简介：基于GoogLeNet的危险物品检测项目包，面向计算机视觉初学者与公共安全场景开发人员，解决图像中危险物品的自动识别与后续定位扩展问题。压缩包内共含12个文件，主要类型包括Python脚本、TensorFlow模型文件（pb/bin）、标签映射表、XML配置以及MOV格式演示视频，整体大小约127MB。核心代码包含训练与推理两个Python模块，配合预训练模型和数据集目录，可直接完成危险品分类的迁移学习与测试。目前已有187人学习使用。通过学习该项目，可深入理解GoogLeNet网络Inception模块的并行卷积与池化设计，熟悉数据预处理、数据增强、微调训练等流程；演示视频便于对比不同环节的实际检测效果。同时，项目接口保留向SSD/YOLO等目标检测框架扩展的余地，有助于将分类能力升级为位置标注，适合作为课程设计、毕业设计或安全检测入门实践的参考。
1. 基于GoogLeNet的危险物品检测：为什么从安检X光场景讲起
地铁、机场、物流分拣线上，安检员每天要看几万张X光图，盯屏幕超过40分钟注意力就会明显下降，漏掉一把藏在背包夹层里的美工刀不是小概率事件。基于GoogLeNet的危险物品检测，就是把这个“人眼盯屏”的环节交给卷积神经网络：用GoogLeNet作为骨干网络提取图像特征，在X光透视图像中自动定位出刀具、枪支、压力容器、易燃液体等危险品的位置和类别。相比当时主流的VGG系列，GoogLeNet的Inception结构能在同样计算量下拿到更深的网络和更广的感受野，对安检图像里“目标尺寸悬殊、背景纹理复杂”这两大难题天然友好。这篇文章面向的是要做安检图像目标检测的算法工程师、安防设备厂商的AI部门，以及把这个方向作为毕业课题的学生，我按自己实际跑通这个方案的顺序，把数据集、网络改造、训练参数和踩过的坑完整讲一遍。
2. 把X光图像转成模型能学的东西：数据集构建与预处理套路
危险物品检测的第一步不是搭网络，而是面对一个很现实的问题：没有数据。安检图像不同于自然图像，它没有ImageNet那种大规模公开资源可以直接用，标注成本也高得多。我最早在这个项目上卡了将近两周，不是因为模型起不来，而是因为数据集的构建方式直接决定了后面所有工作的走向。
2.1 危险物品数据集从哪来：公开资源与自采标注的取舍
做危险物品检测，数据集通常是三条路：公开学术数据集、合作方提供的历史安检图、自己搭实验台采集。公开资源里，安检X光图像领域有少量开源数据集可用，比如SIXray，它包含六个类别的危险物品标注，但问题也很明显：类别只有枪、刀、扳手、钳子、剪刀、锤子，没有液体类；图像采集自单一型号的安检机，成像风格固定，换一个设备效果就可能掉点。合作方数据是最理想的，但通常涉及保密协议，而且标注质量参差不齐。自己采集则适合做特定品类，比如在传送带上放不同遮挡物下的打火机样本，但规模很难做大。
我一般建议的组合是：公开数据打底，自采数据做针对性补强。先不追求总量的绝对大，但一定要保证“正样本里危险品尺寸有梯度”。很多刚入手的同学会忽略这一点，导致收集来的图像里危险品全是大目标占画面50%以上，训练出来的模型一到真实安检机上就废。
在预处理环节，有几个绕不开的图像问题需要解决：
- X光图通常是灰度图，但安检机的伪彩色输出会把它映射成橙、蓝、绿三种穿透率色带，这个映射关系不同厂家不一样
- 图像分辨率高，常见的安检机输出在768x576到1280x960之间，直接缩到224x224会把小目标完全抹掉
- 图像对比度强，金属物品的高亮区和背景的暗区之间动态范围很大，不做增强会让模型过早饱和
2.2 增强策略要跟着安检图像的物理特征走
危险物品检测的增强策略不能照搬ImageNet那套。随机裁剪、水平翻转、色彩抖动在自然图像上效果好，但在X光图像上有些不仅无效，反而是有害的。因为X光图像本质上是穿透率投影，任何形式的“遮挡”模拟，比如RandomErasing，如果遮挡面积过大，会直接抹掉危险品本身的轮廓特征；色彩抖动改变亮度分布，会让金属和有机物之间的穿透率差变得不可分辨。
我实际用下来有效的是这几类增强：
