楼梯间通道障碍物数据集1226张数据格式YOLO标注txt类别数量1类corridor_mess适用方向目标检测 / 通道障碍物识别 / 安全巡检数据特点场景真实、标注规范可直接用于YOLO系列模型训练提供内容图片 对应txt标注文件1 第一步数据集目录结构整理文件目录结构如下YOLO标准格式StairCase_Dataset/ ├── images/ │ ├── train/ # 放入约 980 张图片 (80%) │ └── val/ # 放入约 246 张图片 (20%) ├── labels/ │ ├── train/ # 对应 train 图片的 .txt 标注文件 │ └── val/ # 对应 val 图片的 .txt 标注文件 └── stair_config.yaml # 配置文件 (见下文) 配置文件 (stair_config.yaml)新建一个名为stair_config.yaml的文件内容如下# 数据集根目录路径 (根据你实际存放位置修改可以是绝对路径)path:./StairCase_Dataset# 训练集和验证集图像子目录train:images/trainval:images/val# 类别数量 (只有1类)nc:1# 类别名称列表names:0:corridor_mess 第二步YOLOv8 专用训练代码这段代码针对小样本1000张和单类别场景进行了优化输入分辨率提升默认640可能漏检远处小杂物提升至768。增强策略调整楼道光线变化大增强了亮度/对比度扰动禁止上下翻转杂物不会在天花板上。预训练权重加载 COCO 预训练模型加速收敛。# file: train_stair_model.pyfromultralyticsimportYOLOimporttorchimportosdeftrain_stair_obstacle_detector():print( 开始训练楼梯间障碍物检测模型 (YOLOv8)...)# 1. 加载预训练模型# 推荐: yolov8n.pt (速度快适合部署) 或 yolov8s.pt (精度稍高)# 对于1200张数据n版本通常足够且推理更快modelYOLO(yolov8n.pt)# 2. 开始训练resultsmodel.train(# --- 基础参数 ---datastair_config.yaml,# 数据集配置文件路径epochs100,# 训练轮次 (小数据集100轮通常足够)imgsz768,# 输入尺寸 (调大以检测远处小物体)batch16,# 批次大小 (根据显存调整显存小可改为8)device0iftorch.cuda.is_available()elsecpu,# 自动使用GPUworkers4,# 数据加载线程数projectruns/stair_detect,# 结果保存目录namestair_yolov8n_exp1,# 实验名称exist_okFalse,# 如果存在是否覆盖# --- 优化器参数 ---optimizerSGD,# SGD在小数据集上泛化性通常优于Adamlr00.01,# 初始学习率lrf0.05,# 最终学习率 (lr0 * lrf)momentum0.937,weight_decay0.0005,# --- 数据增强 (针对楼道场景优化) ---augmentTrue,hsv_h0.015,# 色调微调 (模拟不同灯光色温)hsv_s0.7,# 饱和度增强 (模拟新旧杂物颜色差异)hsv_v0.4,# 亮度增强 (关键模拟楼道灯坏掉或夜间昏暗场景)degrees0.0,# 旋转角度 (楼道是水平的不需要大角度旋转)translate0.1,# 平移scale0.5,# 缩放 (模拟不同距离的障碍物)shear0.0,perspective0.0,flipud0.0,# 【重要】禁止上下翻转 (杂物不可能在天花板上)fliplr0.5,# 允许左右翻转mosaic1.0,# Mosaic增强 (模拟多个杂物堆积提升鲁棒性)mixup0.05,# 轻微Mixup# --- 训练策略 ---patience20,# 早停机制 (20轮指标不提升则停止)saveTrue,save_period-1,# 每个epoch都保存权重verboseTrue,seed42,# 固定随机种子保证结果可复现deterministicTrue,# 确定性模式single_clsTrue,# 【重要】强制单类模式优化损失函数计算rectFalse# 关闭矩形训练使用随机形状增加鲁棒性)print(f✅ 训练完成最佳模型路径:{results.save_dir}/weights/best.pt)# 3. 验证模型性能print( 正在验证模型精度...)metricsmodel.val()print(f mAP50:{metrics.box.map50:.4f})print(f mAP50-95:{metrics.box.map:.4f})# 4. 导出模型 (可选用于C/Android/Web部署)# model.export(formatonnx, simplifyTrue)# print( 模型已导出为 ONNX 格式)if__name____main__:# 检查环境ifnotos.path.exists(stair_config.yaml):print(❌ 错误未找到 stair_config.yaml 配置文件请先创建)else:train_stair_obstacle_detector() 第三步针对该项目的特别建议 (加分项)如果你是将此用于课程设计或项目演示注意以下几点可以显著提升效果1. 解决“误报”问题 (False Positives)痛点楼道里的消防栓箱、电表箱、常闭防火门是固定设施容易被误检为“障碍物”。解决方法检查标注确保你的1226张图片中只标注了自行车、纸箱、鞋柜等违规移动物体千万不要标注固定的消防设施。负样本训练如果模型依然误报消防箱找一些包含消防箱但没有杂物的图片放入images/train文件夹但不要生成对应的.txt标签文件。这会告诉模型“这里有消防箱但它不是corridor_mess”。2. 应对“暗光”环境痛点很多楼道感应灯不亮画面极黑。代码已优化上述代码中设置了hsv_v0.4这会在训练时随机把图片变暗强迫模型学习黑暗中的轮廓特征。进阶方案如果实际效果不好可以在推理前加一个简单的图像增强预处理如直方图均衡化或伽马校正。3. 部署逻辑优化 (去抖动)在实际演示时不要检测到一帧就报警摄像头抖动会导致数值跳变。逻辑连续N帧(例如 10 帧约0.3-0.5秒) 都检测到障碍物才触发报警/截图。代码思路detection_count0threshold10# 连续10帧forframeinvideo_stream:resultsmodel(frame)iflen(results[0].boxes)0:detection_count1else:detection_count0ifdetection_countthreshold:print(⚠️ 警告检测到楼道障碍物)# 执行报警逻辑