尧图网站建设 
简介这份资源面向计算机、人工智能相关专业的毕业设计与课程设计学生聚焦基于深度学习的驾驶员状态检测课题除疲劳驾驶外还可识别分心、饮酒、患病等多种状态帮助读者快速搭建可运行、可复现的检测方案。压缩包共31个文件约65.36MB包含9个ipynb与9个html实验记录、4个py脚本、2份pdf与2份docx报告文档以及gif演示动图和说明文件覆盖数据可视化、迁移学习微调、瓶颈特征提取与推理等完整流程。内容涉及VGG16、VGG19、ResNet50、InceptionV3、Xception等多种骨干网络的对比实验并配有数据划分与可视化脚本便于理解计算机视觉与模式识别在驾驶行为分析中的落地方式。目前已有38人学习适合需要完整毕设参考、模型对比思路与实验记录模板的读者。1. 从一张方向盘照片说起驾驶员状态检测到底在做什么深夜跑高速车道保持突然报警你才意识到自己已经连续开了四个小时。这种场景下如果车内有一颗摄像头能提前十秒判断出你正在走神或打哈欠事故概率会下降一大截。基于深度学习的驾驶员状态检测做的就是这件事用摄像头采集驾驶员面部与上半身图像通过卷积神经网络判断当前处于正常、疲劳、分心、打电话、抽烟等状态并触发相应提醒。它和单纯的车道偏离预警不同前者看车后者看人而看人这件事对模型的实时性和鲁棒性要求更高。这个方向适合做毕设或课设的同学也适合想入门深度学习CV实战的工程师因为数据采集门槛低、模型结构清晰、效果可视化直观是少有的能在一周内跑通全流程的项目类型。2. 状态分类任务的技术选型为什么是CNN而不是RNN打头阵2.1 单帧分类与时序建模的边界驾驶员状态检测本质上是一个图像分类问题但又不完全是。如果只看单帧图像模型能判断出「闭眼」「打哈欠」「低头看手机」这些瞬时状态但无法区分「正常眨眼」和「疲劳闭眼」——前者持续0.1秒后者持续2秒以上。所以常见做法是用CNN做单帧特征提取和状态分类再用滑动窗口或轻量时序模块做状态持续判断。对于毕设和课设场景我一般建议先把单帧分类做到85%以上准确率再考虑加时序逻辑。因为单帧都分不准时序只会放大错误。选CNN而不是RNN打头阵的理由很直接驾驶员状态检测的数据集通常不大公开数据集如DMD、YawDD规模在几千到几万张之间RNN在这类小数据上容易过拟合。CNN配合数据增强和迁移学习能在小数据上更快收敛。另一个现实原因是CNN模型可以导出为ONNX或TensorRT在边缘设备上跑出30FPS以上而RNN的推理延迟通常更高。2.2 主干网络选型MobileNetV3还是ResNet18选主干网络时核心矛盾是精度和速度的平衡。ResNet18参数量约11M在GTX 1660上单帧推理约8ms准确率通常比MobileNetV3高2到3个百分点。MobileNetV3-Small参数量约2.5M在树莓派4B上也能跑到15FPS但准确率会掉一些。我的经验是如果毕设答辩演示用笔记本选ResNet18如果要部署到Jetson Nano或树莓派选MobileNetV3。下面是一个用PyTorch构建MobileNetV3分类头的代码示例import torch import torch.nn as nn from torchvision.models import mobilenet_v3_small class DriverStateNet(nn.Module): def __init__(self, num_classes5): super().__init__() # 加载预训练主干去掉原始分类头 self.backbone mobilenet_v3_small(pretrainedTrue) in_features self.backbone.classifier[0].in_features # 576 # 替换为自定义分类头加Dropout防过拟合 self.backbone.classifier nn.Sequential( nn.Linear(in_features, 256), nn.Hardswish(), nn.Dropout(0.3), nn.Linear(256, num_classes) ) def forward(self, x): return self.backbone(x) # 参数说明 # num_classes5 对应正常、疲劳、打电话、抽烟、分心 # Dropout0.3 是小数据集上的经验值数据量过万可降到0.2 # Hardswish 是MobileNetV3的标配激活函数换ReLU会掉点这段代码的关键在于分类头的设计。MobileNetV3原始分类头是两层Linear加Hardswish我改成了一层Linear加Dropout再加输出层目的是减少参数量同时保留非线性。Dropout放在中间层之后因为小数据集上全连接层最容易过拟合。