import albumentations as A from albumentations.pytorch import ToTensorV2 # 针对安检X光图像设计的增强管线 train_transform = A.Compose([ A.LongestMaxSize(max_size=640), # 保持原始宽高比缩放 A.PadIfNeeded(min_height=640, min_width=640, border_mode=0, value=0), A.HorizontalFlip(p=0.5), # 水平翻转：安检图像中危险品姿态左右对称 A.RandomBrightnessContrast( brightness_limit=0.15, contrast_limit=0.1, p=0.5 ), A.ShiftScaleRotate( shift_limit=0.05, scale_limit=0.1, rotate_limit=10, p=0.5 ), A.Normalize( mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225] ), ToTensorV2() ]) # 注意：不做RandomCrop，X光图里危险品可能位于画面边缘信息薄弱位置； # 不做Cutout，刀具、液体在遮挡后会丢失关键形状线索这段管线里关键的是前两步：LongestMaxSize保持长宽比缩放到短边等于640，然后padding到正方形。很多人在这一步直接Resize(640,640)，会导致图像被拉伸变形，而安检图像中刀具的长宽比、液体瓶的圆形轮廓，这些几何信息对危险品判型非常重要。危险物品检测对几何形状的敏感度远高于自然图像分类，这一点要特别留意。
2.3 标注格式转换与划分：一个能直接跑的脚本
公开数据集给的标注格式五花八门，有PASCAL VOC的XML，有COCO的JSON，还有CSV。我先写一个统一的转换脚本，把标注统一成COCO格式，顺便过滤掉两类问题样本：标注框面积小于整图面积0.5%的，和标注框超出图像边界的。
import json import os import xml.etree.ElementTree as ET from PIL import Image def voc_to_coco(voc_root, output_json): images = [] annotations = [] ann_id = 1 for idx, xml_file in enumerate(os.listdir(voc_root)): if not xml_file.endswith('.xml'): continue tree = ET.parse(os.path.join(voc_root, xml_file)) root = tree.getroot() img_path = os.path.join(voc_root, root.find('filename').text) img = Image.open(img_path) w, h = img.size images.append({ 'id': idx, 'file_name': root.find('filename').text, 'width': w, 'height': h }) for obj in root.findall('object'): name = obj.find('name').text bnd = obj.find('bndbox') xmin = float(bnd.find('xmin').text) ymin = float(bnd.find('ymin').text) xmax = float(bnd.find('xmax').text) ymax = float(bnd.find('ymax').text) # 过滤过小的标注框：面积小于整图0.5%的直接丢掉 if (xmax - xmin) * (ymax - ymin) < 0.005 * w * h: continue # 过滤出界框：坐标超出图像范围的做截断后重算，仍越界就跳过 xmin = max(0, xmin); ymin = max(0, ymin) xmax = min(w, xmax); ymax = min(h, ymax) if xmax <= xmin or ymax <= ymin: continue annotations.append({ 'id': ann_id, 'image_id': idx, 'category_id': 1, # 危险物品统一做单类检测 'bbox': [xmin, ymin, xmax - xmin, ymax - ymin], 'area': (xmax - xmin) * (ymax - ymin), 'iscrowd': 0 }) ann_id += 1 with open(output_json, 'w') as f: json.dump({'images': images, 'annotations': annotations}, f)脚本里有两个参数值得说明。