YOLO热成像人体部位目标检测数据集
从数据到模型：人脸检测的 YOLO26 全流程
📊 数据集基本信息
- 目标类别： [‘face’, ‘forehead’, ‘neck’, ‘nose’]
- 中文类别：[‘面部’, ‘额头’, ‘颈部’, ‘鼻子’]
- 训练集：7395 张
- 验证集：729 张
- 测试集：367 张
- 总计：8491 张
📄 data.yaml 配置信息
该数据集提供了data.yaml文件，内容如下：
train:../train/imagesval:../valid/imagestest:../test/imagesnc:4names:['face','forehead','neck','nose']🖼️ 标注可视化
数据集详细介绍
YOLO热成像人体部位目标检测数据集是一个面向热成像图像中人体关键部位识别的专用数据集，适用于需要在低可见光环境下进行目标检测的场景。从名称可推测其可能应用于安防监控、医疗健康、军事侦察或工业安全等领域，尤其适合在夜间、烟雾、强光等复杂环境中进行人体部位的精准定位与识别。该数据集通过热成像技术捕捉人体红外辐射特征，能够有效弥补传统可见光图像在特定环境下的局限性，为基于热成像的目标检测任务提供可靠的数据支持。
数据集包含共计8491张热成像图像，覆盖4种人体部位类别，具体类别含义虽未明确给出，但结合常见人体部位检测任务可推断可能包括头部、躯干、上肢和下肢等关键区域。这些图像具有较高的分辨率和清晰度，能够保留热源分布的细节信息，有助于模型学习不同部位的热辐射特征。数据集中各类别样本分布相对均衡，具备一定的多样性，能够支持模型在多种姿态和环境下进行泛化训练。
标注规范方面，该数据集采用精确的边界框标注方式，确保每个目标部位的坐标信息准确无误。标注过程中可能遵循了统一的标注标准和流程，以保证数据的一致性和可用性。这种高质量的标注数据对于训练高精度的目标检测模型具有重要价值，尤其是在热成像条件下，对模型的鲁棒性和适应性提出了更高要求。
在实际应用中，该数据集可用于开发基于热成像的人体部位检测系统，例如在消防救援、夜间监控、智能穿戴设备或医学影像分析等场景中。建议在实际部署前进行数据增强和迁移学习，以提升模型在不同设备和环境下的表现。同时，可结合多模态数据进行融合分析，进一步提高检测精度和应用场景的拓展性。
YOLO26 目标检测算法原理
相比于 YOLOv11 等前代版本，YOLO26 在架构层面做出了几个重要改变，让推理流程更简洁高效。
端到端无 NMS 推理：传统 YOLO 模型在推理后需要执行非极大值抑制（NMS）来去除冗余检测框，这增加了后处理延迟和部署复杂度。YOLO26 默认采用一对一（one-to-one）检测头，直接输出每张图像最多 300 个检测结果(N, 300, 6)，完全省去 NMS 步骤，推理流水线大幅简化。在 CPU 上的 ONNX 推理速度相比 YOLO11n 提升高达 43%。
无 DFL 回归：YOLO26 移除了分布焦点损失（Distribution Focal Loss, DFL）结构，检测头更加轻量。边界框回归不再受限于预设的离散区间，既降低了模型复杂度又保持了同等甚至更优的回归精度。
Progressive Loss 与 STAL：训练过程中通过渐进损失（Progressive Loss）将监督信号逐步从辅助头部转移到推理阶段的主头部。小目标感知标签分配（STAL）策略特别提升小目标的正样本标签覆盖率，改善小物体检测性能。
MuSGD 混合优化器：创新性地将大语言模型常用的 Muon 优化器与 SGD 结合，实现更稳定高效的训练收敛。相比纯 SGD，MuSGD 在大 batch 训练时收敛更快且不易震荡。
模型尺度与 COCO 性能：YOLO26 提供 N/S/M/L/X 五种尺度：
| 模型 | mAP50-95 | CPU ONNX(ms) | T4 TensorRT(ms) | 参数量 |
|---|---|---|---|---|
| YOLO26n | 40.9 | 38.9 | 1.7 | 2.4M |
| YOLO26s | 48.6 | 87.2 | 2.5 | 9.5M |
| YOLO26m | 53.1 | 220.0 | 4.7 | 20.4M |
| YOLO26l | 55.0 | 286.2 | 6.2 | 24.8M |
| YOLO26x | 57.5 | 525.8 | 11.8 | 55.7M |
Nano 版本参数量仅 2.4M，CPU 推理速度比 YOLO11n 快 43%，适合边缘设备和小数据集；X 版本 mAP 达 57.5，适用于对准确率要求极高的场景。
双头架构设计：YOLO26 检测模型内置两个检测头——一对一（默认，无 NMS，输出 300 个检测框）和一对多（需 NMS，输出 8400 个候选框）。训练时一对多头作为辅助监督信号加速收敛，推理时默认使用一对一头实现端到端输出。