如果你用的是ResNet18把backbone换成resnet18分类头换成nn.Linear(512, num_classes)即可不需要加太多层。2.3 数据增强策略别只用随机翻转驾驶员状态检测的数据增强有几个特殊点。随机水平翻转要慎用因为「左手打电话」和「右手打电话」在语义上都是打电话翻转没问题但「左转看后视镜」和「右转看后视镜」翻转后语义变了如果数据集里有分心类别翻转可能引入噪声。我的做法是对疲劳和正常类别做翻转对分心类别只做亮度、对比度扰动。另外随机遮挡RandomErasing对模拟墨镜、口罩、手部遮挡很有效概率设0.2到0.3比较合适。from torchvision import transforms train_transform transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomApply([ transforms.ColorJitter(0.3, 0.3, 0.2, 0.05) ], p0.5), # 亮度、对比度、饱和度、色调扰动 transforms.RandomHorizontalFlip(p0.5), # 仅对疲劳/正常类别启用 transforms.RandomErasing(p0.25, scale(0.02, 0.15)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])参数说明ColorJitter的四个值分别对应亮度、对比度、饱和度、色调的扰动幅度驾驶员面部对亮度变化敏感所以亮度设0.3RandomErasing的scale范围控制遮挡面积占比0.02到0.15之间能模拟手部或头发遮挡再大就会遮住关键面部特征。Normalize用的是ImageNet统计值因为主干是在ImageNet上预训练的。3. 从数据标注到模型训练一条能跑通的流水线3.1 数据集构建与标注规范公开数据集里YawDD偏重打哈欠检测DMD偏重分心行为但类别定义和你的需求往往对不上。我一般会自己采集一批数据用手机固定在仪表台位置录制10到15个志愿者在模拟驾驶场景下的视频每人5分钟覆盖正常、疲劳、打电话、抽烟、喝水、调收音机等动作。然后按每5帧抽一帧的方式截取图像用LabelImg或CVAT标注。标注时有一个坑疲劳和打哈欠的边界很模糊。我的定义是打哈欠持续超过1.5秒且伴随闭眼标为疲劳单纯张嘴但眼睛睁着标为正常。这个规则要提前和标注人员对齐否则标签噪声会让模型学偏。数据量方面每个类别至少800到1000张总数据量5000张左右就能训出可用的模型。如果不够可以用CutMix或MixUp做增强但驾驶员状态检测里MixUp要慎用因为两张脸混在一起会产生不存在的状态。3.2 训练脚本与关键超参数训练脚本的核心是损失函数、优化器和学习率调度。驾驶员状态检测的类别通常不均衡——正常状态占70%以上疲劳和抽烟可能各占5%。所以损失函数用带权重的CrossEntropyLoss权重按类别频率的倒数设置。优化器用AdamW学习率设1e-3配合CosineAnnealingLR。Batch size在显存允许下尽量大16或32都行。import torch.optim as optim from torch.optim.lr_scheduler import CosineAnnealingLR # 假设 train_loader 已定义类别权重根据统计得出 class_weights torch.tensor([1.0, 3.5, 4.0, 5.0, 3.0]).to(device) criterion nn.CrossEntropyLoss(weightclass_weights) model DriverStateNet(num_classes5).to(device) optimizer optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4) scheduler CosineAnnealingLR(optimizer, T_max50, eta_min1e-5) for epoch in range(50): model.train() for imgs, labels in train_loader: imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, labels) loss.backward() optimizer.step() scheduler.step() # 每个epoch后在验证集上算准确率和混淆矩阵参数说明weight_decay1e-4是AdamW的常用值比Adam的默认值更稳T_max50对应总epoch数CosineAnnealingLR会让学习率从1e-3余弦下降到1e-5class_weights的数值需要根据你实际数据统计调整正常类别设1.0稀有类别按比例放大。