简介：这套面向老鼠目标检测任务的YOLOv8权重与数据集整合包，适合计算机视觉初学者、算法工程师或动物行为研究者快速搭建检测系统，包内直接给出训练好的权重，并附上5000多张老鼠图像数据，免去自行采集与标注的耗时工序，可服务于鼠患监测、实验室动物行为分析等真实场景。资源以压缩包形式交付，共2000个文件，其中1991个为XML标注文件，配合4篇说明文档、3份环境配置教程和2个Python脚本（含PyQt界面及资源文件），整体约287.8MB。数据集目录已预先划分train、val、test并写好data.yaml，txt与XML双格式标签可灵活适配YOLOv5至YOLOv9等主流检测算法，无需额外整理即可直接训练。目前已有197人学习下载，随包附带的PyQt检测界面和运行步骤，可加载权重进行可视化推理，有效降低环境配置与代码调试门槛；对于希望二次开发或复现老鼠检测方案的研究者，压缩包提供了从数据准备、模型训练到界面展示的完整基线。
1. YOLOv8老鼠检测：从数据集到PyQt界面的完整路径
实验室里做动物行为分析，粮仓或养殖场做鼠害监测，或者只是给科研项目加一个自动计数模块——这些场景的落地形态往往是同一套组合：YOLOv8负责从画面里找出老鼠，一份质量足够好的数据集决定模型上限，最后用一个带界面的程序把推理能力交到不熟悉命令行的人手里。标题里的“5000多张老鼠检测数据集”不是附件，而是这套方案的根基；PyQt界面也不是点缀，它是把权重文件从训练机搬到现场机器的最后一公里。
这篇文章会把整条链路拆开讲：数据集处理、训练配置、PyQt界面封装、以及真正部署时才会遇到的细节。适合已经跑通YOLOv8基础流程、但还没有完整做过一个垂直场景（特定目标、自建数据集、桌面端应用）的开发者。看完之后，你可以用一份自己的数据，按同样的流程产出一个可交付的老鼠检测工具。
2. 处理5000多张老鼠检测数据集的标准流程与坑位清单
2.1 先明确数据集的三件事：分辨率、标注质量、场景分布
5000多张听起来不少，但在目标检测任务里，这个数量级刚好处于“够用但不宽裕”的位置。如果平均每张图有1到3只老鼠，那么正样本实例数大约在8000到15000之间——这决定了你不需要迁移学习之外的复杂策略，但也别指望模型能泛化到完全没见过的新场景。真正决定模型效果的往往不是图片数量，而是这三件事：分辨率是否足以让老鼠占据足够像素、标注框是否贴边、场景分布是否覆盖了你的实际部署环境。
处理数据集的第一步是统一分辨率。摄像头采集的原始视频帧可能是1920x1080，而训练时常用的输入尺寸是640x640。YOLOv8在训练时会做letterbox缩放，但如果原图中老鼠占比很小（比如全景鼠房监控），缩放后目标可能只有十几个像素，模型根本学不到有效特征。常见做法是先把原始图片按ROI裁剪，让目标占比相对合理，再统一到640x640。下面这段脚本可以快速查看数据集中目标尺寸的分布情况：
import os from collections import Counter from PIL import Image import numpy as np # 假设数据集结构：images/存放图片，labels/存放对应的txt标注（YOLO格式） def analyze_target_sizes(img_dir, label_dir, img_size=640): size_buckets = Counter() for label_file in os.listdir(label_dir): if not label_file.endswith('.txt'): continue img_file = os.path.join(img_dir, label_file.replace('.txt', '.jpg')) if not os.path.exists(img_file): continue img = Image.open(img_file) img_w, img_h = img.size # 实际使用时图片会被缩放到640，等比计算目标缩放后的大小 scale = img_size / max(img_w, img_h) with open(os.path.join(label_dir, label_file)) as f: for line in f: parts = line.strip().split() # YOLO格式：class_id, x_center, y_center, w, h（归一化） w_norm = float(parts[3]) h_norm = float(parts[4]) # 反算原始像素尺寸并等比缩放 w_px_orig = w_norm * img_w h_px_orig = h_norm * img_h w_scaled = w_px_orig * scale h_scaled = h_px_orig * scale area = w_scaled * h_scaled if area < 16 * 16: size_buckets['tiny (<16px)'] += 1 elif area < 32 * 32: size_buckets['small (16-32px)'] += 1 else: size_buckets['normal (>32px)'] += 1 print(size_buckets) analyze_target_sizes('datasets/rat/images', 'datasets/rat/labels')这段代码把每个标注框在训练尺度下的像素面积换算出来，按小于16像素、16到32像素、大于32像素分桶。如果tiny和small占比超过30%，训练时就要考虑开启YOLOv8的safer数据增强、调低anchor的尺度，或者干脆增加针对小目标的拼接策略。否则模型会倾向于忽略小目标——因为损失函数里小框的误差占比天然低于大框。
