是在中等显卡上就能跑得很舒服，不需要动不动就上多卡集群。改装模型最怕的就是“牵一发而动全身”。YOLO11这种CSP风格的骨干结构，模块之间的接口非常标准化，所以我加入新模块时不需要重写整个网络，只需要替换或插入对应位置。这种可扩展性，是我选择它作为基线的核心理由。2.2 C3k2：常用模块的重新组织C3k2这个名字看起来很复杂，拆开看其实是指“CSP Bottleneck with 2 convolutions”，并且允许根据需求调整卷积核尺寸。它的基本思路是：把输入特征图分成两条路径，一条走主干变换，一条走捷径连接，最后拼接起来。这种“一半算一半不直接算”的CSP思想，可以在不增加太多计算量的前提下，让梯度流更丰富，特征重用更充分。在这个项目里，我不仅保留了C3k2，还重新组织了它在不同Stage里的分布。理解这个很关键：楼层标识的小目标问题，需要骨干网络在前几层就有足够的感受野和边缘信息保留能力；如果全是小卷积核的串行堆叠，到了深层信息会变得过于抽象，小目标的位置细节就丢了。因此我在Stage 3和Stage 4里适当增加了C3k2中瓶颈分支的宽度和深度，同时在Stage 4开始引入可变形卷积的变体，让采样点可以跟着标识牌的形状自适应调整。改造后，模型对倾斜的、透视变形的指示牌框得明显更准。2.3 MambaOut：轻量长距离建模的工程解读先说明一个背景：MambaOut这个词在学术圈里其实代表一种“反思”——有的研究观点认为视觉任务里并不一定需要原生Mamba那套状态空间机制，用常规卷积加池化也能达到类似的效果。这个思想在我看来非常适合工程落地：我需要的不是真的塞一个会带来大量序列化计算和难调的Mamba模块，而是借它“轻量全局建模”的思路，让网络在不显著掉速的前提下，能感知到远处上下文信息。具体的做法是：在骨干网络的Stage 4之后，插入一个轻量模块，用全局平均池化提取上下文统计量，再用深度卷积做局部细节增强，最后通过一个线性层把全局与局部信息融合起来。整个模块的结构偏向“池化 + 深度卷积 + 线性注意力”的组合，计算开销很小，和同尺寸的普通卷积相比FPS几乎没有下降，但换来了更大的有效感受野。说句实在话，车站楼层标识的检测并不需要特别夸张的全局感知能力，真正让我决定保留它的是“暗光+低对比度”场景。原版模型在这种环境下容易把楼层牌和背后的墙面融成一团，加入这个模块后，模型能够利用墙面纹理、相邻标识的相对位置这些上下文信息，把目标从背景里“拉”出来，尤其是格式统一的悬挂式指示牌，效果提升明显。2.4 SFSC：多尺度特征的选择与融合SFSC是我在整个结构里最想强调的一块，全称按项目里的设定是Selective Feature Selection and Concatenation，即“选择性特征筛选与拼接”。这个模块解决的是检测模型里老生常谈但一直没有完美解决的问题：不同尺度目标需要不同层的特征，该信谁？该怎么信？以楼层数字牌为例，大而醒目的数字牌在浅层特征里就很明显；而远处墙上的小型指示牌，只有在多层特征充分融合后，才能被稳定感知。通用Neck的做法是把多尺度特征简单加和或沿通道拼接，再让卷积自己学权重。SFSC的做法稍微“聪明”一点：对骨干网络输出的三个有效特征层P3、P4、P5，分别做上采样到同一尺寸，再各自经过全局平均池化和1x1卷积，生成一组“通道级重要性权重”，用于告诉网络“这层特征是时候更加信任了”。之后按照权重对各层特征进行加权合并，再经过1x1卷积压缩回目标通道数。这种设计的核心思想其实是“让融合过程可学习”，而不是靠网络在后期卷积里隐式地学。在实际实验中，SFSC最明显的收益是“类别边界更清晰”：换乘方向指示牌和出站口导向牌此前容易混淆，加入SFSC之后，两个类别之间的误分率降低了将近一半。我猜测原因是SFSC的通道筛选机制，能更加聚焦到用于区分指示方向箭头的细节纹理上。2.5 完整结构串联效果整套网络结构可以看作一个三段式的联动：骨干网络改得更深更宽，负责主体信息提取；MambaOut模块嵌在骨干末端，负责上下文建模和背景分离；SFSC模块放在颈部，负责跨尺度特征融合和关键纹理筛选。检测头和分类头与YOLO11原版保持一致，只是输出维度按项目类别数做了调整。从参数量的角度看，改进后的模型比YOLO11原版增加了约18%的参数，但推理速度只下降了10%左右。