0.005这个面积阈值是我试出来的经验值，低于这个比例的标注框基本都是人眼在缩略图上勉强勾出来的，框的位置本身就不可靠，留进训练集只会给回归分支带来噪声。category_id我先统一设成1，也就是把所有危险品当成一类做检测，等到分类精度稳定之后再分细类，这样做的好处是第一阶段模型只需要学“有没有危险品”这个共性特征，难度低很多。
数据划分上我的习惯是：训练集:验证集:测试集按8:1:1划分，但必须保证同一件行李的不同角度扫描图全部落在同一个集合里，否则会出现数据泄露，验证集指标虚高。检查方法是看训练集和验证集之间是否有相同的物品ID前缀，我做了一个脚本专门按物品ID做分组划分。
3. Inception模块正好匹配安检图像：从骨干网络到检测头改造
数据集准备好之后，接下来才是模型部分。GoogLeNet作为2014年ImageNet冠军，它的核心贡献是Inception模块，这个结构放在危险物品检测场景下，有一些非常巧妙的契合点。
3.1 GoogLeNet的Inception结构到底解决了什么问题
Inception模块的核心思想是“用不同尺寸的卷积核并行提取特征，再在通道维度上拼接”。一个典型的Inception块包含四条分支：1x1卷积、1x1卷积后接3x3卷积、1x1卷积后接5x5卷积、3x3最大池化后接1x1卷积。四条分支的感受野从1x1到5x5，相当于在同一层上同时观察“点、小局部、大邻域”三个尺度的信息。
为什么这对危险物品检测特别重要？因为安检图像里的目标尺寸差异极大。一把折叠刀可能只占整幅图像的2%，而一个压力罐可能占30%以上。在全连接层主导的旧网络里，感受野是固定的，网络要么适应大目标，要么适应小目标，很难兼顾。Inception把多尺度特征提取直接做进了基础模块里，这个设计意图和危险物品检测“多尺度目标”的核心诉求高度一致。
GoogLeNet另一个常被忽略的设计是辅助分类器。它在网络中间层引出两个分支，各自接一个小分类器，训练时把辅助损失以0.3的权重加到总损失里。这个设计的本意是解决深层网络的梯度消失问题，但在危险物品检测中，我发现了它的额外价值：安检图像中的小目标在浅层特征里信息最丰富，辅助分类器迫使中间层就具备一定的分类能力，相当于给检测头的特征金字塔提供了一个免费的预训练起点。我做检测头改造时，把辅助分类器分支替换成小目标预测分支，效果比直接从头加一个预测层稳定得多。
3.2 把分类网络改造成检测网络：两种主流接法
GoogLeNet本身是分类网络，输出的是1000类概率，要做目标检测，必须接检测头。在这个方向上有两种主流做法。
第一种做法是把GoogLeNet作为骨干网络，接在Faster R-CNN或SSD这类检测框架里。Faster R-CNN的RPN会从特征图上生成区域提议，对定位精度要求高的场景合适，但两阶段结构在安检场景下速度偏慢；SSD是单阶段的，从多层特征图引出默认框预测，速度优势明显，更适合工业落地。我在项目中选的是SSD路线。
第二种做法是保留GoogLeNet但只取其卷积部分，从多个Inception层的输出分别引出预测分支。SSD的思路是：浅层特征图负责小目标，深层特征图负责大目标。GoogLeNet的Inception模块天然适合这个需求，因为不同深度的Inception层特征图尺寸不同，但每个层内部已经融合了多尺度信息。
import torch.nn as nn class Inception(nn.Module): def __init__(self, in_channels, ch1x1, ch3x3red, ch3x3, ch5x5red, ch5x5, pool_proj): super().