2.2 标注格式转换与清洗：COCO转YOLO的脚本思路
拿到一份数据集，最常见的麻烦是格式不统一。公开的老鼠数据集通常是COCO格式（一个大的JSON文件，包含所有图片的标注），而YOLOv8需要的是每张图片对应一个同名的txt文件，每行一条标注，格式为class_id x_center y_center width height，其中坐标是归一化的。以下脚本把COCO格式转换成YOLO格式，同时过滤掉无效标注（宽高为0、坐标越界、目标面积过小）：
import json import os from PIL import Image def coco_to_yolo(coco_json_path, img_root, label_output_dir): with open(coco_json_path, 'r') as f: coco = json.load(f) # 建立图片id到文件名的映射 img_id_to_info = {} for img in coco['images']: img_id_to_info[img['id']] = { 'file_name': img['file_name'], 'width': img['width'], 'height': img['height'] } # 只保留标签为“老鼠”的类别（根据实际情况调整） cat_id_to_name = {} for cat in coco['categories']: # 这里假设类别名为rat、mouse或类似命名 if 'rat' in cat['name'].lower() or 'mouse' in cat['name'].lower(): cat_id_to_name[cat['id']] = 0 # 统一映射为0类 os.makedirs(label_output_dir, exist_ok=True) skipped = 0 # 按图片维度聚合标注 anns_by_img = {} for ann in coco['annotations']: img_id = ann['image_id'] if img_id not in anns_by_img: anns_by_img[img_id] = [] anns_by_img[img_id].append(ann) for img_id, anns in anns_by_img.items(): if img_id not in img_id_to_info: continue img_info = img_id_to_info[img_id] img_w = img_info['width'] img_h = img_info['height'] txt_path = os.path.join(label_output_dir, os.path.splitext(img_info['file_name'])[0] + '.txt') lines = [] for ann in anns: if ann['category_id'] not in cat_id_to_name: continue x, y, w, h = ann['bbox'] if w <= 0 or h <= 0: skipped += 1 continue # COCO格式的bbox是[x, y, w, h]，左上角坐标 x_center = (x + w / 2) / img_w y_center = (y + h / 2) / img_h w_norm = w / img_w h_norm = h / img_h # 过滤坐标越界 if not (0 < x_center < 1 and 0 < y_center < 1): skipped += 1 continue lines.append(f"0 {x_center:.6f} {y_center:.6f} {w_norm:.6f} {h_norm:.6f}") with open(txt_path, 'w') as f: f.write('\n'.join(lines)) print(f"转换完成，跳过 {skipped} 条无效标注") coco_to_yolo('rat_dataset/annotations.json', 'rat_dataset/images', 'rat_dataset/labels')这段脚本里有几个值得注意的点。COCO的bbox定义是左上角坐标加宽高，而YOLO需要的是中心点坐标加宽高，换算时需要把x + w / 2。类别映射部分用字符串匹配来识别老鼠类别，这样即使原始数据集的类别命名不统一（比如“rat”、“mouse”、“Rodent”），也能兼容。最后的越界过滤非常重要——YOLO训练时如果标注框中心点落在图片外，会导致损失函数计算出NaN，训练直接崩掉。