训练过程中重点看验证集的混淆矩阵如果疲劳和正常之间互相误判多说明特征区分度不够可以尝试加大输入分辨率或换更大的主干。3.3 模型评估准确率之外必须看的两个指标准确率在类别不均衡时会骗人。一个把所有样本都预测为正常的模型在70%正常的数据上也能拿到70%准确率。所以必须看召回率和F1-score。疲劳检测场景下漏检把疲劳判成正常比误检把正常判成疲劳代价高得多所以疲劳类别的召回率要优先保证。我一般要求疲劳召回率不低于90%哪怕精确率降到80%也能接受。另一个指标是推理延迟用time.time()在GPU上跑100次取平均单帧超过30ms就要考虑换轻量模型或做量化。4. 避坑与排查训练和部署中最容易翻车的五个点4.1 现象训练准确率很高但摄像头实时推理全是错的原因通常是预处理不一致。训练时用了Resize到224x224加Normalize推理时如果直接拿OpenCV读的BGR图像送进模型通道顺序和归一化都对不上。解决方法是把推理预处理封装成和训练完全一致的transform并且注意OpenCV读进来是BGR要转成RGB。4.2 现象模型把戴眼镜的人全判成疲劳原因是训练数据里戴眼镜的样本太少模型把眼镜反光或镜框当成了闭眼特征。解决办法是在数据增强里加随机遮挡模拟镜框或者专门采集一批戴眼镜的样本微调最后几层。另一个做法是加一个眼镜检测分支但那样工程复杂度会上升。4.3 现象白天正常晚上红外模式下准确率暴跌红外图像是灰度图和RGB训练数据分布差异大。如果摄像头支持红外训练时就要把红外图像也加入训练集或者对RGB图像做灰度化增强。我一般会在训练时随机把30%的样本转成灰度这样模型对红外模式也有一定泛化能力。4.4 现象连续视频里状态跳变严重一帧疲劳一帧正常这是单帧分类的固有问题。解决办法是加滑动窗口投票维护一个长度为15的队列每帧推理结果入队取众数作为当前状态。窗口长度根据帧率调整30FPS下15帧约0.5秒既能平滑跳变又不会引入太大延迟。4.5 现象模型导出ONNX后推理结果和PyTorch不一致常见原因是导出时没有设置dynamic_axes或者模型中用了ONNX不支持的算子。解决方法是导出时指定动态batch维度并且用onnxruntime跑一遍验证集逐样本对比输出差异。如果差异超过1e-3检查是否有自定义层或Hardswish被错误转换。5. 进阶技巧用知识蒸馏把大模型塞进边缘设备如果你已经训好了一个ResNet18或更大的模型但部署设备算力不够知识蒸馏是一个比直接换轻量模型更划算的方案。做法是把大模型当教师MobileNetV3当学生训练学生时同时最小化两个损失——学生输出和真实标签的交叉熵以及学生输出和教师输出的KL散度。温度参数T设3到5蒸馏损失权重设0.5到0.7。import torch.nn.functional as F def distillation_loss(student_out, teacher_out, labels, T4.0, alpha0.6): # 硬损失学生和真实标签 hard_loss F.cross_entropy(student_out, labels) # 软损失学生和教师带温度 soft_loss F.kl_div( F.log_softmax(student_out / T, dim1), F.softmax(teacher_out / T, dim1), reductionbatchmean ) * (T * T) return alpha * hard_loss (1 - alpha) * soft_loss参数说明T4.0是常用温度温度越高软标签越平滑但太高会丢失类别间区分度alpha0.6表示硬损失占60%软损失占40%这个比例在驾驶员状态检测上比较稳。蒸馏后MobileNetV3的准确率通常能比直接训练提升3到5个百分点推理速度不变。验证蒸馏效果时不要只看整体准确率要单独看疲劳类别的召回率有没有下降。我踩过的坑是蒸馏后整体准确率涨了但疲劳召回率掉了4个百分点原因是教师模型在疲劳类别上本身就不够强软标签把学生带偏了。所以教师模型必须先训到疲劳召回率90%以上再开始蒸馏。另一个实用技巧是分层蒸馏不只蒸馏最终输出还把教师中间层的特征图拿出来让学生去拟合。这对小数据集特别有效相当于给学生提供了更丰富的监督信号。实现时用1x1卷积把学生特征图通道数对齐到教师然后算MSE损失权重设0.1到0.3不要太大否则会干扰分类损失。最后说一个我自己的习惯每次训完模型我都会用Grad-CAM可视化一下模型到底在看哪里。如果热力图集中在眼睛和嘴巴区域说明模型学到了合理特征如果集中在背景或衣服上说明数据有偏得回去查数据集。这个习惯帮我省了很多次返工。希望帮到你。本文还有配套的精品资源点击获取 基于深度学习的驾驶员状态检测：从CNN模型选型到边缘部署实战