__init__() self.branch1 = nn.Conv2d(in_channels, ch1x1, kernel_size=1) self.branch2 = nn.Sequential( nn.Conv2d(in_channels, ch3x3red, kernel_size=1), nn.Conv2d(ch3x3red, ch3x3, kernel_size=3, padding=1) ) self.branch3 = nn.Sequential( nn.Conv2d(in_channels, ch5x5red, kernel_size=1), nn.Conv2d(ch5x5red, ch5x5, kernel_size=5, padding=2) ) self.branch4 = nn.Sequential( nn.MaxPool2d(kernel_size=3, stride=1, padding=1), nn.Conv2d(in_channels, pool_proj, kernel_size=1) ) def forward(self, x): return torch.cat( [self.branch1(x), self.branch2(x), self.branch3(x), self.branch4(x)], 1 )这是我按GoogLeNet原始结构中Inception模块实现的核心代码。注意四个分支在forward里做的是torch.cat，也就是通道维度的拼接，不是相加。这保留了各个尺度特征的独立性，让后面的检测头可以分别利用不同感受野的信息。每个分支前面先做1x1卷积，目的是降维，原论文里把这个叫做“bottleneck”，把输入通道从几百降到几十，大幅减少计算量。我在实际项目中测试过，1x1卷积的降维比例直接设为原论文的参数就能获得不错的平衡。
3.3 关键参数设计：anchors、stride与感受野
改造完骨干网络，关键参数的设计决定了检测精度上限。SSD风格的检测头会预设一组anchors，也就是默认框。危险物品检测中，anchor的设置有几条经验：
- 长宽比要覆盖细长形的类别，刀具的宽高比经常超过1:5，普通的自然图像目标检测默认比例只有1:1、1:2、2:1，这明显不够
- 每个特征图位置的anchor数量不能太多，安检机算力通常有限，我一般设4到6个
- 浅层特征图对应小anchor，深层特征图对应大anchor，这个映射关系要和下采样stride对齐
以输入尺寸640x640为例，从GoogLeNet不同层引出来的特征图步长分别是8、16、32。步长8的特征图每个位置覆盖的原图区域是8x8像素，经验上这个层能够检测的最小目标边长约等于步长的4倍，也就是32像素。如果危险品在图像里小于32像素，后排层的特征基本就丢失了，此时要么增加一层步长为4的浅层特征图，要么直接把输入分辨率提高。
还有一个容易踩的细节：GoogLeNet原始输入是224x224，迁移到检测任务后输入变成640x640，网络前向的中间层感受野计算不变，但每个卷积核覆盖的图像内容范围相对变小了。这意味着浅层的低阶特征比ImageNet预训练时更“局部”，预训练权重里学到的纹理模式还能用，但高层语义特征需要重新适配。所以检测头改造后，骨干网络的浅层参数我选择冻结不更新，只微调高层和检测头部分。
4. 让模型真正收敛的训练配置：学习率、损失函数与3个关键参数
网络结构搭好，开始训练之后，才是真正磨人的阶段。危险物品检测的训练配置和自然图像目标检测有不少差别，我从学习率策略、损失函数和三个最容易忽略的参数三个维度来拆解。
4.1 学习率策略：预训练权重下怎么设才对
我默认采用在ImageNet上预训练过的GoogLeNet权重初始化骨干网络。预训练权重是一把双刃剑：它提供了丰富的低层纹理特征，但ImageNet的分布和安检X光图像的分布差异很大。直接全量微调，初始学习率如果设成常规目标检测的0.01，骨干网络瞬间就会被冲坏；设得太低，又需要很长时间才能适配新域。
我的做法是分段学习率：骨干网络前半段冻结，后半段和检测头分开设置。检测头因为是从头开始训练，用相对大的学习率0.004；骨干网络后半段因为承接预训练权重，用0.0004这样一个较小的学习率——保证低层不震荡、高层能适配。优化器选择SGD带momentum 0.9，adam在这个任务上没有明显优势，反而在小数据集上更容易过拟合。
学习率调度上我使用warmup + cosine annealing。warmup阶段是第一个epoch内从0线性升到初始值，让检测头在早期避免剧烈更新；之后用cosine衰减，相比step decay，它在训练后段的衰减更平滑，对危险物品检测这类“尾部难例多”的任务更友好。
4.2 损失函数：分类和回归的平衡
检测任务的损失函数包含两部分：分类损失判断“框里有没有危险品、是哪类危险品”，回归损失修正“框的位置准不准”。危险物品检测在损失函数上的特殊性在于正负样本极度不均衡。