YOLO26 支持全部七大视觉任务：检测、实例分割、语义分割、深度估计、分类、姿态估计和定向边界框检测（OBB），一个框架覆盖从 2D 检测到 3D 感知的完整需求。
模型导出与部署
导出模型不只是格式转换——int8 量化、动态 batch size、输入尺寸固定化这些选项都会影响最终的推理性能和精度。
导出格式对比：
| 格式 | 命令参数 | 适用场景 | 速度 |
|---|---|---|---|
| PyTorch | - | 开发调试 | 中等 |
| ONNX | format="onnx" | 跨平台通用 | 快 |
| TensorRT | format="engine" | NVIDIA GPU 推理 | 最快 |
| OpenVINO | format="openvino" | Intel CPU/VPU | 快 |
| Core ML | format="coreml" | Apple 设备 | 快 |
| TFLite | format="tflite" | Android/嵌入式 | 快 |
| NCNN | format="ncnn" | ARM 端侧 | 很快 |
导出示例：
fromultralyticsimportYOLO model=YOLO("runs/detect/train/weights/best.pt")# 导出 ONNX（最通用）model.export(format="onnx",imgsz=416)# 导出 TensorRT（NVIDIA GPU 最快）model.export(format="engine",device=0,imgsz=416)# 导出 NCNN（瑞芯微/ARM 嵌入式）model.export(format="ncnn",imgsz=416)# int8 量化（牺牲少量精度换 2-3 倍速度）model.export(format="engine",device=0,imgsz=416,int8=True)YOLO26 无 NMS 部署优势：由于默认一对一检测头，导出模型推理时无需额外 NMS 后处理代码。ONNX 输出格式[N, 300, 6]，直接解释为[批次, 检测数, (x1, y1, x2, y2, cls, conf)]，大幅简化嵌入式开发和移动端集成。
CPU 部署建议：无 GPU 环境推荐 ONNX + OpenCV DNN 或 ONNX Runtime。YOLO26 无 NMS 设计在 CPU 上提升尤为明显，推理速度比 YOLO11n 快约 43%。
YOLO 数据增强策略
YOLO26 默认的训练增强已经覆盖了 90% 的场景。你需要做的不是加新增强，而是理解每个参数在哪调、怎么关。
Mosaic 拼接：将 4 张训练图像随机缩放后拼接为一张，大幅增加场景组合的多样性。对背景复杂、目标尺寸差异大的场景特别有效。训练最后 10 轮通过close_mosaic=10自动关闭 Mosaic，让模型适应真实数据分布。
MixUp 混合：两张图像按一定比例（α=0.3）线性混合，标签也按同比例混合。能平滑模型决策边界，对小数据集防过拟合效果显著。
HSV 色彩空间扰动：在 HSV 通道上对图像进行随机偏移（色相 ±0.015、饱和度 ±0.7、明度 ±0.4），模拟不同光照和色彩条件下的拍摄效果，提升模型对光照变化的鲁棒性。
几何变换：随机水平翻转（fliplr=0.5）、随机缩放（scale=0.5）、随机平移（translate=0.1），帮助模型学习位置不变性特征。
Copy-Paste 增强：将目标实例复制到另一张图像的随机位置，增加目标实例多样性。通过copy_paste=0.3控制概率。
增强参数配置（data.yaml 中可选覆盖）：
hsv_h:0.015hsv_s:0.7hsv_v:0.4degrees:0.0translate:0.1scale:0.5shear:0.0perspective:0.0flipud:0.0fliplr:0.5mosaic:1.0mixup:0.1copy_paste:0.1模型评估指标解读
拿到 YOLO 训练完成的输出目录，先别急着开心——打开 results.csv 和 PR_curve.png，这几个数字比你想象的能说更多话。
训练完成后，YOLO26 训练器自动输出以下指标：
mAP50（mAP@0.5）：IoU 阈值为 0.5 时的平均精度均值，反映模型粗粒度定位能力。mAP50 ≥ 0.90 表示定位效果很好。
mAP50-95（mAP@0.5:0.95）：IoU 从 0.5 到 0.95 共 10 个阈值上取平均。更严苛，反映精确定位能力，是更具代表性的综合评价指标。
Precision（精确率）：检测结果中正确检测的比例。高 Precision 意味着虚警少。
Recall（召回率）：真实目标中被成功检测到的比例。高 Recall 意味着漏检少。
F1 Score：Precision 和 Recall 的调和平均数 = 2×P×R/(P+R)，综合衡量模型平衡性。
Confusion Matrix（混淆矩阵）：N×N 矩阵，对角线为正确分类，非对角线为误分类，可定位类别间混淆情况。