简介这份资源面向计算机、人工智能相关专业的毕业设计与课程设计学生聚焦基于深度学习的驾驶员状态检测课题除疲劳驾驶外还可识别分心、饮酒、患病等多种状态帮助读者快速搭建可运行、可复现的检测方案。压缩包共31个文件约65.36MB包含9个ipynb与9个html实验记录、4个py脚本、2份pdf与2份docx报告文档以及gif演示动图和说明文件覆盖数据可视化、迁移学习微调、瓶颈特征提取与推理等完整流程。内容涉及VGG16、VGG19、ResNet50、InceptionV3、Xception等多种骨干网络的对比实验并配有数据划分与可视化脚本便于理解计算机视觉与模式识别在驾驶行为分析中的落地方式。目前已有38人学习适合需要完整毕设参考、模型对比思路与实验记录模板的读者。1. 从一张方向盘照片说起驾驶员状态检测到底在做什么深夜跑高速车道保持突然报警你才意识到自己已经连续开了四个小时。这种场景下如果车内有一颗摄像头能提前十秒判断出你正在走神或打哈欠事故概率会下降一大截。基于深度学习的驾驶员状态检测做的就是这件事用摄像头采集驾驶员面部与上半身图像通过卷积神经网络判断当前处于正常、疲劳、分心、打电话、抽烟等状态并触发相应提醒。它和单纯的车道偏离预警不同前者看车后者看人而看人这件事对模型的实时性和鲁棒性要求更高。这个方向适合做毕设或课设的同学也适合想入门深度学习CV实战的工程师因为数据采集门槛低、模型结构清晰、效果可视化直观是少有的能在一周内跑通全流程的项目类型。2. 状态分类任务的技术选型为什么是CNN而不是RNN打头阵2.1 单帧分类与时序建模的边界驾驶员状态检测本质上是一个图像分类问题但又不完全是。如果只看单帧图像模型能判断出「闭眼」「打哈欠」「低头看手机」这些瞬时状态但无法区分「正常眨眼」和「疲劳闭眼」——前者持续0.1秒后者持续2秒以上。所以常见做法是用CNN做单帧特征提取和状态分类再用滑动窗口或轻量时序模块做状态持续判断。对于毕设和课设场景我一般建议先把单帧分类做到85%以上准确率再考虑加时序逻辑。因为单帧都分不准时序只会放大错误。选CNN而不是RNN打头阵的理由很直接驾驶员状态检测的数据集通常不大公开数据集如DMD、YawDD规模在几千到几万张之间RNN在这类小数据上容易过拟合。CNN配合数据增强和迁移学习能在小数据上更快收敛。另一个现实原因是CNN模型可以导出为ONNX或TensorRT在边缘设备上跑出30FPS以上而RNN的推理延迟通常更高。2.2 主干网络选型MobileNetV3还是ResNet18选主干网络时核心矛盾是精度和速度的平衡。ResNet18参数量约11M在GTX 1660上单帧推理约8ms准确率通常比MobileNetV3高2到3个百分点。MobileNetV3-Small参数量约2.5M在树莓派4B上也能跑到15FPS但准确率会掉一些。我的经验是如果毕设答辩演示用笔记本选ResNet18如果要部署到Jetson Nano或树莓派选MobileNetV3。下面是一个用PyTorch构建MobileNetV3分类头的代码示例import torch import torch.nn as nn from torchvision.models import mobilenet_v3_small class DriverStateNet(nn.Module): def __init__(self, num_classes5): super().__init__() # 加载预训练主干去掉原始分类头 self.backbone mobilenet_v3_small(pretrainedTrue) in_features self.backbone.classifier[0].in_features # 576 # 替换为自定义分类头加Dropout防过拟合 self.backbone.classifier nn.Sequential( nn.Linear(in_features, 256), nn.Hardswish(), nn.Dropout(0.3), nn.Linear(256, num_classes) ) def forward(self, x): return self.backbone(x) # 参数说明 # num_classes5 对应正常、疲劳、打电话、抽烟、分心 # Dropout0.3 是小数据集上的经验值数据量过万可降到0.2 # Hardswish 是MobileNetV3的标配激活函数换ReLU会掉点这段代码的关键在于分类头的设计。MobileNetV3原始分类头是两层Linear加Hardswish我改成了一层Linear加Dropout再加输出层目的是减少参数量同时保留非线性。Dropout放在中间层之后因为小数据集上全连接层最容易过拟合。