一张安检X光图里通常只有一两个危险品，SSD框架会在特征图上生成上万甚至几万个默认框，其中绝大多数是背景。如果直接使用标准的交叉熵损失，模型会把所有框都预测成背景，因为这么做损失已经很低了。解决方法是：
- 使用Focal Loss，它给易分类的负样本降低权重，让模型专注于那些被错分到背景的危险品区域
- 对正负样本做hard mining，只挑选损失最高的前K个负样本参与反向传播
- 回归损失使用Smooth L1，它对离群点的惩罚比对L2损失温和，不容易被标注框噪声带偏
import torch import torch.nn.functional as F def focal_loss(cls_pred, cls_target, alpha=0.25, gamma=2.0): """简单可用的Focal Loss实现，适用于危险品正负样本极端不均衡场景""" ce_loss = F.cross_entropy(cls_pred, cls_target, reduction='none') pt = torch.exp(-ce_loss) # alpha因子用来调节正负样本权重 alpha_factor = torch.where( cls_target == 1, torch.tensor(alpha, device=cls_pred.device), torch.tensor(1 - alpha, device=cls_pred.device) ) focal = alpha_factor * (1 - pt) ** gamma * ce_loss return focal.mean() def smooth_l1_loss(pred, target, sigma=1.0): """回归分支使用smooth l1，避免标注框噪声产生的梯度爆炸""" diff = torch.abs(pred - target) delta = sigma loss = torch.where( diff < delta, 0.5 * diff * diff, delta * (diff - 0.5 * delta) ) return loss.mean()alpha参数控制正负样本的整体权重比例，0.25意味着正样本的损失贡献被放大4倍，这是我调出来的经验值，适合危险品占比在5%到10%的安检图像。gamma取2.0，让易分负样本的损失贡献降低，但又不至于完全消失。两个参数在极端不平衡时可以调整：如果训练后测试集recall上不去，把alpha往0.5方向调大；如果precision不行，gamma往3.0方向调大。
4.3 三个最容易改坏训练的配置
训练配置里有些参数看起来无关紧要，但实际上会在不经意间毁掉整个训练过程。我遇到过的三个典型案例，按危害程度排个序：
第一个是batch_size。GoogLeNet加检测头的总参数在50M量级，单卡batch_size想设32以上非常困难，很多人为了显存把batch_size降到4甚至2。batch_size太小，BN层的running mean和variance估计不稳定，模型会出现训练loss正常、验证loss乱跳的现象。解决方法是打开梯度累积，以batch_size为2、累积16次模拟出batch_size为32的效果，这样BN的统计量在一次更新前看到的是连续32张图的统计分布，稳定得多。但要注意，梯度累积时BN层本身仍然按小batch更新，因此还有一个更粗暴的备选方案：把BN层换成Group Normalization，在安检场景下效果差距不大。
第二个是weight decay。很多现成框架的默认配置是1e-4，但在危险物品检测中，安检图像的高频纹理细节本身就是有效特征，过强的权重衰减相当于告诉模型“别太相信纹理”，这会明显降低刀具和液体瓶这类目标的可分性。我实际调参中把weight decay调到了5e-5甚至更低，验证集mAP有近2个点的提升。
第三个是输出层激活函数。分类分支的输出层在SSD框架中通常不加激活函数，配合交叉熵损失内部的softmax使用。但如果有人习惯性地在输出层加了sigmoid，就会出现训练前期loss不降、后期精度一直上不去的现象——因为sigmoid和cross_entropy叠加造成了双重的概率压榨。检查方法很简单：打印一下分类分支输出的数值分布，如果大量集中在接近0或接近1的位置，说明激活重复了。