训练曲线分析：
train/box_loss单调下降 → 边界框回归正常收敛val/box_loss先降后升 → 过拟合风险，应增大数据增强或减小模型metrics/mAP50(B)增长放缓趋于平稳 → 模型接近收敛上限- train 持续降、val 持续升 → 严重过拟合，建议减小模型或增大 dropout
指标使用场景：
- 安全生产场景（如安全帽检测）→ 优先保证 Recall，宁可多报不能漏报
- 质检场景（如缺陷检测）→ 优先保证 Precision，降低误检率减少人工复核量
- 通用检测 → 均衡优化，关注 mAP50-95 和 F1 Score
怎么看 PR 曲线图：训练结束后 runs 目录下会生成PR_curve.png。这个图最关键的信息不是单个数字，而是曲线形状。平缓下降型说明模型稳定，陡降型说明在某一个置信度阈值附近性能急剧变化。如果某个类别的曲线整体偏左下，基本可以断定该类别的训练样本不够。
YOLO26 训练步骤详解
不管你用的是命令行还是 Python 脚本，YOLO26 的训练接口都保持一致。下面用最常见的 CLI 方式演示完整流程。
环境准备：
pipinstallultralytics yolo checks python-c"import torch; print(torch.cuda.is_available())"命令行训练：
yolo detect traindata=data.yamlmodel=yolo26n.ptepochs=150imgsz=416batch=64device=0lr0=0.02patience=-1cos_lr=Trueclose_mosaic=10Python API 训练：
fromultralyticsimportYOLO model=YOLO("yolo26n.pt")results=model.train(data="data.yaml",epochs=150,imgsz=416,batch=64,device=0,lr0=0.02,patience=-1,cos_lr=True,close_mosaic=10,augment=True,amp=True,workers=8,)训练输出文件：
runs/detect/train/weights/best.pt：验证集上 mAP 最高的权重runs/detect/train/weights/last.pt：最后一轮保存的权重runs/detect/train/results.csv：每轮 loss 和指标数据runs/detect/train/confusion_matrix.png：混淆矩阵图runs/detect/train/results.png：训练曲线图runs/detect/train/val_batch*_pred.jpg：验证集预测效果图
单张推理测试：
model=YOLO("runs/detect/train/weights/best.pt")results=model("test_image.jpg")results[0].show()多 GPU 分布式训练：
yolo detect traindata=data.yamlmodel=yolo26n.ptdevice=0,1epochs=100恢复中断的训练：
yolo detect trainmodel=path/to/last.ptdata=data.yamlresume=True关键训练参数配置详解
训练过程中最容易被忽视的参数其实是 patience——早停机制能帮你省掉大量无效训练时间，尤其是小数据集上。
| 参数 | 默认值 | 本项目设置 | 含义 |
|---|---|---|---|
model | - | yolo26n.pt | 预训练权重，n/s/m/l/x 五种尺度 |
epochs | 100 | 150 | 训练总轮数 |
imgsz | 640 | 416 | 输入图像尺寸 |
batch | 16 | 64 | 批次大小，根据显存调整 |
lr0 | 0.01 | 0.02 | 初始学习率 |
lrf | 0.01 | 0.01 | 最终学习率因子（lr0 × lrf） |
momentum | 0.937 | 0.937 | SGD 动量 |
weight_decay | 0.0005 | 0.0005 | 权重衰减（L2 正则化） |
warmup_epochs | 3.0 | 3.0 | 预热轮数 |
warmup_momentum | 0.8 | 0.8 | 预热期间动量初始值 |
box | 7.5 | 7.5 | 边界框回归损失权重 |
cls | 0.5 | 0.5 | 分类损失权重 |
dfl | 1.5 | 1.5 | DFL 损失权重（YOLO26 可置 0） |
patience | 100 | -1 | 早停轮数 |
cos_lr | False | True | 余弦学习率衰减 |