2.3 数据集划分：训练/验证/测试的随机种子问题
划分数据集时，很多人直接shutil随机移动文件到三个目录，但漏了设置随机种子，导致每次划分结果不同，复现实验时对不上。另外，如果数据集是按视频帧序列截取的，相邻帧高度相似，随机划分会造成训练集和验证集里有几乎相同的内容，验证分数虚高。这种情况应该按视频序列分组划分，而不是按单帧划分。
以下脚本按文件名前缀（假设同一视频的帧文件名前缀相同）分组，再按组划分：
import os import random import shutil random.seed(42) # 固定种子，保证可复现 def split_dataset_by_group(image_dir, label_dir, output_root, val_ratio=0.15, test_ratio=0.05): # 按前缀分组 groups = {} for img_file in os.listdir(image_dir): if not img_file.endswith(('.jpg', '.png', '.jpeg')): continue prefix = img_file.split('_')[0] # 假设文件名形如 "seq001_frame0123.jpg" groups.setdefault(prefix, []).append(img_file) group_names = list(groups.keys()) random.shuffle(group_names) n_val = int(len(group_names) * val_ratio) n_test = int(len(group_names) * test_ratio) val_groups = set(group_names[:n_val]) test_groups = set(group_names[n_val:n_val + n_test]) for split in ['train', 'val', 'test']: os.makedirs(os.path.join(output_root, split, 'images'), exist_ok=True) os.makedirs(os.path.join(output_root, split, 'labels'), exist_ok=True) for group, img_files in groups.items(): if group in val_groups: split = 'val' elif group in test_groups: split = 'test' else: split = 'train' for img_file in img_files: src_img = os.path.join(image_dir, img_file) src_label = os.path.join(label_dir, img_file.replace('.jpg', '.txt')) dst_img = os.path.join(output_root, split, 'images', img_file) dst_label = os.path.join(output_root, split, 'labels', img_file.replace('.jpg', '.txt')) shutil.copy2(src_img, dst_img) if os.path.exists(src_label): shutil.copy2(src_label, dst_label) else: # 没有标注的图片需要特殊处理，YOLOv8允许空标注 open(dst_label, 'w').close()这里的关键点是把random.seed(42)放在最前面，并且按组（前缀）打乱而不是按单张图片打乱。如果数据集不是视频帧序列，只是独立图片，直接改成对图片列表打乱即可。验证集占比15%到20%对5000张的数据集规模是合理的——太少则验证分数波动大，太多则训练数据不够。
3. 用YOLOv8训练老鼠检测模型：从环境到权重调优
3.1 环境配置与GPU取舍：GTX 1660 Ti能不能跑？
训练YOLOv8之前，先确定你的硬件条件。数据集只有5000多张、单类别目标检测，这个任务量对GPU的要求并不高。常见的GTX 1660 Ti（6GB显存）完全够用：使用YOLOv8s模型、批大小16、640x640输入，显存占用大约4GB左右。最怕的不是显存不够，而是有人为了用大batch把显存全占满，导致训练中途OOM，然后又不知道从哪一步开始恢复训练。
环境配置的常见做法是用conda创建一个干净的Python环境：