5. 训练与部署中的5个典型坑：现象、原因与解决
这一章我把做危险物品检测前后遇到的最典型的5个问题完整复盘一遍，现象、原因、解决思路都写清楚。这些坑没有一个是模型结构层面的，全是工程和数据层面容易被忽略的细节，但每个都让项目停滞了至少一周。
5.1 类别极度不均衡：危险品只占画面千分之一
现象：训练到第10个epoch后，loss已经降到了0.1以下，但测试集上召回率几乎为0。查看预测结果发现，模型把绝大多数目标都错判成背景。
原因：安检图像中危险品的面积占比常常不到整幅图的1%，SSD框架生成的默认框里，几百个甚至上千个默认框里才有一个真正覆盖到危险品。模型学到了“把一切都预测成背景”这个捷径，损失很低但毫无用处。
解决：我在4.2节提到的Focal Loss是直接手段，但更根本的解决是要做anchor匹配策略的调整。SSD默认的匹配规则是与真实框IoU大于0.5的anchor才记为正样本，危险品目标小且形状不规则，这个阈值太高导致几乎没有anchor被选为正样本。我把匹配阈值降到0.35，并额外允许“中心点距离小于anchor半径1.5倍”的anchor参与回归，正样本数量立刻多了近3倍，训练才开始真正收敛。
5.2 预训练权重“伪迁移”：在ImageNet上有效，在X光上失效
现象：使用ImageNet预训练权重初始化，第一个epoch训练集loss下降得非常快，但验证集mAP在-0.1到0.1之间抖动，完全没有上升趋势。
原因：开始时我以为是学习率问题，试了从0.001到0.0001之间所有量级都没用。最后检查了中间层特征图的可视化结果，发现浅层特征图提取的全是类似ImageNet物体边缘纹理的特征，在X光图的高亮和深色区域上变成了噪声。
解决：冻结GoogLeNet前两个Inception块，只训练从第三个Inception块开始的特征提取层和检测头。让浅层特征在训练中逐步适应X光域的灰度投影特征，而不是指望预训练权重的语义特征直接迁移。冻结浅层训练大约5个epoch后，再解冻所有层以较小的学习率0.00005做全量微调。这个方法在不增加训练时间的前提下，验证集mAP从0.31提到了0.47。
5.3 显存溢出与小batch size的连锁反应
现象：单卡训练到中途报CUDA out of memory，把batch_size从16降到8，跑两轮后又溢出，降到4才能稳定运行。但训练loss曲线变得非常抖动，验证时mAP波动超过5个点。
原因：危险物品检测的输入分辨率普遍在640x640以上，加上GoogLeNet的Inception结构是四路并行，前向计算时每条分支产生的中间特征图都留在显存中，占用比同深度的VGG高近一倍。batch_size降到4后，BN层的统计量几乎失效，相当于每轮都在用不同的数据分布训练。
解决：升级为混合精度训练，显存占用直接减半，batch_size恢复到32，问题解决。如果硬件条件不允许，可以退而求其次用梯度累积。另外，把GoogLeNet中的5x5卷积替换成两个连续的3x3卷积，参数减少了将近三分之一，精度基本不降，这也是我后期一直保留的优化手段。
5.4 标注框噪声给评估结果带来的失真
现象：训练了很久，模型在验证集上的mAP稳定在0.68左右，但可视化检测结果时发现，很多检测框实际上偏移了半个身位，预测框和真实框的IoU在0.4到0.5之间浮动，mAP数字却还在上涨。
原因：mAP的评估逻辑是IoU大于0.5就计入正确预测，而这个项目中标注框本身的误差就在0.15到0.2之间。模型预测的框其实已经尽力“拟合”了噪声标注的抖动，mAP虚高。
解决：评估时不再用固定IoU阈值，而是用不同的IoU阈值（0.5到0.9）画出PR曲线后求面积平均。这个方法下，模型在IoU为0.75时的mAP从0.51降到了0.43，这个真实水平更接近部署时的表现。随后我对标注数据做了一遍清理：把IoU与模型预测框偏移量大于0.2的标注人为修正，重新训练后mAP@0.75从0.43升到了0.51，这个提升才是真实的精度提升。
5.5 推理阶段的多尺度抖动
现象：模型部署到测试机上后，同样的图像在白天和晚上测试时检出率有5个点的差异，检查后发现并不是光照变化——安检机不同时间段的自动增益不同，导致图像的整体亮度分布变化。
原因：X光安检机存在自动增益和动态范围调整，同一物品在不同背景下曝光强度不同。训练时做了一定程度的亮度增强，但没有模拟这种“全局对比度变化”，模型在高对比度图像上训练过拟合了。