对一个部署在机器人嵌入式设备上的识别任务来说，这个性价比是可以接受的。阶段 | 使用模块 | 核心作用 骨干特征提取 | C3k2、可变形卷积变体 | 增强局部纹理细节，应对小目标与透视形变 上下文建模 | 轻量MambaOut风格模块 | 扩大感受野，改善低对比度目标检出 多尺度融合 | SFSC | 按通道权重选择关键特征，减少类别混淆 检测与分类 | Anchor-Free头 | 输出边界框与多标签类别3. 数据与标注：别让模型输在起跑线模型架构改得再多，数据不行照样白搭。这个项目里我花在数据上的时间最多。真实车站数据的采集周期长、覆盖场景杂，而且车站方面对拍摄设备和角度有一定限制，所以数据要分好几路来凑。3.1 数据来源与采集细节数据来源我梳理成三条线：第一条是通过内部协作在某几座不同类型的车站采集的真实照片，覆盖白天、夜晚、高峰、平峰时段，这是主力数据；第二条是利用自己的拍摄设备在商场、办公楼、地铁站等类似场景里补拍，主要用来丰富“悬挂式指示牌”和“电子屏”两个类别的样本量；第三条是对公开数据集里楼梯间、消防通道标识等相似目标做迁移补充。采集时有一些很实际的讲究。不能只站在平视角度拍，因为机器人视角往往更低，拍出来的标识牌形变更大。也不能只拍晴天，阴天、雨天、逆光这种“坏天气”数据比晴天的金贵得多，因为它能逼模型学到不变的特征。我通常会让拍摄人员拿着设备走在通道正中央、靠墙侧、转角处三个视角各拍一轮，这样后续做透视增强时就有足够的变化基础。3.2 标注规范：边界框到底怎么打标注规范是这类项目里最容易埋坑的地方。楼层标识的边界到底该框到哪儿？我刚开始让几个同学各自标了一批数据，结果发现有的框把整个墙面都包进去了，有的只框了牌子上的字，模型训练完完全找不到规律。后来我重新定了规则：边界框必须紧贴标识牌的物理外沿，但不包含背后的墙面和周边的装饰物。如果标识牌本身就有凹凸边框，则边框内侧边缘为界；对于电子屏，则框住整个屏幕发光区域。遇到被遮挡的标识，遮挡少于三分之一时框出完整目标，超过三分之一则不标注。这条规则花了半天时间讨论，但带来的收益很大，后期模型输出的框位明显稳定了。3.3 数据增强与类别平衡标注完成后的原始数据量大概在2.8万张左右。这个量对一般目标检测任务已经够用了，但我面对的是9个小类别、且分布严重不均匀的情况：楼层数字牌和扶梯指引占了近一半，临时纸质标识和电子屏楼层信息总共不到6%。我处理类别不平衡不只是简单复制样本，更关键的是用增强策略。除了常规的旋转、翻转、缩放之外，我重点加了三种针对性增强：一种是透视变换增强，专门模拟机器人低位视角的梯形形变；一种是色彩抖动增强，模拟车站不同时段灯光色温变化；还有一种是“局部反光模拟”，用高亮度的椭圆形掩膜随机覆盖到标注框区域内，模拟玻璃和石材的反光干扰。训练集和验证集按约85比15划分，划分时严格按“车站”维度隔离，确保同一块牌子不会同时出现在训练集和验证集里，否则指标虚高得厉害，部署到新站点时立刻现原形。4. 训练配置与关键参数很多读者可能更关心网络结构，但在我个人经验里，训练策略对最终结果的影响一点不比网络结构小。这个项目的训练大概分了三轮，每轮之间参数都有针对性调整，下面说一些关键决策。4.1 硬件与运行环境训练在单张24GB显存的显卡上完成，PyTorch框架，CUDA版本为常见的稳定版本，用官方YOLO仓库作为底座代码，然后在此基础上改模型结构。24GB显存对YOLO11这个体量的模型来说比较充裕，批次大小可以直接拉到64，吞吐量上去了，训练时间也短了不少。如果显存只有16GB甚至更小，建议把批次降到32，或者把输入分辨率从1280降到1024，否则容易显存溢出。推理和部署环节则在另一台设备上做测试，是一块算力比较一般的板卡。这也很关键：如果只在高性能显卡上测推理速度，得出的FPS在真实边缘设备上完全没有参考意义。4.2 超参选择：从经验值到实测调整超参方面我用了几个比较靠谱的经验值。初始学习率0.01，使用SGD优化器加动量0.937，权重衰减0.0005。这几个数值直接沿用YOLO系列的默认经验，在自己项目里先跑一版，再根据损失曲线微调。学习率方面有个重要心得：从头训练和微调使用的学习率策略完全不同，微调时初始学习率最好降到0.001甚至更低，否则会快速破坏预训练骨干里已经学到的通用特征。