conda create -n yolov8 python=3.10 -y conda activate yolov8 pip install ultralytics torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install pyqt5 # 后续做界面时要用CUDA版本要和PyTorch对应。这里装的是cu118版本（对应CUDA 11.8），如果你的显卡驱动较新，也可以装cu121或cu124版本。装完后用python -c "import torch; print(torch.cuda.is_available())"验证。如果返回False，多半是驱动版本太旧或者PyTorch的CUDA版本不匹配，而不是代码问题。
3.2 模型选择：n、s、m、l、x哪个适合老鼠检测？
YOLOv8有五个规模的预训练权重：yolov8n（nano）、yolov8s（small）、yolov8m（medium）、yolov8l（large）、yolov8x（xlarge）。它们之间的差别是深度和宽度的缩放系数。训练自己的数据集时，一般不建议一上来就训xlarge——训练速度慢、显存要求高，而且模型容量过大时，如果数据量不够，反而容易过拟合。
对于老鼠检测这个任务，yolov8s是最稳妥的起点。原因有三：单类别任务本身不复杂，不需要过大的模型容量；5000多张数据对s规模的模型来说刚好在“能收敛但不至于过拟合”的甜点区；后续部署到PyQt桌面应用时，s规模在CPU上的推理速度也能接受（大约200到400毫秒一帧，取决于硬件）。
| 模型 | mAP@0.5（COCO参考值） | 参数量 | 推理速度（GPU, ms） | 显存占用（batch=16, 640px） |
|---|---|---|---|---|
| yolov8n | 0.375 | 3.2M | 0.99 | 约1.5GB |
| yolov8s | 0.447 | 11.2M | 1.20 | 约3.5GB |
| yolov8m | 0.502 | 25.9M | 1.83 | 约6.5GB |
| yolov8l | 0.537 | 43.7M | 2.39 | 约10GB |
| yolov8x | 0.553 | 68.2M | 3.53 | 约14GB |
表中的mAP是COCO数据集上的参考值，不代表你的老鼠数据集上的表现，但反映了模型规模的相对能力。可以看出yolov8s到yolov8m的参数量翻倍带来的收益在递减，而训练成本在增加。先训s，达到预期后再考虑要不要换m，是成本最低的迭代路径。
3.3 训练命令与关键参数：epochs、batch、imgsz、patience
准备好数据集后，还需要一个data.yaml文件描述数据路径和类别信息：
# rat_dataset.yaml path: D:/projects/rat_dataset # 数据集根目录的绝对路径 train: train/images val: val/images test: test/images nc: 1 # 类别数量，只有老鼠一类 names: ['rat']然后运行训练命令：
yolo detect train \ model=yolov8s.pt \ data=rat_dataset.yaml \ epochs=100 \ imgsz=640 \ batch=16 \ patience=15 \ workers=4 \ project=rat_train \ name=exp1 \ seed=42逐项说明参数的含义：
model=yolov8s.pt：加载COCO预训练权重做迁移学习。不要直接写成yolov8s.yaml，那样是从头训练，收敛速度慢得多，而且在小数据集上效果通常不如迁移学习。epochs=100：训练轮数。单类检测任务一般50到100轮足够，配合早停（patience）生效后会自动提前终止。imgsz=640：输入分辨率。如果原始数据里目标很小，可以试试768，但训练时间会显著增加。640是精度和速度的平衡点。batch=16：受显存限制的batch大小。如果OOM，优先降到8而不是降低imgsz。patience=15：连续15轮验证集mAP没有提升就停止训练。这是防止过拟合的重要机制——很多人的模型过拟合了还在硬训，白耗时间。
训练结束后，runs/detect/exp1/weights/目录下会生成best.pt和last.pt。best.pt是验证集表现最好的权重，部署时用它。
3.4 损失曲线怎么看：判断模型有没有真的学进去
训练过程中，YOLOv8会在runs/detect/exp1/下生成results.png，包含box_loss、cls_loss、dfl_loss三条训练/验证曲线的变化。看懂这张图是判断训练是否正常的关键。
训练开始时box_loss应该快速下降，然后变缓；验证集的loss如果先降后升，就是过拟合的信号，说明patience没有在合适的时机触发。一个更快的方法是直接看验证集的mAP@0.5曲线，它应该稳步上升然后趋于平坦。如果mAP@0.5始终在0.5以下，大概率是数据标注问题（框不贴边、漏标严重），模型能力本身没问题。
如果你想自定义损失曲线图（比如只看mAP@0.5和mAP@0.5:0.95的对比），可以直接读取训练保存的results.csv并重新绘图：
