去年帮朋友调试一个路侧卡口的车辆抓拍系统车辆识别、车牌识别都跑得挺顺唯独安全带检测这一项换了三四个公开数据集到了现场仍然频繁漏检、误检。后来把失败样本逐一拉出来分析发现根子问题根本不在模型结构而在数据集和真实抓拍场景之间差了好几条街。今天想聊的这8400张YOLO智慧交通安全带检测数据集就是当时针对这类真实场景重新整理、筛选、标注过的一套东西专门给YOLO系列模型用做智慧交通、卡口执法、驾驶员状态分析这类项目时可以直接拿来训练。安全带检测这件事看起来只是图像里找一根带子真正落到工程上却和想象中完全不一样——目标太小、角度太刁、光照太乱、误检太多。很多刚入门的朋友拿着通用目标检测数据集训练完mAP看着不错一上真实抓拍图就露馅。这篇文章不做那种浮于表面的数据集介绍而是把这个数据集从问题定义、数据构成、标注格式、YOLO训练配置、实测效果一直到落地部署的坑完整串一遍适合正在做智慧交通视觉项目、准备自己训练安全带检测模型的算法工程师和独立开发者参考。1. 安全带检测为什么是智慧交通里的硬骨头1.1 卡口抓拍场景的真实痛点先还原一下真实场景。路侧卡口相机抓回来的图通常是整条车道、整辆车的画面分辨率普遍在1080P到4K之间但驾驶员安全带区域在画面里占据的像素非常少。安全带宽约3到5厘米在距相机十几米远的成像平面上可能只有三四十个像素宽斜挎在驾驶员胸前跟背景里的车窗边框、衣物褶皱、方向盘轮廓混在一起。这不是找个大目标的任务更接近在复杂纹理背景里找一条细长条状结构。另一个痛点是定义本身。交管执法关心的是驾驶员有没有系安全带可模型看到的是图像特征。安全带系上时是一条从肩部斜向腰部的连续条带没系时这个区域是空的或者只有横跨身体的衣服纹理。如果只用二分类的系/未系打标签模型很容易学到背景纹理而不是安全带本身。这就是为什么这套数据集在标注上花了很大功夫不只要告诉模型这个人安全带是否系了还要把未系安全带的人体区域也框出来让模型有明确的负样本去对比。1.2 数据集要覆盖哪些肉眼简单、模型翻车的难点公开数据集里常见的图片大多是正对车头、光线充足、安全带清晰可见的情况用这些训练出来的模型一到现场就露怯。整理这8400张图时主要补的就是以下几类模型容易翻车的样本远距离小目标车在远端车道安全带区域只有几十像素考验模型在小尺度下的特征提取能力。逆光与车窗反光前挡风玻璃上的反光会直接把安全带区域淹没在亮斑里。夜间与隧道低照度下车内细节严重丢失安全带和座椅、衣物的对比度极低。深色衣物与黑色安全带黑安全带配黑衣服视觉上几乎隐形只能靠几何位置和边缘线索判断。遮挡与姿态变化方向盘遮挡部分胸部、驾驶员身体前倾、副驾驶坐姿偏低安全带的走向和常规位置完全不同。这些样本在通用数据集里占比很小而真实道路上恰恰是这些场景最容易出问题。当初按这个思路筛选完光是淘汰的质量不过关的图像就有两千多张最后留下的8400张每张都是能真正给训练喂出泛化能力的。2. 8400张YOLO数据集的构成与标注逻辑2.1 图像来源与场景分布这套数据集共8400张图像按场景维度做了分层整理。图像主要来自三类真实道路环境城市平交路口、高速收费站匝道、普通国省道卡口时间覆盖白天、傍晚、夜间三个时段天气覆盖晴天、阴天、雨天。分布的大致比例是这样的场景维度类别占比光线条件白天顺光约40%光线条件傍晚/逆光约25%光线条件夜间/低照度约20%光线条件雨天/车窗有雨滴约15%目标尺度近车道安全带像素宽度80px约35%目标尺度中车道安全带像素宽度40-80px约40%目标尺度远车道安全带像素宽度40px约25%为什么在尺度上单独分层因为YOLO这类单阶段检测器对尺度非常敏感。