如果你用的是ResNet18把backbone换成resnet18分类头换成nn.Linear(512, num_classes)即可不需要加太多层。2.3 数据增强策略别只用随机翻转驾驶员状态检测的数据增强有几个特殊点。随机水平翻转要慎用因为「左手打电话」和「右手打电话」在语义上都是打电话翻转没问题但「左转看后视镜」和「右转看后视镜」翻转后语义变了如果数据集里有分心类别翻转可能引入噪声。我的做法是对疲劳和正常类别做翻转对分心类别只做亮度、对比度扰动。另外随机遮挡RandomErasing对模拟墨镜、口罩、手部遮挡很有效概率设0.2到0.3比较合适。from torchvision import transforms train_transform transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomApply([ transforms.ColorJitter(0.3, 0.3, 0.2, 0.05) ], p0.5), # 亮度、对比度、饱和度、色调扰动 transforms.RandomHorizontalFlip(p0.5), # 仅对疲劳/正常类别启用 transforms.RandomErasing(p0.25, scale(0.02, 0.15)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])参数说明ColorJitter的四个值分别对应亮度、对比度、饱和度、色调的扰动幅度驾驶员面部对亮度变化敏感所以亮度设0.3RandomErasing的scale范围控制遮挡面积占比0.02到0.15之间能模拟手部或头发遮挡再大就会遮住关键面部特征。Normalize用的是ImageNet统计值因为主干是在ImageNet上预训练的。3. 从数据标注到模型训练一条能跑通的流水线3.1 数据集构建与标注规范公开数据集里YawDD偏重打哈欠检测DMD偏重分心行为但类别定义和你的需求往往对不上。我一般会自己采集一批数据用手机固定在仪表台位置录制10到15个志愿者在模拟驾驶场景下的视频每人5分钟覆盖正常、疲劳、打电话、抽烟、喝水、调收音机等动作。然后按每5帧抽一帧的方式截取图像用LabelImg或CVAT标注。标注时有一个坑疲劳和打哈欠的边界很模糊。我的定义是打哈欠持续超过1.5秒且伴随闭眼标为疲劳单纯张嘴但眼睛睁着标为正常。这个规则要提前和标注人员对齐否则标签噪声会让模型学偏。数据量方面每个类别至少800到1000张总数据量5000张左右就能训出可用的模型。如果不够可以用CutMix或MixUp做增强但驾驶员状态检测里MixUp要慎用因为两张脸混在一起会产生不存在的状态。3.2 训练脚本与关键超参数训练脚本的核心是损失函数、优化器和学习率调度。驾驶员状态检测的类别通常不均衡——正常状态占70%以上疲劳和抽烟可能各占5%。所以损失函数用带权重的CrossEntropyLoss权重按类别频率的倒数设置。优化器用AdamW学习率设1e-3配合CosineAnnealingLR。Batch size在显存允许下尽量大16或32都行。import torch.optim as optim from torch.optim.lr_scheduler import CosineAnnealingLR # 假设 train_loader 已定义类别权重根据统计得出 class_weights torch.tensor([1.0, 3.5, 4.0, 5.0, 3.0]).to(device) criterion nn.CrossEntropyLoss(weightclass_weights) model DriverStateNet(num_classes5).to(device) optimizer optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4) scheduler CosineAnnealingLR(optimizer, T_max50, eta_min1e-5) for epoch in range(50): model.train() for imgs, labels in train_loader: imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, labels) loss.backward() optimizer.step() scheduler.step() # 每个epoch后在验证集上算准确率和混淆矩阵参数说明weight_decay1e-4是AdamW的常用值比Adam的默认值更稳T_max50对应总epoch数CosineAnnealingLR会让学习率从1e-3余弦下降到1e-5class_weights的数值需要根据你实际数据统计调整正常类别设1.0稀有类别按比例放大。