import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('rat_train/exp1/results.csv') # 去掉前两列（epoch和时间戳），用epoch做横轴 epochs = df[' epoch'] plt.figure(figsize=(10, 6)) plt.plot(epochs, df[' metrics/mAP50(B)'], label='mAP@0.5') plt.plot(epochs, df[' metrics/mAP50-95(B)'], label='mAP@0.5:0.95') plt.xlabel('Epoch') plt.ylabel('mAP') plt.legend() plt.grid(True) plt.savefig('rat_mAP_curves.png', dpi=150)注意results.csv的列名前面可能有空格，读取时需要用实际列名或者用df.columns确认。mAP@0.5是IoU阈值0.5时的平均精度，mAP@0.5:0.95是IoU从0.5到0.95取平均的结果，后者更严格，也更能反映模型定位精度。老鼠检测这种业务，mAP@0.5达到0.85以上就算可用，而mAP@0.5:0.95在0.6左右就不错了。
3.5 C2f结构对训练效果的影响：为什么YOLOv8比v5更容易收敛
YOLOv8的Backbone和Neck中大量使用了C2f模块，它替代了YOLOv5中C3模块的位置，由torch.nn.Conv2d的变体组成。C2f的核心差异是把输入特征图经过两个分支处理后Concat起来，再通过Bottleneck残差块，最后再Concat一次。本质上是增加了梯度回传路径，让浅层特征更容易收到来自深层loss的梯度信号。
这意味着在训练自己的数据集时，YOLOv8比YOLOv5更容易收敛、对学习率不那么敏感。实际操作中，你不太需要去改C2f的内部结构——默认学习率（0.01）和默认的优化器（SGD）在大多数自定义数据集上都能正常收敛。唯一值得尝试的改动是把optimizer参数从auto换成AdamW，对某些收敛困难的数据集有奇效，但有概率在最后精度上略低于SGD。先用默认的SGD训一轮，如果损失曲线抖动剧烈（发散），再换AdamW。
4. 写一个能吃权重的PyQt检测界面：从布局到线程模型
4.1 界面层次：预览区、控制区、信息区的分工
一个可交付的老鼠检测工具，界面至少需要三个区域：视频预览区（显示推理结果）、控制区（打开文件、启动摄像头、模型切换、置信度阈值调节）、信息区（当前帧率、检测数量、每只鼠的置信度）。下面是一个五层起始结构，按控件嵌套关系自上而下展开：
MainWindow (QMainWindow) ├── central_widget (QWidget) │ ├── layout_main (QVBoxLayout) │ │ ├── video_label (QLabel) # 预览区 │ │ ├── control_panel (QWidget) │ │ │ └── layout_control (QHBoxLayout) │ │ │ ├── btn_open_file (QPushButton) │ │ │ ├── btn_open_camera (QPushButton) │ │ │ ├── combo_model (QComboBox) │ │ │ ├── spin_conf (QDoubleSpinBox) │ │ │ └── btn_start_stop (QPushButton) │ │ └── info_label (QLabel) # 信息区预览区用QLabel显示QImage即可，不要直接在里面绘制，这样代码更清晰。控制区用QComboBox来列出models/目录下的所有.pt权重文件，这样调用可以换成其他权重时不需要改代码。置信度阈值用QDoubleSpinBox，范围设0.01到0.99，步长0.05，默认0.25。
4.2 推理线程与界面分离：为什么不能直接在UI线程里跑YOLOv8
这是写PyQt检测工具时最重要的一个设计决策。如果在UI线程里同步执行model.predict()，视频推理时每一帧的检测耗时（即使GPU上也要10到30毫秒）会让界面卡死，鼠标拖动窗口都会掉帧。正确做法是把推理放到一个后台线程，通过信号槽机制把结果传回主线程刷新UI。
以下是一个完整的线程封装示例：
import threading from PyQt5.QtCore import QThread, pyqtSignal import numpy as np from ultralytics import YOLO class DetectionThread(QThread): # 定义信号：帧数据、检测结果、FPS frame_ready = pyqtSignal(np.ndarray, list, float) error = pyqtSignal(str) def __init__(self, model_path, conf_thres=0.25): super().