YOLO26算法城市道路行人车辆目标检测训练好的模型13981张数据集pyqt可视化界面 数据集概况检测类别中文[自行车(Bicycle), 公交车(Bus), 汽车(Car), 摩托车(Motorcycle), 人(Person), 卡车(Truck)]训练集13981 张验证集0 张测试集0 张总计13981 张该数据集专注于城市道路环境下的行人与车辆检测为智能交通管理和公共安全监控提供了关键数据支持具有显著的实用价值和行业应用前景。该数据集包含13981张训练图像验证集和测试集为空这种分布设计确保了模型训练的充分性和数据利用效率符合实际应用场景的需求。该数据集的标注工作严谨细致所有目标对象均被精确框选类别标注准确无误体现了高标准的标注质量和规范性。该数据集可有效应用于城市交通监控系…模型资源下载模型资源下载⬇️⬇️⬇️ 点击下载 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mAP500.6466mAP50-950.4343Precision0.7645Recall0.5712train/box_loss1.4118train/cls_loss1.0090val/box_loss1.5163val/cls_loss1.3277训练过程分析100 轮跑满mAP50 只拿到 0.6466——这轮训练的核心问题不是「没跑够」是「跑到头也就这样」。loss 前期下降之后进入平台期mAP 爬升缓慢最后停在一个明显没吃饱的位置。先把任务难度摆出来自行车、公交车、汽车、摩托车、人、卡车六类目标城市道路场景。这是这批报告里类别最多、尺度跨度最大的一篇——行人占画面一角卡车能占满半幅公交车在画面里的存在感是行人的几十倍。yolo26n 是最小档的模型640 输入batch 24这套配置打六类多尺度任务0.6466 的 mAP50 属于「配置决定的天花板」的正常发挥。loss 的数据支撑这个判断train/box_loss 1.4118 对 val/box_loss 1.5163两端都不低gap 0.10 反而不大——说明不是泛化崩了是训练端本身就没把 loss 压下去模型容量先到了顶。分类端更吃紧train/cls_loss 1.0090val 1.3277六类的分类负担让 cls_loss 明显高于单类任务的水平。loss 曲线「前期下降后进入平台期」的形态翻译过来就是模型把容易学的先学完了剩下的难点——小目标行人、类别间形似、尺度剧烈变化——以 yolo26n 的容量学不动了。还有个数据层面的硬伤必须放在最前面说划分记录上验证集 0 张、测试集 0 张13981 张图全部在训练集里。这个划分本身就是要打回重做的——指标从哪来的、考核在什么数据上做的都会成为疑问。下面的评估基于现有数字展开但所有结论的置信度都要打折扣这一条最后还会再强调一次。顺带把「跑满 100 轮」这个细节也放进证据链。同批的其他轮次大多提前收工五十几轮、六十几轮停的都有唯独这篇跑满了计划轮数——结合 loss 停在平台期的形态这个对比本身就是信号不是训练意外中断后勉强交付而是早停机制认为「还能再挤一点」一直挤到 100 轮上限。一边是容量见顶的 loss一边是还在缓慢爬的 mAP两个信号拧着来正是「任务难度超出模型档位」的典型长相。yolo26n、640 输入、batch 24、优化器 auto、初始学习率 0.01这套配置在单类任务上收放自如到六类多尺度就开始喘档位和任务量的错配是这轮所有问题的总根源。模型性能评估mAP50 0.6466、mAP50-95 0.4343、Precision 0.7645、Recall 0.5712。四个数给出的第一判断这是一个「偏保守」的模型——报出来的大多靠谱但接近一半的目标没进输出。Recall 0.5712 是四个数里最刺眼的一个。六类多尺度场景里漏检的重灾区几乎必然是小目标远端的行人和自行车在 640 输入下特征被压缩到接近不可分被公交、卡车遮挡的目标可见部分不足以支撑判定。Precision 0.7645 说明模型整体不算激进但 0.76 的精度配 0.57 的召回输出策略已经偏「稳」——漏检不是阈值能救回来的量级是特征层面的「看不见」不是决策层面的「不敢报」。