训练集里如果大部分是近处大目标模型会倾向于学大目标的纹理特征在远车道小目标上召回率暴跌。把各尺度的比例控制在合理范围比追求总数更重要。2.2 类别定义与标注规则这套数据集采用YOLO格式的txt标注文件每张图像对应一个同名txt每行代表一个目标框格式为class_id x_center y_center width height坐标均为归一化到0到1的值直接能被YOLOv5、YOLOv8、YOLOv11等系列模型读取。类别定义上建议按以下两类设置class 0安全带带子系上的正样本区域class 1未系安全带该系但没系的负样本区域这个设计思路很多人一开始不理解——为什么不直接标注人和安全带状态原因在于真正部署时你通常只关心有没有违法也就是未系安全带的实例。模型把class 0和class 1都检测出来之后在后处理里可以只保留class 1的框作为违法证据也可以同时输出两种框让执法人员人工复核。相比之下如果只标注一类模型在有安全带和没有安全带之间的决策边界会非常不稳定误检率会显著上升。标注框的位置也有讲究。安全带的完整区域是一个倾斜的带状区域如果用水平矩形框去框整条安全带会引入大量背景像素尤其是斜挎角度大时矩形框里一半都是衣物和背景。实践中最稳的标法是把矩形框紧贴安全带可见段框住从肩部到腰部的连续带体宁可框得稍微贴合一些也不要为了省标注工作量框一大片。对未系安全带的情况则框住应该出现安全带的那条斜向区域——通常是驾驶员左肩到右腰的连线区域——这样模型学到的就是这里应该有一条带子但空空如也的结构性差异。2.3 数据量与有效标注实例数8400张图像听起来不少但要拆开看有效标注实例。统计下来这套数据集里共包含约12000个标注框其中class 0安全带约7800个class 1未系安全带约4200个。单独看数量未系安全带的样本偏少这是因为真实道路上绝大多数驾驶员都守法系了带未系样本本身就稀缺。训练时如果不做任何处理模型会天然偏向多数类对未系安全带的召回率会很难看。解决方案有两条路实操中都验证过有效。一是做类别重加权把class 1的loss权重提高到class 0的1.5到2倍让模型在训练时更关注少数类二是对class 1做离线增强比如把已有的未系安全带样本做水平翻转、小角度旋转、亮度抖动扩到5000张以上再丢进训练。数据集本身没有做增强原始图片保持原样把增强空间留给使用者这样更灵活。3. 用YOLO训练安全带检测模型的关键配置3.1 模型选型为什么优先考虑YOLOv8s和YOLO11s拿到数据集后第一个问题就是选哪个模型。YOLOv5、YOLOv8、YOLO11系列都能跑但针对安全带检测这个任务最优先推荐的是YOLOv8s或YOLO11s这种小型号而不是追求大模型。原因有三点一是部署环境。安全带检测通常跑在路侧边缘计算盒子上这些设备的算力是有限的用nano或small级别的模型才能在保证实时性的同时留出余量做其他检测任务。实测在一块约10 TOPS算力的盒子上面YOLOv8s的FP16推理时间大约在15到25毫秒每帧完全能撑住25帧以上的视频流处理。二是任务本身不算复杂。安全带检测就只有两个类别目标虽然小但结构特征相对固定不需要特别深的网络来建模复杂语义。small级别模型的参数量在11M左右已经能够充分拟合这套数据集的规律强行上large版本只会增加过拟合风险还拖慢训练速度。三是后续迭代需求。智慧交通项目里模型通常要频繁更新——新卡口、新车型、新角度都会触发补充标注和重训。小型号一轮训练在单张消费级显卡上只需要一到两小时迭代节奏会舒服很多。