YOLOv11改进模型在传统民居识别中的应用与优化

1. 项目背景与核心价值

在建筑遗产保护领域，传统民居的快速识别与精准检测一直是个技术难点。过去我们团队进行古建筑普查时，往往需要专业人员带着相机实地拍摄，再人工筛选分类，效率极低。一个县域范围的普查动辄需要数月时间，而随着城镇化进程加快，大量具有保护价值的传统民居正在快速消失。

这个项目正是为了解决这一痛点而生。我们基于YOLOv11模型进行针对性改进，开发出RSCD（Residential Structure Characteristic Detection）模型，专门用于传统民居的自动化识别。实测表明，在晋中地区传统四合院数据集上，改进后的模型检测精度达到91.3%，比原版YOLOv11提升7.2个百分点，单张图像推理时间控制在23ms以内，完全满足移动端实时检测需求。

关键突破：模型在保持轻量化的同时，对传统民居特有的悬山顶、墀头、砖雕等细部特征的识别准确率显著提升，这对后续的建筑价值评估至关重要。

2. 模型改进关键技术解析

2.1 数据增强策略优化

传统民居数据集存在严重的样本不平衡问题。我们收集的12,845张标注图像中，晋商大院类样本占比达63%，而南方干栏式建筑仅占8%。直接训练会导致模型严重偏科，为此我们设计了三种数据增强方案：

1. 特征保留增强（Feature-Preserving Augmentation）
   • 对马头墙、垂花门等关键部位采用mask保护式旋转
   • 光照调整时保留砖木材质纹理特征
   • 示例代码：

     python复制class FeatureAwareRotate:
         def __call__(self, img, masks):
             angle = random.uniform(-15, 15)
             h, w = img.shape[:2]
             center = (w//2, h//2)
             M = cv2.getRotationMatrix2D(center, angle, 1.0)
             # 对非建筑区域进行模糊处理
             rotated = cv2.warpAffine(img, M, (w,