__init__() self.model_path = model_path self.conf = conf_thres self.model = None self.running = True self.source = 0 # 0表示摄像头，也可以是视频文件路径 def run(self): try: self.model = YOLO(self.model_path) cap = cv2.VideoCapture(self.source) if not cap.isOpened(): self.error.emit("无法打开视频源") return prev_time = time.time() while self.running: ret, frame = cap.read() if not ret: break results = self.model(frame, conf=self.conf, verbose=False) # 绘制结果 annotated = results[0].plot() # YOLOv8内置可视化方法 curr_time = time.time() fps = 1.0 / (curr_time - prev_time) prev_time = curr_time self.frame_ready.emit(annotated, results[0].boxes.data.tolist(), fps) cap.release() except Exception as e: self.error.emit(str(e)) def stop(self): self.running = False self.wait()代码逻辑说明：DetectionThread继承QThread，在run方法中加载YOLO模型、打开视频源、循环读取帧并推理。results[0].plot()是YOLOv8自带的绘图方法，返回画好检测框的numpy数组（BGR格式）。frame_ready信号携带三个参数：绘制后的画面、检测框原始数据（每个框是[x1, y1, x2, y2, confidence, class_id]）、当前FPS。主线程连接这个信号并更新界面。
需要注意的关键点是self.running标志位。关闭窗口时一定记得调用stop()方法，否则线程会一直占用摄像头资源。
4.3 摄像头选型与多路输入：单目、USB摄像头和RTSP流的统一
实验室场景下，USB摄像头是最常见的输入源。OpenCV中cv2.VideoCapture(0)默认打开第一个USB摄像头，如果同时插了多个，可能需要指定设备索引（0、1、2）。工业场景常用RTSP流（网络摄像头），这时候只需要把self.source改成rtsp://user:pass@ip:554/stream即可，其余代码完全不用改。YOLOv8的模型推理逻辑不关心输入来自哪里，它只接收numpy数组。
如果要做多路摄像头同时检测，一个DetectionThread实例负责一个视频源，然后多个线程实例共享同一个模型实例——YOLOv8的模型在推理时是线程安全的，多个线程同时调用predict不会崩溃，只是GPU利用率会提高。界面端需要写一个简单的线程池管理器：
class MultiCameraManager: def __init__(self, model_path, source_list): self.threads = [] for src in source_list: thread = DetectionThread(model_path) thread.source = src self.threads.append(thread) def start_all(self): for t in self.threads: t.start() def stop_all(self): for t in self.threads: t.stop()多路输入时的瓶颈通常在解码而不是推理。4路1080P的RTSP流同时解码，CPU占用会非常高，此时优先考虑把cv2.VideoCapture的CAP_PROP_BUFFERSIZE设为1，减少解码缓存延迟。
4.4 模型更换与置信度调节：不重启程序的运行参数
部署阶段的权重更换需求比想象中频繁——算法优化后产生了新权重、现场场景光照变化需要调参、甚至要把检测模型从一个换成另一个。为此，界面需要支持运行时切换模型。实现方式是在QComboBox的currentIndexChanged信号里重新加载模型：
def on_model_changed(self, index): model_name = self.combo_model.currentText() model_path = os.path.join('models', model_name) # 重建推理线程（或在线程里加一个replace_model方法） self.det_thread.stop() self.det_thread = DetectionThread(model_path, self.spin_conf.value()) self.det_thread.frame_ready.connect(self.update_frame) self.det_thread.start()简单的实现是停止旧线程、创建新线程并启动。这里注意要先disconnect旧信号连接，或者直接重新实例化Det虫线程。另一种更优雅的做法是在DetectionThread里加一个load_model方法并用锁保护，不过对于这种使用频度不高的操作，重建线程更简单直观。