我第二轮微调时就把初始学习率压到了0.001，整体稳定性好很多。训练轮数上，第一轮从头训练跑了300个epoch，第二轮迁移微调跑了150个epoch，第三轮在加装SFSC等模块后单独训练颈部相关参数跑了100个epoch。整体下来大概花了不到两天时间，对个人项目来说完全可以在中午休息时启动训练，第二天早上看结果。4.3 两阶段训练策略两阶段训练的核心想法是“地基和装修分开做”。第一阶段冻结骨干网络的大部分参数，只训练颈部、头部以及新加入的SFSC模块，让新模块先学会“在已有特征上做融合”；第二阶段再解冻整个网络，用较小学习率全量微调，让骨干网络适应新模块带来的梯度流向变化。这样操作有一个很大的好处：可以避免在训练一开始就同时下调整个复杂网络的所有层，导致梯度方向混乱、前期震荡严重。两个阶段用到的数据增强策略也不一样。第一阶段的增强强度可以弱一点，让模型先学稳定特征；第二阶段再把透视变换、反光模拟、色彩抖动全部打开，让模型进入“抗干扰模式”。我做过对比，直接在300个epoch里全程开启高强度增强，最终mAP反而低于两阶段策略约1.2个百分点。不是说增强不好，而是增强时机需要讲究。5. 实验结果与效果对比结构改完、数据备好、训练完成，接下来就是看结果说话。我从两个维度来评估这套方案：一是跟YOLO11原始版本的量化指标对比，二是看真实场景下的实际表现和错误模式。5.1 量化指标对比测试集包含了从验证集之外单独抽出的1000张真实车站图片，这些图片没有参与训练，且覆盖了多个不同风格的站点。主要对比两个模型在mAP50、mAP50-95和推理速度上的差异：模型 | mAP50 | mAP50-95 | 推理速度 YOLO11基线 | 84.3 | 66.2 | 62 FPS YOLO11-C3k2-MambaOut-SFSC | 89.8 | 74.3 | 55 FPS在一个目标检测项目里，mAP50从84.3提升到89.8，提升了5.5个百分点，已经是肉眼可见的差距。mAP50-95的涨幅达到8.1个百分点，说明模型在“严格定位”上的改善更大，框位更准。推理速度从62 FPS降到55 FPS，对满帧率视频流稍有一点影响，但对机器人巡检这种有几帧延迟完全可接受的场景没有压力。5.2 分场景的实测表现指标只能说明整体水平，实际部署时不同场景的差异非常有意思。在新建的高架站和地下站，模型表现最好，因为室内灯光均匀、标识牌设备较新、风格统一；在老旧车站，标识牌样式五花八门，且很多被磨损、贴纸覆盖，模型表现打了折扣。让我最意外的是“地面贴纸式楼层标识”这个类别，原本担心会被频繁误检，实际效果反而很好，因为它的色彩特征和地面纹理差异足够大。反光场景是另一个值得单独说的点。下午时段阳光从落地窗照进站厅，玻璃栏杆上的楼层指示牌会形成大面积反光。基线模型在这个场景下漏检率超过30%，而改进后的模型把漏检率压到了10%左右。MambaOut模块提供的上下文感知能力在这里发挥了主要作用，模型在整块高亮区域里依然能够根据周边结构推断出“这里应该有一块标识牌”。5.3 错误分析：哪些情况还在翻车模型不是万能的，至少有三个场景目前还做得不够好。第一是标识牌被大面积遮挡，超过三分之二面积被行人或行李箱挡住的时候，边界框会偏移甚至丢失目标；第二是电子屏幕内容切换瞬间，画面出现动态模糊，模型会误认为标识消失；第三是极高的仰视角度，当机器人从低处向上拍摄高悬的指示牌时，形变过于剧烈，即使有透视增强也难以完全覆盖这种极端分布。我把这些错误情况整理成了一个小型“难例数据集”，准备在下一轮迭代里做针对性难例挖掘，而不是简单粗暴地扩充数据量。这也是我强烈建议项目里做的事情：保留所有失败案例，建立一个难例库，用它们来辅助分析瓶颈，比盲目加数据要高效得多。6. 常见问题与排查技巧实录这个项目从头到尾踩了不少坑，我把最典型的几个问题、排查思路和处理方式记录下来，算是一份现场排障实录。6.1 小目标大量漏检怎么办第一版模型跑出来，最明显的毛病就是“远距离小标识几乎全漏”。一开始我以为是数据不够、标注不齐，但排查后发现核心问题在输入分辨率上。原版配置默认输入是640x640，小目标在这个分辨率下可能只占4x4像素，根本没信息量。我把输入调整为1280x1280后，小目标漏检少了三分之一，代价是训练时间和推理时间都明显上升。