美洲狮梅西1. 项目背景与核心价值
去年夏天参与某水上乐园安全系统升级时，我深刻意识到传统人工盯防的局限性——救生员平均需要监控200平米水域，疲劳状态下漏检率可达40%。而基于计算机视觉的溺水检测系统能在毫秒级完成全域扫描，这正是我们团队开发这个数据集的初衷。
这个YOLO格式数据集专为泳池场景优化，包含12,000张标注图像，覆盖6类高危行为：
- 静止俯卧（最危险的无声溺水状态）
- 挣扎挥手（显性求救信号）
- 潜水超时（30秒以上未换气）
- 儿童深水区活动
- 泳道线纠缠
- 突发抽搐（癫痫等疾病发作）
关键洞察：溺水者往往呈现"直立挣扎-静止下沉"交替状态，前20秒的检测窗口期直接决定救援成功率。数据集特别强化了这类过渡状态的样本。
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. 数据集构建全流程
2.1 数据采集方案设计
我们采用三路同步采集策略：
- 高空俯拍：8米支架安装海康威视DS-2CD3系列摄像机（1920×1080@30fps），覆盖25米标准泳道
- 水下视角：Aqua-Vu Micro II防水相机（1280×720）置于池壁1.5米深度
- 移动端补充：GoHero 11穿戴在救生员身上获取第一人称视角
避坑经验：避免正午强光直射导致的水面镜面反射，最佳采集时段为上午9-11点或阴天，此时水面波纹特征最清晰。
2.2 标注规范制定
采用YOLOv8推荐的标注标准：
- 类别ID从0开始连续编号
- 归一化坐标保留6位小数
- 每个对象必须完整可见（不标注被遮挡超50%的实例）
特殊处理项：
- 水面反射伪影用
<difficult>1</difficult>标记 - 多人重叠时优先标注下层溺水风险更高者
- 添加
<action>标签记录持续时间（如<action>struggling_15s</action>）
python复制# 标注文件示例（0001.txt）
0 0.453125 0.611111 0.062500 0.088889
1 0.796875 0.722222 0.093750 0.133333 <action>diving_32s</action>
2.3 数据增强策略
针对泳池场景的特殊优化：
- 光学仿真：用CycleGAN生成不同