1. 手机检测数据集项目整体设计与思路拆解1.1 为什么选择自建数据集而不是直接调公开库做过目标检测的朋友都知道公开数据集里手机类别的样本其实不少COCO里就有cell phone这个类ImageNet里也有大量手机图片。但真正拿来做项目的时候你会发现两个致命问题一是场景不匹配COCO里的手机大多是被人拿在手里、放在桌上的特写而实际项目里经常需要检测的是流水线上的手机、货架上的手机、监控画面里远距离的小目标手机二是标注质量参差不齐有些公开数据集的手机框标注得比较随意遮挡、截断的情况处理得不统一。我这次整理的2800张手机检测数据集核心出发点就是解决场景覆盖和标注一致性这两个问题。2800张这个量级不算大但对于单一类别的检测任务来说如果场景分布合理、标注质量过硬完全够训练出一个可用的模型。相比动辄几万张的大数据集2800张的好处是训练周期短、调参迭代快适合快速验证想法或者做课程项目。这个数据集适合谁用如果你是刚入门计算机视觉的学生想跑通一个完整的目标检测流程这个量级刚刚好如果你是在做手机相关的工业检测、零售分析、安防监控项目需要快速搭建一个baseline这套数据也能直接拿来用。前提是你得会基本的YOLO训练流程至少知道怎么配置data.yaml、怎么跑train.py。1.2 数据集的核心设计原则整理这套数据的时候我给自己定了三条规矩后来发现这三条规矩直接决定了模型能不能落地。第一条是场景多样性优先于数量。2800张里我刻意控制了不同场景的比例室内桌面场景约占30%手持场景约占25%货架/展示柜场景约占20%工业流水线场景约占15%监控视角场景约占10%。为什么要这么分因为如果全是桌面特写模型学到的是“手机长什么样”而不是“手机在各种环境下长什么样”。实际部署的时候光照变化、拍摄角度、背景干扰才是真正的挑战。第二条是标注框紧贴目标边缘。手机这个物体有个特点它的边缘比较规整但屏幕和边框的对比度在不同光照下差异很大。我的做法是标注时以手机物理外轮廓为准屏幕亮起时也不把屏幕内容算作额外区域。这样做的原因是如果标注框忽大忽小模型在回归边界框的时候会非常困惑表现为预测框抖动、置信度不稳定。第三条是难例必须保留。什么叫难例遮挡超过30%的手机、严重反光的手机、只露出一个角的手机、和手机壳颜色接近背景的手机。这些样本在训练初期会让loss居高不下但正是它们让模型学会鲁棒的特征。我见过太多人整理数据集时把难例删掉结果模型在测试集上表现很好一上真实场景就崩。1.3 数据集规格与目录结构这套数据集最终整理成YOLO标准格式目录结构如下phone_dataset/ ├── images/ │ ├── train/ # 1960张 │ ├── val/ # 560张 │ └── test/ # 280张 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml训练集、验证集、测试集按7:2:1划分。为什么不是常见的8:1:1因为2800张的基数不大验证集需要足够多的样本才能稳定评估模型性能。560张验证集里涵盖了各种场景评估指标的可信度会更高。测试集280张完全独立不参与任何训练和调参过程只在最后验收时用一次。data.yaml的内容很简单path: ./phone_dataset train: images/train val: images/val test: images/test nc: 1 names: [phone]这里有个细节要注意names里我写的是phone而不是cell phone或者mobile phone。类别名称用单数、小写、无空格这是为了避免后续部署时类别映射出问题。有些推理框架对类别名称里的空格处理不一致统一用phone最省事。2. 核心细节解析与实操要点2.1 数据采集的渠道与筛选标准这2800张图片的来源主要有四个渠道自己拍摄、公开数据集筛选、网络图片爬取后人工审核、以及部分合作伙伴提供的场景图。自己拍摄的部分大约有600张用的是普通手机和一台入门级微单重点补拍了工业流水线和货架场景因为这两类公开数据比较少。公开数据集筛选主要从COCO和Open Images里挑但只保留满足以下条件的图片手机目标占比大于画面面积的2%、标注框IoU与人工复核结果大于0.7、图片分辨率不低于640×480。为什么要设2%这个阈值因为太小的目标在YOLO的默认输入尺寸下经过下采样后信息损失严重训练时正样本太少模型学不到有效特征。网络爬取的部分我用了关键词组合搜索比如“手机 货架”、“手机 流水线”、“手机 展示柜”等爬下来大约5000张然后人工过了一遍删掉了重复图、模糊图、以及手机只是背景元素的图。最终保留约1200张。这里提醒一句爬取的图片一定要注意版权问题如果是商业项目建议全部用自己拍摄或明确授权可商用的数据。