训练过程中重点看验证集的混淆矩阵如果疲劳和正常之间互相误判多说明特征区分度不够可以尝试加大输入分辨率或换更大的主干。3.3 模型评估准确率之外必须看的两个指标准确率在类别不均衡时会骗人。一个把所有样本都预测为正常的模型在70%正常的数据上也能拿到70%准确率。所以必须看召回率和F1-score。疲劳检测场景下漏检把疲劳判成正常比误检把正常判成疲劳代价高得多所以疲劳类别的召回率要优先保证。我一般要求疲劳召回率不低于90%哪怕精确率降到80%也能接受。另一个指标是推理延迟用time.time()在GPU上跑100次取平均单帧超过30ms就要考虑换轻量模型或做量化。4. 避坑与排查训练和部署中最容易翻车的五个点4.1 现象训练准确率很高但摄像头实时推理全是错的原因通常是预处理不一致。训练时用了Resize到224x224加Normalize推理时如果直接拿OpenCV读的BGR图像送进模型通道顺序和归一化都对不上。解决方法是把推理预处理封装成和训练完全一致的transform并且注意OpenCV读进来是BGR要转成RGB。4.2 现象模型把戴眼镜的人全判成疲劳原因是训练数据里戴眼镜的样本太少模型把眼镜反光或镜框当成了闭眼特征。解决办法是在数据增强里加随机遮挡模拟镜框或者专门采集一批戴眼镜的样本微调最后几层。另一个做法是加一个眼镜检测分支但那样工程复杂度会上升。4.3 现象白天正常晚上红外模式下准确率暴跌红外图像是灰度图和RGB训练数据分布差异大。如果摄像头支持红外训练时就要把红外图像也加入训练集或者对RGB图像做灰度化增强。我一般会在训练时随机把30%的样本转成灰度这样模型对红外模式也有一定泛化能力。4.4 现象连续视频里状态跳变严重一帧疲劳一帧正常这是单帧分类的固有问题。解决办法是加滑动窗口投票维护一个长度为15的队列每帧推理结果入队取众数作为当前状态。窗口长度根据帧率调整30FPS下15帧约0.5秒既能平滑跳变又不会引入太大延迟。4.5 现象模型导出ONNX后推理结果和PyTorch不一致常见原因是导出时没有设置dynamic_axes或者模型中用了ONNX不支持的算子。解决方法是导出时指定动态batch维度并且用onnxruntime跑一遍验证集逐样本对比输出差异。如果差异超过1e-3检查是否有自定义层或Hardswish被错误转换。5. 进阶技巧用知识蒸馏把大模型塞进边缘设备如果你已经训好了一个ResNet18或更大的模型但部署设备算力不够知识蒸馏是一个比直接换轻量模型更划算的方案。做法是把大模型当教师MobileNetV3当学生训练学生时同时最小化两个损失——学生输出和真实标签的交叉熵以及学生输出和教师输出的KL散度。温度参数T设3到5蒸馏损失权重设0.5到0.7。import torch.nn.functional as F def distillation_loss(student_out, teacher_out, labels, T4.0, alpha0.6): # 硬损失学生和真实标签 hard_loss F.cross_entropy(student_out, labels) # 软损失学生和教师带温度 soft_loss F.kl_div( F.log_softmax(student_out / T, dim1), F.softmax(teacher_out / T, dim1), reductionbatchmean ) * (T * T) return alpha * hard_loss (1 - alpha) * soft_loss参数说明T4.0是常用温度温度越高软标签越平滑但太高会丢失类别间区分度alpha0.6表示硬损失占60%软损失占40%这个比例在驾驶员状态检测上比较稳。蒸馏后MobileNetV3的准确率通常能比直接训练提升3到5个百分点推理速度不变。验证蒸馏效果时不要只看整体准确率要单独看疲劳类别的召回率有没有下降。我踩过的坑是蒸馏后整体准确率涨了但疲劳召回率掉了4个百分点原因是教师模型在疲劳类别上本身就不够强软标签把学生带偏了。所以教师模型必须先训到疲劳召回率90%以上再开始蒸馏。另一个实用技巧是分层蒸馏不只蒸馏最终输出还把教师中间层的特征图拿出来让学生去拟合。这对小数据集特别有效相当于给学生提供了更丰富的监督信号。实现时用1x1卷积把学生特征图通道数对齐到教师然后算MSE损失权重设0.1到0.3不要太大否则会干扰分类损失。最后说一个我自己的习惯每次训完模型我都会用Grad-CAM可视化一下模型到底在看哪里。如果热力图集中在眼睛和嘴巴区域说明模型学到了合理特征如果集中在背景或衣服上说明数据有偏得回去查数据集。这个习惯帮我省了很多次返工。希望帮到你。本文还有配套的精品资源点击获取