3.2 训练参数推荐与loss压测以下是个人实测中比较稳的一套参数配置可以直接作为起点参数推荐值说明输入尺寸 img_size640x640平衡小目标细节与显存占用批量大小 batch1624G显存/ 812G显存根据显卡调整初始学习率 lr00.01用预训练权重时不宜过大训练轮数 epochs100-150安全带模型100轮左右基本收敛优化器SGD动量0.937比Adam在小数据集上稳类别loss权重class 1设为class 0的1.5倍缓解未系样本不足数据增强mosaic1.0, mixup0.1mosaic增强对小目标有效mixup轻开预热 warmup3轮避免初期loss震荡有一个点必须提醒安全带检测里mosaic增强虽然有用但不要开得太激进。mosaic会把四张图拼接再缩放这个过程中小目标的安全带区域很容易被压到几个像素甚至消失导致模型学到一堆空白。实测中mosaic概率保持默认1.0问题不大但如果训练完发现小目标召回率异常低可以试试把mosaic关掉或把概率降到0.5通常会有惊喜。损失函数方面YOLOv8默认使用CIoU作为边界框损失配合DFLDistribution Focal Loss处理框回归的不确定性。安全带检测的一个常见现象是框的类别置信度很高但预测框和真实框的IoU不高——尤其远距离小目标上框偏了几个像素就会导致IoU骤降。如果你用mAP0.5作为指标这个问题会被掩盖一旦用mAP0.5:0.95评估就原形毕露。建议训练结束后固定用mAP0.5:0.95来对比模型版本这个指标对小目标的定位精度更敏感也更贴近真实部署需求。3.3 预训练权重的重要性强烈建议不要从随机初始化开始训练。安全带检测跟通用目标检测共享大量底层特征——边缘、纹理、形状、颜色——这些知识在COCO预训练权重里都已经学到了。直接加载YOLOv8s的COCO预训练权重把最后一层类别数改成2再做迁移训练通常100轮就能收敛到不错的效果。如果用随机初始化同样的数据量可能要200轮以上而且最终精度往往更低。另一个技巧是冻结骨干网络的前几层。刚换数据集时前几十轮可以设置freeze10让backbone的底层特征先不动只更新检测头和neck部分。等loss不再明显下降再解冻全部层做微调。这样做的好处是防止预训练特征在前几轮被新数据集冲掉尤其是安全带这种目标比较小的任务底层边缘特征越稳定对最终精度越有利。4. 实测指标与易错点分析4.1 mAP、Precision、Recall到底该盯哪个训练完第一时间看指标但不能只看一个数。安全带检测项目的核心诉求是执法场景的不漏判因此优先级通常是召回率 精确率 mAP。也就是说如果模型把没有系安全带的司机漏掉了那是一次执法失误如果模型把系了安全带的司机误判为未系那最多是增加人工复核的负担。基于这套数据集训练YOLOv8s640输入、100轮、预训练权重的实测结果大致如下指标数值mAP0.50.92-0.94mAP0.5:0.950.71-0.74Precisionclass 1 conf 0.250.88-0.91Recallclass 1 conf 0.250.90-0.93未系安全带小目标40pxRecall0.78-0.83注意最后一行小目标的召回率明显比整体低一截这是安全带检测里最正常的现象。如果你发现自己的模型在远距离目标上召回率低于0.7优先怀疑训练集的尺度分布是否失衡很多人上来就换模型、调anchor实际上先统计一下训练集里小目标的占比往往能找到更直接的原因。4.2 误检高发区安全带与背景纹理的撞脸把验证集上误检的样本挑出来看几个高发区域非常有规律安全带斜挎方向上的衣服纹理深色条纹衬衫、格子衫的斜向纹路在低分辨率下很像安全带。