2.2 标注工具的选择与标注规范标注工具我用的是LabelImg和X-AnyLabeling两个。LabelImg适合纯手动标注界面简单快捷键顺手X-AnyLabeling支持半自动标注可以先跑一个预训练模型生成初始框然后人工修正效率能提升40%左右。对于2800张这个量级如果纯手动标注熟练工大约需要15-20小时用半自动辅助可以压缩到8-10小时。标注规范我整理了一个检查清单每次标注完一批就对照检查检查项标准常见错误边界框紧密度框边缘与手机外轮廓偏差不超过3像素框太大包含背景或框太小切掉手机边缘遮挡处理遮挡部分不标注只标可见区域把被遮挡部分也框进去截断处理出画面的手机框到画面边缘为止框超出画面边界小目标小于16×16像素的手机不标标了但训练时被忽略类别一致性统一用phone混用cell phone、mobile等注意标注时如果遇到手机和手机壳颜色几乎一样的情况不要凭感觉猜边界放大到200%再标。我吃过这个亏有一批图标注框偏了5-8像素训练出来的模型在测试时预测框总是往一个方向偏。2.3 数据增强策略的取舍YOLO训练时默认会做Mosaic、HSV增强、随机翻转等。但对于手机检测这个任务有些增强要慎用。Mosaic增强我保留了因为它能提升小目标的检测能力而且让模型见到更多样的背景组合。但Mosaic的概率我从默认的1.0降到了0.8原因是手机的形状比较规整过度拼接会导致一些不自然的组合模型可能学到虚假的上下文关系。HSV增强里色调H的幅度我调小了饱和度S和明度V保持默认。为什么因为手机的颜色分布相对集中主要是黑、白、银、蓝、金几种色调大幅偏移会让手机变成奇怪的绿色或紫色这在实际场景中几乎不会出现属于无效增强。随机翻转要分情况。水平翻转没问题手机左右对称翻转后依然合理。但垂直翻转我关掉了因为倒过来的手机在真实场景中极少出现除非是故意倒扣在桌上但那种情况手机屏幕朝下特征完全变了。另外我额外加了一种增强随机遮挡。用灰色或黑色矩形随机遮挡图片的5%-15%区域模拟手指遮挡、物体遮挡的情况。这个增强让模型在遮挡场景下的召回率提升了约6个百分点。2.4 标签格式转换与校验YOLO用的是txt格式标签每行是class_id x_center y_center width height所有坐标都归一化到0-1之间。如果你拿到的原始标注是VOC的XML格式或者COCO的JSON格式需要转换。转换脚本的核心逻辑不复杂但有几个坑# VOC转YOLO的关键代码片段 def voc_to_yolo(xml_path, img_w, img_h): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): cls_name obj.find(name).text.lower() if cls_name not in [phone, cell phone, mobile phone]: continue bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 裁剪到画面内 xmin max(0, min(xmin, img_w)) ymin max(0, min(ymin, img_h)) xmax max(0, min(xmax, img_w)) ymax max(0, min(ymax, img_h)) # 过滤无效框 if xmax - xmin 2 or ymax - ymin 2: continue x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f0 {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) return lines转换完之后一定要做校验。我写了一个校验脚本检查每张图的标签文件是否存在、每行是否5个值、坐标是否在0-1之间、宽高是否大于0。校验通过率必须100%有一个不合格就回去查原因。曾经有一次转换后没校验训练时loss一直不降排查了半天才发现有几张图的坐标没归一化值都是几百模型直接学废了。3. 实操过程与核心环节实现3.1 训练环境搭建与版本选择训练环境这块我试过几种组合最终稳定用的是Ubuntu 20.04 CUDA 11.8 PyTorch 2.0 Ultralytics 8.x。为什么选这个组合因为Ultralytics 8.x对YOLOv8和YOLOv11的支持最完善API统一文档也全。如果你用的是V100或者更老的卡CUDA 11.8兼容性最好不会出现驱动不匹配的问题。