类别间的差异可以合理推演汽车和公交车是大目标、形态规整、训练样本通常最充足AP 大概率是六类里的头部行人和自行车是短板候选——小、形变多、密集出现摩托车和自行车之间的形似是经典混淆对这一对的互拉会同时压低两类的 AP。逐类数字报告里没有以上是从任务结构做的推断验证优先级排在最前面。mAP50 到 mAP50-95 的 0.21 落差在这批里反而算小但这不代表定位好——mAP50 基数本身就低落差被压住了。框质量的真实水位要看 box_loss 两端都停在 1.4~1.5 的位置框回归的余量同样不大定位和识别是「双短板」只是识别更短。预测效果展示验证集预测效果一般、大部分目标能被检出、存在漏检与框贴合度不足——结合 0.57 的召回「大部分能检出」这个说法要打个问号更准确的画像可能是大车和大目标稳小目标成片漏。预测图上最可能出现的分野是「近大远小」的断崖画面近处的汽车、卡车、公交框得扎实、置信度饱满画面纵深处的行人和自行车检出率骤降检出的那部分框也偏大偏糙。城市监控视角俯拍、纵深长会放大这个效应行车记录仪视角平拍、目标大会缓解——数据集的具体视角构成报告没有明细但从指标形态看长纵深视角的占比不会低。遮挡是第二杀手。城市道路的目标天然互相挡路口的行人被车流切碎停靠车辆挡住后方来车。遮挡目标的可见残片如果训练时被标成完整框模型学到的就是「看见一角报整框」IoU 直接不合格如果被标成忽略或跳过推理时这些目标就成了漏检。两种标注策略各有道理但这套数据用的哪一种决定了 0.4343 的 mAP50-95 里有多少是「冤枉分」。误检侧P 0.7645 意味着每四个输出里有一个存疑。六类场景的典型误报是骑手在摩托车/自行车之间的摇摆、行人被当成骑车人、以及背景里形似车轮或栏杆的杂物。这些误报在 PR 曲线的低端区间聚堆置信度阈值稍微抬高就能砍掉一批同时召回会进一步掉——0.57 的召回底子经不起这种交易这是阈值工程救不了这轮结果的根本原因。站在落地角度还有一层判断六类里「人」这一类的召回是所有应用的总闸门。城市道路场景的下游需求无论是路口流量统计还是斑马线行人预警第一步都是把「人」找全。当前整体 Recall 0.5712 的水位下行人这一类即便不是最低也不会好看——大车撑面子、小目标拉后腿的平均结构里作为小目标的「人」大概率在均值以下。这也是我把「收缩应用范围」写进建议的原因与其带着不可信的行人检测上线路不如先把大车检测这个稳定子集做成能交付的东西行人等模型升级后再补票。改进建议数据划分先回炉13981 张全进训练集、验证与测试留空这个划分让所有指标失去公信力。第一步按 85/10/5 重新切分重训或至少重评拿到干净的验证与测试数字之后其余优化才有讨论的地基。同一轮里把逐类 AP 和 PR 曲线拉出来把「小目标漏检」「类别混淆」两个推断坐实成数据——这两件事一份验证脚本就能一起做。模型容量升级优先于调参loss 平台期加两端 loss 双高的证据链指向明确——yolo26n 打六类多尺度任务是小马拉大车。下一步换更大的模型档位或者把训练拉到 150 轮观察平台期是否被容量解锁再决定要不要延长。分辨率从 640 提到 800 或 1024 对小目标召回的收益预期同样存在但三项的成本要排优先级换模型 提分辨率 延长轮数预算有限就按这个顺序砍。阈值工程放最后做调 NMS 和置信度阈值能平衡输出质量但那是模型能力定型之后的精修手段。当前 0.76 对 0.57 的精召结构里阈值怎么调都是按下葫芦浮起瓢——先把漏检的「看不见」治好再谈输出的「报不报」。如果业务等不及要出可用版本建议先面向「大型车辆检测」收缩应用范围把卡车、公交这类大目标的稳定输出做成能交付的子集行人与两轮车场景等模型升级后再开放。 预测效果展示小结训练数据共 13981 张train/val/test 已划分训练结果训练 100 轮mAP50 0.6466mAP50-95 0.4343P 0.7645 / R 0.5712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。