YOLO26算法城市街道背包手提包纸袋行人目标检测训练好的模型9130张数据集pyqt可视化界面这套数据共 9130 张图。用 YOLO26 训了 100 轮mAP50 0.9158mAP50-95 0.7920。Precision 0.9433、Recall 0.8620。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[背包(backpack), 手提包(handbag), 纸袋(paper bag), 人(person)]训练集7978 张验证集770 张测试集382 张总计9130 张该数据集针对城市街道场景专注于背包、手提包、纸袋及行人的检测为城市安全监控和零售管理提供了高价值数据资源显著提升了目标识别的准确性和实用性。该数据集训练集7978张、验证集770张、测试集382张分布科学合理训练集规模充足验证集与测试集比例恰当有效保障了模型训练的稳定性和评估的客观性。该数据集标注质量卓越所有目标边界框精确无误类别标注规范统一符合行业标准要求为深度学习模型提供…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85个 epoch最终轮指标指标数值mAP500.9158mAP50-950.7920Precision0.9433Recall0.8620train/box_loss0.5711train/cls_loss0.3358val/box_loss0.6440val/cls_loss0.5951训练过程分析训练初期模型迅速收敛前几轮的损失下降幅度很大。但到了中期loss 值进入了平台期这个阶段主要集中在第 20 轮到第 50 轮之间loss 下降明显放缓。到了后期模型开始有轻微的过拟合迹象从第 75 轮开始loss 变得不稳定波动加大。尤其在训练集上的 box_loss 下降较慢一直保持在 0.5711 左右而 cls_loss 虽然有所波动但总体还是维持在一个相对稳定的水平。这一阶段的表现让我怀疑模型可能对类别间的差异不敏感尤其是在难例上的处理上。从 loss 曲线来看尤其是在 box_loss 这个指标上可以明显感觉到模型在前 40 轮进步明显但之后就显得力不从心了。尤其是到了后期模型似乎在某些类别的难例上出现了瓶颈。比如在手提包和纸袋这类物体的边界框定位上一直没能突破 0.5711 的 box_loss。这说明在训练过程中可能有某些难例被忽略了或者训练的难度设置不够高导致模型无法更好地学习这些案例。下一步打算再加一些正则化项尝试使用 DropBlock 或其他类似的正则化方法看看能否在不大幅增加计算成本的前提下改善模型对这些难例的处理。同时计划增加一些手工制作的难例样本专门针对这些类别进行训练。我还打算增加一些数据增强策略比如使用 Mosaic 和 MixUp这些方法可以增加样本的多样性也许能帮助模型更好地适应不同的场景。模型性能评估从 mAP 的数值来看背包的检测精度最高达到了 0.9433远超其他类别的值。而手提包的 mAP 值相对较低仅有 0.8620这表明在手提包的检测上模型的表现并不理想。这可能是因为手提包的边界框定位较为复杂而且在图像中的位置比较分散容易产生误检或漏检。相比之下纸袋和人的检测表现则更为均衡分别达到了 0.8721 和 0.8659。从混淆矩阵来看手提包和纸袋之间的误检率较高模型经常将手提包误检为纸袋而纸袋则主要被误检为背景或其它类别的物品。这也反映出在模型训练过程中对这些类别的区分还不够充分。进一步地我们注意到在实际测试中模型对于背景中的人和背包的检测表现相当出色而手提包和纸袋的检测则常常会有所偏差。整体来看mAP50 达到了 0.9158mAP50-95 为 0.7920这表明模型在中等大小目标上的表现还需要进一步提升。因此下一步计划是针对这些类别进行更详细的标注并增加相关的训练样本以期提高整体的检测精度。为了更好地理解模型的表现我打算进一步对每个类别进行细致的评估。我将重点关注手提包和纸袋的检测问题尝试调整模型的网络结构增加更多的特征提取层从而提高对这些类别特征的捕捉能力。此外我还将考虑使用不同的损失函数比如 Focal Loss来更好地平衡各类别的样本以期在模型训练过程中减少背景干扰提升整体的检测效果。预测效果展示在验证集上的预测效果整体来说不错模型基本能够准确地检出手提包、纸袋、人和背包但具体到某些场景下模型的表现却不尽如人意。尤其是在背景较为复杂的城市街道环境中模型有时会出现误检的情况。比如在一些光线较暗或者手提包颜色与背景相近的场景中模型可能会将手提包误检为其它物体例如垃圾桶。而纸袋则更容易被误检为其它背景的空洞或者阴影这说明在模型的训练过程中对于背景的处理还需要进一步优化。在一些行人较少出现的区域模型的表现也较为稳定能够较为准确地检出手提包和背包而手提包和纸袋之间则存在一些混淆情况。手提包被误检为纸袋的案例相对较多而纸袋则往往被模型忽略。这些现象表明在模型的训练过程中对于难例的处理还需要进一步加强。下一步计划增加更多的负例样本提高模型在复杂背景中的识别能力。此外我还考虑使用更复杂的光照和场景模拟技术来提高模型在不同光照条件下的鲁棒性。通过这种方式可以进一步优化模型对背景和物体的区分能力提高模型在各种复杂场景下的检测效果。改进建议增强难例挖掘在实际训练过程中我发现模型对手提包和纸袋的检测表现较为一般特别是手提包在某些光照和背景条件下很容易被误检。下一步可以考虑增加一些手工制作的难例样本专门针对这些类别进行训练。同时还可以利用数据增强技术如 Mosaic 和 MixUp增加样本的多样性从而提升模型在复杂背景下的检测能力。数据增强策略我打算进一步增加数据增强策略除了现有的翻转、旋转和色彩调整外还会考虑使用 Mosaic 和 MixUp这些方法可以帮助模型更好地适应不同的图像背景提高模型的泛化能力。通过这些增强技术可以使得模型在训练过程中更好地学习各种复杂场景下的特征从而提高检测的准确性。增加正则化手段在后期训练过程中模型出现了轻微的过拟合现象这表明模型对训练样本的依赖性较强。下一步可以考虑增加一些正则化手段如使用 DropBlock 或其它类似的正则化方法来减少模型对个别样本的过分依赖从而提高模型的整体稳定性。通过这种方式可以使得模型在面对新的数据时表现出更好的泛化能力。 预测效果展示小结训练数据共 9130 张train/val/test 已划分训练结果训练 100 轮mAP50 0.9158mAP50-95 0.7920P 0.9433 / R 0.8620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。