安装步骤不复杂但顺序要对# 创建虚拟环境 conda create -n yolo_phone python3.10 conda activate yolo_phone # 安装PyTorch根据你的CUDA版本调整 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 安装Ultralytics pip install ultralytics # 验证安装 yolo checksyolo checks会输出环境信息重点看CUDA是否可用、版本是否匹配。如果显示CUDA不可用大概率是PyTorch版本和CUDA版本对不上重新装对应版本的PyTorch就行。提示不要用pip install ultralytics的同时又用conda install pytorch混装容易出问题。要么全pip要么全conda我习惯全pip干净。3.2 模型选型与参数配置YOLOv8和YOLOv11我都跑过。对于手机检测这个单类别任务YOLOv8n和YOLOv11n的精度差距不大但YOLOv11n的推理速度稍快一点。如果你追求极致轻量用YOLOv8n如果想要更好的小目标检测能力用YOLOv8s或YOLOv11s。我最终选的是YOLOv8s原因是2800张数据量不算大nano模型容易欠拟合small模型容量刚好。训练参数如下from ultralytics import YOLO model YOLO(yolov8s.pt) results model.train( dataphone_dataset/data.yaml, epochs150, imgsz640, batch16, workers4, device0, optimizerAdamW, lr00.001, lrf0.01, momentum0.937, weight_decay0.0005, warmup_epochs3, warmup_momentum0.8, box7.5, cls0.5, dfl1.5, hsv_h0.010, hsv_s0.5, hsv_v0.3, degrees0.0, translate0.1, scale0.3, shear0.0, perspective0.0, flipud0.0, fliplr0.5, mosaic0.8, mixup0.0, copy_paste0.0, patience30, saveTrue, save_period10, valTrue, plotsTrue )几个关键参数的解释lr00.001是初始学习率AdamW优化器下这个值比较稳lrf0.01是最终学习率系数也就是学习率会从0.001衰减到0.00001patience30表示30个epoch验证指标不提升就早停防止过拟合mosaic0.8前面说过了降低一点概率mixup0.0关掉因为手机检测不需要混合样本增强。3.3 训练过程监控与指标解读训练启动后重点看几个指标box_loss、cls_loss、dfl_loss、mAP50、mAP50-95。box_loss是边界框回归损失正常情况下一开始会快速下降然后趋于平缓。如果box_loss震荡很大可能是学习率太高或者batch size太小。cls_loss是分类损失单类别任务下这个值应该降得很快如果一直很高检查标签是不是有问题。dfl_loss是分布焦点损失YOLOv8引入的对边界框的精细回归有帮助。mAP50达到0.9以上、mAP50-95达到0.7以上对于手机检测这个任务就算不错了。我这次训练到第120个epoch左右mAP50稳定在0.94mAP50-95在0.76。再往后提升很小就早停了。训练完成后runs/detect/train/目录下会生成权重文件、混淆矩阵、PR曲线、验证集预测结果图。一定要看混淆矩阵和预测结果图指标好看不代表模型真的好。我遇到过mAP很高但预测框明显偏移的情况看结果图才发现是标注里有一批框偏了模型把错误标注也学进去了。3.4 模型导出与推理测试训练完的.pt权重可以直接用Python推理也可以导出成ONNX、TensorRT等格式部署。导出ONNX的命令yolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640 simplifyTrue推理测试代码from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) # 单张图片推理 results model(test_image.jpg, conf0.25, iou0.45) results[0].show() # 批量推理 results model(test_images/, conf0.25, iou0.45, saveTrue)conf0.25是置信度阈值iou0.45是NMS的IoU阈值。这两个值需要根据实际场景调。如果漏检多降低conf如果误检多提高conf。iou阈值影响重叠框的合并手机检测一般0.45-0.5比较合适。我在测试集上跑了一遍280张图里正确检测出手机的图片有271张召回率96.8%误检把其他物体当成手机的有9张误检率3.2%。