置信度阈值调节同理。在valueChanged信号回调里，把新阈值通过一个线程安全的属性写入推理线程。因为YOLOv8的predict每次调用时都会从self.conf读取，不需要锁也可以工作，只是极端情况下可能出现某一帧用了旧值、下一帧用了新值——对视觉检测来说这种差别无感。
5. 部署验证与常见事故排查：从ONNX导出到漏检清单
5.1 把best.pt导出成ONNX：推理加速的第一步
PyQt界面直接加载.pt模型是可行的，但桌面端部署时.pt有两个不友好的地方：依赖PyTorch环境（一个虚拟环境就几个GB）、CPU推理速度不理想。常见做法是先把best.pt导出成ONNX格式，然后用onnxruntime做推理，速度和体积都有提升。
导出命令很简单：
yolo export model=best.pt format=onnx opset=12 imgsz=640然后用onnxruntime替代YOLO类做推理：
import onnxruntime as ort import cv2 import numpy as np class ONNXDetector: def __init__(self, onnx_path): self.session = ort.InferenceSession(onnx_path, providers=['CPUExecutionProvider']) self.input_name = self.session.get_inputs()[0].name self.input_shape = self.session.get_inputs()[0].shape # [1, 3, 640, 640] def preprocess(self, frame): img = cv2.resize(frame, (640, 640)) img = img[:, :, ::-1].transpose(2, 0, 1) # BGR -> RGB, HWC -> CHW img = np.ascontiguousarray(img, dtype=np.float32) img /= 255.0 # 归一化到0~1 img = np.expand_dims(img, axis=0) # 加batch维度 return img def predict(self, frame): input_tensor = self.preprocess(frame) outputs = self.session.run(None, {self.input_name: input_tensor}) # outputs[0]的shape是[1, 84, 8400]，需要解析 # YOLOv8输出格式：4个坐标 + 80个类别得分（COCO），但自定义训练时是 4 + nc return outputs[0]推理前需要验证导出的ONNX权重和PyTorch权重输出是否一致。方法是在同一张图上分别用model.predict()和onnx推理，对比前20个高置信度检测框的坐标差。坐标偏差在1%以内都可以认为是正常的（因为ONNX有算子融合和精度优化）。
5.2 漏检和误检的排查清单：先看数据，不要急着调参数
部署后反馈最多的问题就是漏检。第一反应不要是调低置信度阈值，而是按以下顺序排查：
检查目标在画面中的尺寸。950px的宽屏画面里老鼠只占了30像素，置信度0.25过滤后就什么都没了。此时应该做的是裁切画面放大，而不是改阈值。
检查目标与训练数据的分布差异。模型是在俯视视角数据上训练的，部署时是平视视角，特征差异太大导致模型完全不认识。这是数据问题，调参数解决不了，只能补采集数据。
检查光照和噪声。红外夜视采集的老鼠数据如果训练集里没有，模型大概率失效。可以先用YOLOv8内置的augment=True增强推理试试，如果效果改善明显，说明模型对光照敏感。
误检（把其他东西识别成老鼠）的情况则要检查训练集里负样本是否足够。如果不希望把地上的阴影或电线杆识别成老鼠，最好在数据准备阶段加入纯负样本（图片里没有老鼠的帧），并在训练时把它们标注为空（无标注的txt文件），让模型学到“没有老鼠”这一模式。
5.3 综合调优技巧：为你的模型添加自定义后处理
一些实际可操作的技巧。比如目标重叠严重时需要非极大值抑制的IoU阈值调低，YOLOv8默认NMS IoU是0.7，当多只老鼠挤在一起时，较低的IoU（0.5）能保留更多相近的检测框。置信度阈值和IoU阈值是两个独立旋钮，前者过滤低分框、后者合并重叠框，不要混为一谈。
对于“动态画面中会连续漏检”的场景，比如老鼠快速跑过摄像头视野，代价最小的优化是提升推理的帧率而不是逐帧做temporal smoothing——当FPS从15提升到30的时候，连续两帧之间目标的位移减半，漏检概率显著下降。而这一项优化只需要用ONNX替代PyTorch推理就能实现。
最后用性能基线验证卡不卡顿——最简单的方式就是同时观察界面FPS和GPU占用率。FPS掉到10以下时优先检查是不是视频解码和缩放占了太多CPU而不是模型推理；GPU占用率只有20%时，瓶颈在解码，而不是推理。
本文还有配套的精品资源，点击获取
