苏澄宇1. 项目概述：车站客流状态图标识别系统
这个项目源于我在城市轨道交通智能化改造中的实际需求——如何快速准确地识别车站显示屏上的客流状态图标。传统的人工监控方式效率低下，而基于YOLOv11的改进算法为我们提供了一种高效的解决方案。
客流状态图标通常以红黄绿三色呈现，分别对应拥挤、繁忙和畅通三种状态。我们的目标是通过摄像头捕捉显示屏画面，实时识别并统计各区域的客流状态，为调度指挥提供数据支持。这个系统可以部署在边缘计算设备（如Jetson Orin Nano）上，实现低延迟的本地化处理。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构解析
2.1 YOLOv11基础网络
YOLOv11作为最新一代的目标检测框架，在速度和精度之间取得了更好的平衡。我们选择它作为基础架构主要考虑三个因素：
- 对小型目标的检测能力优于前代
- 在边缘设备上的推理效率更高
- 模块化设计便于定制化改进
基础网络包含：
- 骨干网络：CSPDarknet53变体
- 特征金字塔：PANet结构
- 检测头：解耦式设计
2.2 关键改进点
2.2.1 C3k2模块优化
C3k2是我们在标准C3模块基础上的改进版本，主要变化包括：
- 将标准3×3卷积替换为k=2的深度可分离卷积
- 添加了通道注意力机制
- 采用更密集的跨层连接
实测表明，这种改进在客流图标检测任务中能提升约3%的mAP，同时减少15%的计算量。
2.2.2 MambaOut机制
受最近序列建模研究的启发，我们移除了传统的空间注意力模块（Mamba），改为使用：
- 动态卷积核预测
- 局部特征增强
- 跨尺度特征融合
这种改变特别适合处理显示屏这类高对比度、规律性强的图像内容。
2.2.3 FDConv（频域卷积）
我们引入了频域卷积来处理图标的边缘特征：
python复制class FDConv(nn.Module):
def __init__(self, in_channels, out_channels):
super().__init__()
self.spatial_conv = nn.Conv2d(in_channels, out_channels, 3, padding=1)
self.freq_conv = nn.Sequential(
DCT2d(),
nn.Conv2d(in_channels, out_channels, 1),
IDCT2d()
)
def forward(self, x):
return self.spatial_conv(x) + self.freq_conv(x)
这种混合域处理能更好地捕捉图标的高频特征。
3. 数据准备与训练
3.1 数据采集方案
我们采用多源数据采集策略：
- 实地拍摄：20个地铁站的显示屏画面
- 模拟生成：使用Blender创建不同光照条件下的虚拟图像
- 数据增强：添加运动模糊、反光等干扰
最终构建的数据集包含：
- 训练集：15,000张图像
- 验证集：3,000张图像
- 测试集：2,000张图像
3.2 标注工具链
我们采用Label Studio + SAM2的半自动标注流程：
- 先用SAM2生成初步分割掩码
- 人工修正边界和类别
- 转换为YOLO格式的标注文件
重要提示：标注时要特别注意图标的完整性和遮挡情况，这对模型性能影响很大。
3.3 训练配置
关键训练参数：
yaml复制lr0: 0.01
lrf: 0.1
momentum: 0.937
weight_decay: 0.0005
warmup_epochs: 3
warmup_momentum: 0.8
box: 7.5
cls: 0.5
dfl: 1.5
我们使用8卡A100进行分布式训练，总batch size设为128，采用余弦退火学习率策略。
4. 部署优化技巧
4.1 Jetson Orin Nano适配
在边缘设备部署时需要注意：
- 使用TensorRT进行模型优化
- 开启FP16精度模式
- 调整线程绑定策略
实测优化前后的对比：
| 指标 | 优化前 | 优化后 |
|---|---|---|
| 推理延迟 | 45ms | 22ms |
| 功耗 | 15W | 9W |
| 内存占用 | 1.8GB | 1.2GB |
4.2 RKNN部署要点
对于Rockchip平台：
- 需要先转换为ONNX格式
- 注意算子兼容性检查
- 量化时采用混合精度策略
常见问题处理：
- 遇到不支持的算子时，考虑用等效操作替换
- 量化后精度下降明显时，尝试分层量化策略
- 内存不足时，可以尝试模型分片
5. 实际应用效果
在某地铁线的实测数据显示：
| 场景 | 准确率 | 漏检率 | 误检率 |
|---|---|---|---|
| 正常光照 | 98.7% | 0.8% | 0.5% |
| 强反光 | 95.2% | 2.1% | 2.7% |
| 部分遮挡 | 96.5% | 1.9% | 1.6% |
系统平均处理速度达到25FPS（Jetson Orin Nano），完全满足实时性要求。
6. 常见问题排查
6.1 训练不收敛
可能原因及解决方案：
- 学习率设置不当：尝试warmup或分段学习率
- 数据标注质量问题：检查标注一致性
- 类别不平衡：采用focal loss
6.2 部署后性能下降
检查清单：
- 预处理是否与训练时一致
- 后处理的置信度阈值是否合适
- 输入分辨率是否匹配
6.3 边缘设备发热严重
优化建议：
- 启用动态频率调节
- 降低非关键帧的处理频率
- 优化散热设计
7. 扩展应用方向
这套方案经过适当调整后，还可以应用于：
- 道路积水检测（修改检测目标类别）
- 交通信号灯识别（调整特征提取模块）
- 电子屏内容解析（增加OCR模块）
我在实际部署中发现，对于类似的高对比度图标检测任务，频域卷积（FDConv）的表现尤其出色。这启发我们可以进一步探索频域特征在其他视觉任务中的应用价值。