误检主要集中在手机壳和遥控器上这两个物体在特定角度下和手机确实像。后续如果要做产品化可以加一个二次分类网络来过滤误检。4. 常见问题与排查技巧实录4.1 训练不收敛或loss震荡的排查思路这是新手最常遇到的问题。我整理了一个排查顺序按这个顺序走基本能定位到原因现象可能原因排查方法解决方案loss完全不降标签格式错误检查txt文件坐标是否归一化重新转换标签loss下降后震荡学习率太高看loss曲线振幅降低lr0到0.0005loss下降后反弹过拟合对比训练和验证loss增加数据增强或早停box_loss高但cls_loss低标注框不准可视化标注框重新标注问题图片cls_loss高但box_loss低类别标签错误检查class_id统一改为0我踩过最坑的一次是标签文件里有一行只有4个值少了一个坐标。YOLO读取的时候没报错但那张图的训练效果一直很差。后来写了个脚本逐行检查才发现问题。所以标签校验这一步绝对不能省。4.2 验证集指标好但实际测试效果差的处理这种情况通常是数据分布不一致导致的。验证集和训练集来自同一个数据池分布自然接近但实际测试场景可能完全不同。解决办法有两个一是重新划分验证集。不要随机划分而是按场景划分。比如训练集里全是室内桌面场景验证集里放一些货架场景这样验证指标更能反映真实泛化能力。我这次就是按场景分层的所以验证指标和测试指标差距不大。二是做域适应增强。如果知道部署场景的光照、角度特点在训练时针对性增强。比如部署在室外就加大亮度变化和阴影模拟部署在流水线就加运动模糊和传送带背景。4.3 小目标手机检测效果差的优化监控视角下手机往往只占几十个像素检测效果会明显下降。我试过几种优化方法按效果排序提高输入分辨率从640提到1280小目标召回率提升约12%但推理速度下降约60%。如果硬件允许这是最直接的办法。用P2小目标检测层YOLOv8默认用P3-P5加一个P2层专门检测小目标。需要改模型配置文件训练时间会增加。切片推理把大图切成小块分别推理再合并结果。适合离线分析场景实时性差。数据层面在训练集中增加小目标样本的比例让模型多见小目标。我最终用的是提高分辨率到960配合P2层在V100上推理速度约25FPS满足实时性要求。4.4 模型部署时的常见坑部署到实际设备上有几个坑我踩过预处理不一致训练时用的是RGB部署时如果摄像头输出BGR颜色就反了。手机检测对颜色敏感度中等但反色后误检率会上升。解决办法是统一预处理流程写个测试用例验证。归一化参数不一致训练时YOLO默认除以255部署时如果忘了这步输入值域不对模型输出全是乱的。NMS实现差异不同推理框架的NMS实现有细微差别可能导致同一张图在不同平台上检测框数量不同。建议用ONNX Runtime或TensorRT自带的NMS保持一致。动态尺寸问题如果部署时输入尺寸和训练时不一致需要做letterbox填充保持长宽比。直接resize会导致手机变形检测精度下降。提示部署前一定要用同一张测试图在训练环境和部署环境分别跑一遍对比输出结果。如果差异大逐项检查预处理、推理、后处理环节。4.5 数据集扩展与迭代建议2800张是一个起点不是终点。实际项目里模型上线后会遇到各种训练集没覆盖的场景这时候需要持续收集bad case标注后加入训练集重新训练。我建议每收集到200-300张新样本就迭代一次不要攒太多否则一次训练时间太长反馈周期久。迭代时注意保持验证集和测试集的稳定性。如果每次迭代都换验证集指标就没有可比性了。我的做法是验证集和测试集固定不变只扩充训练集。等训练集扩充到一定程度再重新划分一次。另外如果发现某类场景的检测效果持续不好不要只加样本还要检查标注质量。有时候是标注标准不一致导致的比如有的标注员把手机壳也算进框里有的不算。统一标注规范比盲目加数据更有效。4.6 常见问题速查表问题快速排查解决训练报错“No labels found”检查labels目录路径和文件名是否与images对应确保图片和标签同名同目录结构训练时显存溢出降低batch size或imgsz从16降到8或从640降到512推理时检测框重复NMS阈值太高降低iou到0.4检测框偏移标注框不紧或预处理不一致检查标注和letterbox某些图片完全检测不到图片格式或通道数问题统一转为RGB三通道模型文件太大用了s模型换n模型或做量化训练速度慢workers设置不当根据CPU核数调整一般4-8验证指标波动大验证集太小增加验证集比例到20%这套数据集和训练流程我完整跑过三遍从数据整理到模型部署大概花了两周时间其中标注和校验占了一半。如果你手头有类似的需求建议先把标注规范定死再开始批量标注不然后期返工的成本很高。模型选型上单类别检测任务不用追求最新最大的模型YOLOv8s或YOLOv11s足够用把精力花在数据质量和场景覆盖上收益更大。