解决：推理时不做预处理增强，但训练增强中加入带拉伸的直方图均衡化模拟安检机的动态范围调整，并随机对图像做全局的对比度和亮度缩放。这个操作让模型对安检机型号间的差异鲁棒性提升明显，从单台设备换到同品牌其他型号时，mAP下降了不到1个百分点，原来要掉4到5个点。
6. 进阶：小目标漏检与模型量化加速的实操路线
前面五章把基于GoogLeNet的危险物品检测这套方案从数据到训练完整过了一遍。这一章我补充两个提升落地效果的具体技巧：小目标漏检的补救方案，以及把模型压进安检设备边缘计算盒子的量化路线。
小目标漏检是危险物品检测中最常见的通病。打火机、U盘大小的存储介质、剪刀尖部这些目标在640x640输入下可能只有20x30像素。GoogLeNet的特征图下采样倍率最低是8倍，20像素的目标下采样后只有2到3个像素的响应，检测头很难精确回归。我试过两种有效的手段：第一种是把输入分辨率提高到896，但推理时间翻倍，在Jetson盒子这类设备上直接不可用；第二种是只在训练阶段随机使用496、640、896三种分辨率训练，推理时仍然用640，这个多尺度训练的技巧不需要额外算力，小目标召回率能提升近7个百分点。
量化是部署到安检机的最后一道工序。GoogLeNet全精度模型在边缘盒子上的推理速度大约只有8到10帧每秒，而安检机传送带匀速运行时需要每秒至少处理两张图才能不堵包。用PyTorch的量化工具做INT8量化：
import torch model = load_googlenet_detector("best_model.pth") model.eval() # 插入量化感知训练的关键步骤：把网络中的卷积和BN层融合 model.fuse_model() # 定义校准数据加载器：取训练集中100张图像，覆盖不同亮度分布 def get_calib_loader(): calib_data = load_xray_sample_images(num=100) loader = torch.utils.data.DataLoader(calib_data, batch_size=8) return loader # 配置量化器 backend = "qnnpack" if torch.backends.quantized.supported_engines[0] == "qnnpack" else "fbgemm" model.qconfig = torch.quantization.get_default_qconfig(backend) torch.quantization.prepare(model, inplace=True) # 用校准集前向推理，统计激活值范围 calib_loader = get_calib_loader() with torch.no_grad(): for images, _ in calib_loader: model(images) # 转换为实际INT8模型 torch.quantization.convert(model, inplace=True) # 保存量化后的模型 torch.jit.save(torch.jit.script(model), "googlenet_detector_int8.pt")量化后的模型体积从160MB压到45MB，在Jetson Xavier NX上的推理速度从9帧提升到21帧。这里有一个血泪教训：校准集一定要包含不同亮度分布和不同密度遮挡程度下的X光图像，因为量化校准的本质就是统计每一层激活值的动态范围，安检图像的动态范围非常大，如果校准集只挑明亮清晰的样本，量化后遇到暗色图像会出现整体漏检。我曾经在这个问题上翻过车，量化后在平整背景上完全检测不到刀具，换成覆盖多种亮度级别的校准集之后才恢复精度。
从数据集、网络改造、训练到部署量化，基于GoogLeNet的危险物品检测这套方案我已经完整跑通。它和更复杂的现代检测网络相比精度上会有差距，但胜在结构经典、可解释性强、推理速度快、对边缘设备的适配度好，在算力受限的安检场景中仍然是有竞争力的选择。回到这个项目本身，如果你要做危险物品检测，我的建议是数量最优先、宁可舍弃数据总量也要保证危险品目标尺寸多样性，模型用成熟的GoogLeNet骨干加检测头就够。判断一个方案值不值得投入，先看它的数据链路是否闭环，再看模型结构是否匹配场景，最后才是调参技巧的打磨。这条路走下来并不轻松，希望帮到你。
本文还有配套的精品资源，点击获取