close_mosaic | 10 | 10 | 最后 N 轮关闭 Mosaic 增强 |
optimizer | auto | SGD | 优化器选择 |
amp | True | True | 自动混合精度训练 |
freeze | None | 0 | 冻结前 N 层骨干网络参数 |
dropout | 0.0 | 0.1 | 分类头 Dropout 率，防过拟合 |
损失权重里最需要关注的是box=7.5 和cls=0.5 的比例。box/cls 比越大，模型越在意框的位置而非类别正确性。如果你的场景对定位精度要求极高（如精密零件检测），可以考虑把 box 提到 10。
学习率调参经验：
- 训练初期 loss 不下降 → 调大
lr0或增加warmup_epochs - 训练后期 loss 震荡 → 降低
lr0，增大weight_decay - 验证集 loss 先降后升（过拟合）→ 增大
dropout、weight_decay或减小epochs - 小数据集（<100张）→
lr0=0.001,weight_decay=5e-4,dropout=0.2 - 大数据集（>1000张）→
lr0=0.01,weight_decay=5e-4,batch=32+
训练可视化与TensorBoard：YOLO26 默认开启 TensorBoard 日志记录，训练过程中可实时查看 loss 曲线和指标变化。在命令行执行tensorboard --logdir runs/detect/train即可打开 Web 看板，每轮训练完成后自动刷新。训练结束后 results.png 生成的六合一曲线图是最直观的诊断工具——一眼就能看出是否过拟合、是否收敛、哪个 loss 在震荡。
断点续训机制：如果训练意外中断（断电、OOM 等），不用从头开始。YOLO 每轮保存last.pt，恢复训练时指定model=last.pt并设置resume=True，学习率和优化器状态都会从断点恢复，训练曲线也和连续训练一样平滑。
部署与应用建议
有了 8491 张图打底，模型的底子已经比较扎实。部署时重点关注两个指标：推理延迟（P99 < 100ms）和内存占用（< 500MB）。
model=YOLO("runs/detect/train/weights/best.pt")# NVIDIA GPU: TensorRT + FP16model.export(format="engine",device=0,half=True,workspace=4)# 跨平台/纯 CPU: ONNXmodel.export(format="onnx",imgsz=416)# Intel CPU: OpenVINO（比 ONNX Runtime 快 15-30%）model.export(format="openvino",imgsz=416)大规模部署架构：如果需要在多台服务器上部署，建议搭配 Triton Inference Server 做模型管理和负载均衡，支持动态 batching 和模型版本热切换。YOLO26 的 ONNX/TensorRT 导出版本都可以直接接入 Triton 的模型仓库。
中等规模数据集的快速迭代策略：8491 张图不算多也不算少，刚好处于一个可以玩出花的区间。
建议先把训练拆成两阶段：第一阶段用默认参数完整训 80 轮看上限在哪，第二阶段针对弱项做定向优化。不要在第一次训练就试图把参数调到完美——这只会浪费时间。
第一阶段结束后，看三个指标做诊断：
val_box_loss是否降到 0.7 以下 → 如果没到，加大 epochsmAP50-95相对 mAP50 的差距 → 如果差距 > 15 个点，说明定位精度差，尝试提高 imgsz- 各类别的 AP 方差 → 如果某类 AP 远低于均值，优先补充该类数据
第二阶段根据诊断结果调整参数重新训练，通常 2-3 轮迭代就能找到最优组合。
持续优化的四个方向：模型训好后不是终点，以下方向可以持续提升效果。
一是增量训练策略。如果后续有新标注数据进来，别从头训，而是在best.pt基础上用低学习率（lr0=0.001）再跑 20-30 轮，这叫 incremental learning，既省时又能保持原有能力。
二是模型蒸馏。如果部署时需要小模型但精度不够，先用 yolo26x 训一个大模型，再用它作为教师指导 yolo26n 训练。蒸馏代码 YOLO26 原生支持，参数teacher=teacher_model.pt一行配置即可。
三是数据飞轮。把模型部署到生产线后，收集检测置信度在 0.3-0.6 之间的"不确定"检测结果，人工复核后加入训练集。这种主动学习（active learning）策略能用最少的标注成本换取最大的精度提升。
四是量化部署。导出 TFLite 或 TensorRT 时开启 int8 量化，模型体积缩至四分之一，推理速度快 2-3 倍，精度损失通常在一个 mAP 点以内。但量化前务必在目标硬件上用验证集重新评估精度，不同芯片的量化误差表现不同。
数据集下载
数据集下载：点击下载