车窗边框和后视镜轮廓车窗玻璃的斜边、A柱的影子与安全带的走向重合时极易误检。方向盘上部方向盘倾斜的角度和安全带类似尤其是方向盘上有装饰条或纹理时。副驾驶坐姿异常副驾驶安全带系法不规范、带子拧转呈现出的斜向条带容易让模型误认为是正样本。这些误检很难通过单纯加数据解决更有效的手段是调整后处理策略。实际操作中我习惯把class 1的置信度阈值从默认的0.25提到0.35到0.4同时对检测框做一次几何合理性过滤因为安全带有相对固定的空间位置它应该在人体躯干的中上部位如果检测框的y坐标落在图像的下三分之一区域或者框的高度小于宽度的三倍却又不呈斜条状大概率是误检直接丢弃。这类基于任务先验的规则过滤效果立竿见影而且不增加推理延迟。4.3 类别阈值与NMS的联动调整YOLO默认的NMS用IoU阈值0.45但对安全带这个任务建议把IoU阈值适当调高到0.5到0.55。原因还是那个老问题小目标的预测框往往有轻微偏移同一个安全带可能会产生多个IoU不算高但实际指向同一目标的框。如果NMS阈值太低这些框会被当成不同目标保留下来出现一个驾驶员身上挂三四个框的尴尬画面。同时要注意类别之间也会互相抑制。class 0和class 1的框在空间上高度重叠——毕竟一个系了一个没系的位置几乎一样——如果后处理里不同类别直接做NMS很可能把正确的类别框干掉。YOLOv8的NMS默认按类别独立执行但如果你自己写了后处理脚本务必确认这点别把两个类别的框混在一起做抑制否则class 0和class 1只能活下来一个这等于废了一半标注。5. 从训练到落地部署数据集的真正考验在车道线上5.1 从PyTorch到TensorRT和NCNN训练完成只是第一步真正上线通常是导出成TensorRT引擎英伟达平台或NCNN瑞芯微、海思等国产边缘芯片。YOLOv8的导出命令非常简单yolo export modelbest.pt formatengine device0但导出前的量化选择要提前想清楚。安全带检测强烈不建议直接上INT8量化。FP16精度下的模型损失几乎可以忽略但INT8量化后小目标检测的精度可能掉5到10个百分点。原因不难理解安全带本身是低对比度的细长结构INT8量化会把颜色和边缘的细微差异压缩掉模型学到的判别线索被削弱。如果边缘设备的存储和带宽实在紧张非要INT8那也要用验证集做过校准并且实地测试远距离样本确认召回率下降在可接受范围内再上线。5.2 安装角度差异导致的域偏移这是一个非常隐蔽的坑。同一个模型在A卡口表现很好换到B卡口就明显变差问题经常出在相机安装角度上。A卡口相机正对来车安全带走向是从左上到右下B卡口相机装在侧方安全带走向变成接近垂直或从右上到左下。模型虽然对旋转有一定鲁棒性但角度差异过大时特征的分布就变了这就是典型的域偏移。应对方法有三层。第一层是训练时做充分的角度增强——随机旋转参数建议在-15度到15度之间太大会引入不真实的畸变。第二层是如果知道部署卡口的大致角度可以在数据集里专门补一组该角度的图像做微调。第三层是模型部署后在前一两周持续搜集该卡口的真实抓拍图人工标注后做增量训练。这套训练集现场数据回流的打法才是安全带检测项目长期保持高精度的核心单一数据集再大也很难覆盖所有安装场景。5.3 视频流场景单帧检测还是加跟踪很多项目方想直接用单帧检测处理视频流结果发现同一辆车在连续帧里一会检出未系、一会丢了产生大量重复报警和遗漏报警。更稳的做法是在视频流上做跟踪后处理。简单说用ByteTrack这类轻量跟踪器把车框关联起来然后对一段时间窗口内的检测结果做投票如果一个目标在连续N帧里被检出未系安全带的次数超过阈值才输出一次报警。