基于YOLOv5的深度学习人体目标检测实践与优化

1. 项目背景与核心需求

毕业设计选择"深度学习人体目标检测"作为课题，本质上是在探索计算机视觉领域最基础也最具挑战性的任务之一。我在大三暑期实习时第一次接触YOLOv3模型，当时就被这种能实时框出画面中所有人的技术震撼到了。人体检测不同于普通物体识别，要处理遮挡、姿态变化、光照条件等复杂情况，这对模型的鲁棒性提出了极高要求。

选择这个方向主要基于三点考量：首先，人体检测是智能监控、人机交互等应用的基础模块，具有明确的实用价值；其次，开源社区提供了丰富的预训练模型和数据集，降低了入门门槛；最重要的是，通过完整实现一个检测系统，能系统掌握数据标注、模型训练、性能优化等全流程技能。这比单纯调用API有意义得多。

2. 技术方案选型

2.1 框架对比

在PyTorch和TensorFlow之间，我最终选择PyTorch作为基础框架。2022年GitHub统计显示，PyTorch在新项目中的采用率已达75%，其动态图机制特别适合科研调试。具体到人体检测任务，MMDetection和Detectron2这两个主流检测库都优先支持PyTorch，社区生态更完善。

实测发现：同一YOLOv5模型在PyTorch下的训练速度比TensorFlow快约15%，且内存占用更低

2.2 模型选择

对比了三种主流架构：

• Faster R-CNN：检测精度高但速度慢（V100上约15FPS）
• SSD：速度快（30FPS）但对小目标检测差
• YOLO系列：在速度和精度间取得平衡

最终选定YOLOv5s作为基础模型，其参数量仅7.2M，在COCO数据集上可达140FPS。对于毕业设计级别的硬件配置（GTX 1660 Ti），这个选择能在可接受时间内完成训练。

3. 数据集构建

3.1 数据来源

使用混合数据集策略：

• COCO：提供80类通用物体标注，含丰富的人体场景
• CrowdHuman：专门针对密集人群场景，含22k图像
• 自采数据：用手机拍摄校园场景200张，覆盖不同光照条件

3.2 标注规范

采用LabelImg工具进行PASCAL VOC格式标注，关键规范：

• 遮挡超过50%的人体不标注
• 每个边界框必须完整包含头部和脚部
• 群体场景中确保个体间IoU<0.3

踩坑记录：初期标注时忽略了下雨天反光地面导致的人体倒影，造成模型将倒影误识别为真实人体

4. 模型训练细节

4.1 数据增强

采用Mosaic增强组合：

python复制# yolov5/data/hyps/hyp.scratch-low.yaml
mosaic: 1.0  # 启用mosaic增强
mixup: 0.2   # 图像混合比例
hsv_h: 0.015 # 色调变化幅度
hsv_s: 0.7   # 饱和度变化幅度 
hsv_v: 0.4   # 明度变化幅度

4.2 超参数设置

经过50轮参数搜索确定的配置：

• 初始学习率：0.01（余弦退火）
• 批量大小：16（受限于显存）
• 损失函数权重：
  • obj_loss: 0.7
  • cls_loss: 0.3
  • box_loss: 1.0

5. 性能优化技巧

5.1 模型剪枝

采用通道剪枝策略：

1. 训练完成后对BN层γ系数排序
2. 移除γ<0.01的通道
3. 微调3个epoch

实测模型体积减小40%，推理速度提升25%，mAP仅下降1.2%

5.2 TensorRT加速

转换关键步骤：

bash复制python export.py --weights yolov5s.pt --include engine --device 0 --half

启用FP16精度后，在Jetson Nano上达到22FPS，满足实时性要求

6. 常见问题排查

6.1 漏检问题

现象：远处行人检测不到
解决方案：

1. 在数据增强中增加随机缩放（0.5-1.5倍）
2. 修改anchor box尺寸匹配小目标
3. 添加针对小目标的检测头

6.2 误检问题

现象：将橱窗模特识别为真人
优化方法：

1. 在数据集中添加200张含假人场景
2. 引入注意力机制模块
3. 增加运动信息判断（对视频流）

7. 效果展示与评估

在自建测试集（500张）上的表现：

实际部署在校园监控场景时，发现两个有价值的现象：一是模型对骑自行车的人检测准确率比步行者低12%，二是穿迷彩服的人员容易产生漏检。这为后续改进指明了方向。

8. 扩展应用方向

基于现有成果，可以进一步探索：

1. 行为分析：结合姿态估计判断异常行为
2. ReID：实现跨摄像头追踪
3. 边缘部署：移植到树莓派等低成本设备

这个项目让我深刻体会到，好的检测系统不仅需要调参技巧，更需要深入理解应用场景的特性。比如在养老院场景下，就需要特别关注跌倒检测的准确性，这与普通监控的需求侧重点完全不同。