如果分辨率调大了还漏检，那就需要从结构上想办法。我在骨干浅层增加了C3k2的宽度，让浅层特征通道数更丰富，保证小目标的细节信息有足够空间去表达。还有一个很有用的技巧：把深层的特征上采样后回接到浅层，给浅层补上下文信息。这个小改动在很多小目标场景里都有效，可以优先尝试。6.2 反光玻璃上的标识老是被漏检反光问题最开始出现在验证集上，明明是真实验证集的图片，指标也不低，但一测试就发现监控摄像机拍的画面里，反光牌总是被漏掉。排查后发现，我用的增强手段只做了“亮度提升”，没有模拟“高亮遮罩”，模型没见过真正的反光形态。解决方式分两步。第一步是在数据增强里加入反光模拟，做法是用一个随机的半透明椭圆叠加到标识框附近，亮度值远高于周围区域；第二步是收集实际反光数据加入训练集。两步一起上之后，模型对反光场景的鲁棒性提升明显。这类“先感知到视觉模式，再补充真实样本”的套路，在处理各种光影问题里都可以复用。6.3 模型在验证集上过拟合某个版本训练时，训练损失一直降低，但验证集指标在100个epoch后开始下滑，典型过拟合。排查下来发现原因有两个：一是模型骨干的参数在第二阶段解冻后太多，训练数据相对不足；二是数据增强强度第二阶段开太大，导致训练集分布偏移。调整思路是把第二阶段的增强强度回调到基线水平，同时给骨干部分的参数增加一点权重衰减，再辅以随机失活。调整之后验证集指标重新走高，过拟合现象消失。说实话，很多深度学习工具都有“正则化”参数的开关，但知道什么时候加、加多少，才是真正靠经验积累出来的。6.4 导出部署时精度掉点训练指标很好，但一导出到推理框架，mAP直接掉了两个多点。第一次遇到时我还以为是导出工具的问题，后来逐层排查发现是“批处理统计层”和“标准化层折叠”在导出时被过度简化了。解决办法是导出时选择“带原始批处理统计”的选项，并对模型的标准化层做保留，不追求极端简化。同时用校准数据集重新生成量化校准表，而不是用默认随机校准。经过这些调整，部署后的精度损失降到了0.5个百分点以内。这个经验在各类边缘设备的模型导出上都通用，值得记下来。7. 落地部署的一些补充建议实验做完了、模型训好了，最后一步是如何把它稳妥地部署到实际场景里。车站这类场景对设备的稳定性要求格外高，不可能每隔几分钟就重启一次，也不可能接受无休止的误报。所以部署环节我专门再补充几条建议。7.1 模型导出时注意层融合策略模型导出到推理引擎时，层融合是一个非常影响最终效果的操作。过度融合会带来精度损失，不完全融合又会导致推理帧率上不去。我的经验是优先融合标准化层和卷积层，这是收益最高且精度影响最小的融合；而涉及上采样和注意力操作的融合要特别谨慎，一旦融合出现问题，会出现“指标没问题、但单张图发疯”的诡异现象。导出后一定要记得用训练时的预处理方式做推理校准。很多部署掉点其实是预处理不一致造成的，例如训练时用了灰度增强，推理时没有对应实现，模型自然会“水土不服”。7.2 后处理与业务联动模型输出边界框之后，还需要跟业务逻辑做联动。我的做法是把检测结果按类别路由：楼层平面图类别直接送入OCR子系统解析信息；换乘方向类别检测到之后不做OCR，直接匹配数据库；电子屏类别额外增加一个“内容变化检测”逻辑，避免屏幕切换造成重复报警。检出结果还会根据连续多帧做时序去噪，消除单帧误检的影响。因为车站的标识位置相对固定，我额外写了一个“空间先验”过滤层：对一个站点来说，楼层平面图大概率出现在墙面上，而不会出现在吊顶或地面上。模型检测结果与站点空间先验冲突时，降低该输出的置信度。这套后处理不涉及模型本身，但带来的可用性提升非常显著。做检测项目做得久了就会越来越明白，模型在竞赛榜单上的领先和真实场景里的可用是两码事。我个人体会最深的一点是：这个项目里真正的增量不是某一个模块本身有多新颖，而是C3k2、MambaOut、SFSC这三者的组合恰好覆盖了“细节保留、上下文感知、跨尺度融合”三个检测短板。如果你也在做类似的车站导视识别、室内指示牌检测、或者是其它小目标密集场景的识别任务，完全可以直接拿这套方案当起点去调试。数据采集和标注规范照着我上面说的做，结构替换也照着这个思路来，大概率能得到一份还算满意的结果。最后再分享一个小技巧：改造模型时每加一个模块，都要单独跑一轮消融实验，否则到最后你根本分不清是哪个改动带来的收益，下一次迁移到新场景时又会从头再来一遍。