这套机制的好处非常直接一方面过滤掉单帧误检另一方面避免对同一辆车重复报警。安全带检测的误检大多是偶发的比如某帧里衣服纹理恰好像安全带但连续十帧都误检的概率极低。给同一辆车的未系检测结果做一个置信度累计误报率能下降一个量级。数据集本身的标注是单帧的但使用场景是视频的这个差异要在系统设计层面补上而不是只指望模型。5.4 夜间与低照度场景的兜底方案前面提到数据集里有20%的夜间样本但真实夜间场景的条件更为复杂。夜间卡口的图像质量取决于补光灯和相机参数有的卡口画面偏暗、噪点严重即便模型在夜间样本上训练过现场表现也可能打折扣。针对低照度场景工程上有两个实用兜底方案。一是对输入图像做自适应亮度归一化把图像线性拉伸后再送进模型能在不改变模型结构的情况下提升低照度下的检出率。二是在模型外面加一个时段开关白天用普通模型夜间切换到用夜间增强数据微调过的模型两个模型共享同一套数据集只是训练时的增强策略不同。这种做法看起来笨但确实是最稳的因为数据和模型分离出了问题可以快速定位是模型的问题还是数据的问题。6. 数据要一直长从8400张开始的持续迭代思路6.1 难例挖掘是数据集升值最快的方式8400张数据集再完善也不可能覆盖所有现场情况。真正让模型性能持续提升的关键动作是部署之后持续做难例挖掘。具体操作很简单在已上线的卡口每天保存一批模型的低置信度检测结果也就是conf在0.3到0.6之间、判不准的样本然后每周请标注人员补充一批。这些难例往往来自最刁钻的角度和最意外的光照条件每补几百张再增量训练一次模型的鲁棒性就会有肉眼可见的提升。有一个注意点难例挖掘时不要只挖判错的样本也要定期补充判对但置信度很低的样本。模型能在低置信度下做对说明它学到了一些边缘特征但这些特征不够强用更多标注样本把这些特征的权重拉上来比纯粹纠正错误更有效率。6.2 主动学习与数据预算的分配对资源有限的小团队来说主动学习比盲目扩充数据划算得多。流程是这样的用当前模型对所有未标注的现场图像做推理按置信度排序然后只抽取置信度落在最难区间的那部分图像交给标注人员。置信度高到接近1的样本模型已经会了标了也白标置信度低到接近0的样本往往是目标被完全遮挡或目标根本不在画面内标了价值也有限。真正值钱的反而是置信度中等偏低的样本——模型看见了点什么但拿不准——这些就是决策边界附近的样本标一个能顶五个。具体实现上可以设定推理置信度在0.2到0.5之间的图像为候选池每个批次从候选池里随机抽30%加上人工指定的特别难例合成下一轮训练集。这个策略对安全带检测尤其有效因为这个任务的主要难点集中在特定视角、特定光照的边界情况主动学习可以精准地把数据预算花在这些临界难例上。6.3 多地域、多车型与安全带颜色的覆盖最后聊一个容易被忽略的维度地域和车型差异。不同地区的车辆类型差异很大——轿车、SUV、货车、面包车的驾驶室布局完全不同安全带的位置和走向也有差别。货车驾驶室高安全带在画面里的角度更陡面包车挡风玻璃更垂直安全带的可见度更高。如果项目要覆盖多个省份或多种车辆类型最好在数据集基础上按需补充对应类型的样本。安全带颜色同样值得注意。深色安全带在多数车型上占比不低但很多数据集偏重浅色安全带样本导致模型对深色安全带的召回率偏低。检查一下自己手里的训练集如果深色安全带样本占比不到20%建议补充一批。这个细节小但对最终上线的误检率影响非常大。说到底安全带检测的数据集不是攒够一个固定数量就算完了而是要围绕目标场景持续喂正确方向的样本。8400张是一个很好的起点后续以周为单位做增量更新模型的实用性才会越来越强。