简介：这套“玩手机数据集”面向目标检测与行为识别方向的开发者、学生及竞赛团队，由室内监控摄像头在不同角度和背景下采集，涵盖多种玩手机姿态，可用于岗位分心监测、玩手机/打电话识别等真实项目。压缩包共4126个文件，包含1375张JPG图片及对应的VOC（xml）、YOLO（txt）、JSON三种标签，类别统一为“playphone”，标注可直接用于YOLO、Faster R-CNN等主流目标检测算法训练；另附一个7z说明文件，用于通过下载链接获取第二部分数据，整体大小约991.65MB。目前已有773人学习下载。数据集来自博主实际项目实践，标注精准、画质可靠，使用真实监控场景数据训练模型，能明显提升模型在部署环境下的泛化能力；读者无需重新采集和标注，拆包即可开展训练验证，非常适合课程设计、毕业设计或算法竞赛备赛直接选用。
1. 玩手机数据集：给行为检测模型的一份4974张“监控视角”训练料
安防项目里要识别“玩手机”，最缺的往往不是算法，而是真实场景的标注数据。这份玩手机数据集提供了4974张多角度多背景的训练图，全部来自监控摄像头拍摄，能覆盖走廊、工地、办公室、便利店这类实际监控画面；同时它把标签做成了Pascal VOC的XML、YOLO的txt和COCO风格的JSON三种格式，跑YOLO、MMDetection或自己写检测脚本时都不用在格式转换上重新造轮子。适合两类人：一类是安防、智慧工地、智慧零售场景的算法工程师，想快速验证玩手机检测能不能落地；另一类是刚上手YOLO的初学者，想用一份接近实际项目的数据做一次完整训练。监控视角的特点是目标小、背景乱、姿态杂，不能把普通随手拍照数据集的训练配置直接套过来，后面几章我会把格式转换、参数设置和容易踩的坑一次说清楚。
2. 监控视角下的玩手机行为检测：为什么这份数据能扛住实际项目
2.1 监控摄像头视角给检测模型设了哪些坎
监控摄像头一般装在墙顶或走廊角落，天然是俯视角度。人在画面里往往只露出头和肩，手机被握在手里时，屏幕朝向五花八门，有时屏幕正面完全背对镜头，模型只能靠手部轮廓、手臂姿态和偶尔的屏幕亮斑来判断。这和“拿手机自拍”“桌上放着手机”完全是两个检测难度。
目标尺寸小是第二个坎。以1080p监控画面为例，一部手机通常只占三四十个像素宽，人距离摄像头远一点就只有二十像素左右。YOLO这类单阶段模型在小目标上天然吃亏，因为浅层特征图分辨率不够，深层特征图又丢了细节。公开的COCO预训练模型在街景、自然图像上表现不错，但拿到监控画面上直接推理，漏检率会明显上升。
背景杂乱和光照变化是第三个坎。监控画面里有瓷砖反光、窗边逆光、夜间红外黑白图像，还有行人互相遮挡。在这些条件下，“玩手机”不是一个静态的物体类别，而是一个行为模式：手举着、低头、屏幕亮着、手臂位置相对固定。模型要学的不是“画面里有一部手机”，而是“这个人正在使用手机”这个空间关系。
这份数据集的多角度多背景，正好对应这三个坎。角度多，模型就能学到俯视、侧视、平视下玩手机的共同特征；背景多，模型就不会把某一处地面反光或某一台闸机当成判断依据。数据本身做到了这一点，剩下的工作在于你把数据切分好、把训练参数调对。
2.2 多角度多背景对泛化能力的实际影响
玩手机检测最怕过拟合到背景。我见过不少项目，训练集和验证集随机划分后mAP能到0.9，换一路全新摄像头立刻掉到0.6，原因就出在数据划分：同一个摄像头连续几十帧画面被同时分进了训练集和验证集，模型记住了这个场景的纹理特征，而不是“玩手机”这个行为本身。
正确的做法是按场景分组划分。如果文件名里有摄像头ID或场景编号，划分时把同一个场景的所有图片放进同一侧。这样训练集和验证集在背景上没有交集，得到的指标才有参考价值。对于这份4974张的数据，我喜欢先看一下文件名规律，再决定是随机划分还是分组划分；如果分不清场景，就干脆用按文件名hash取模的方式大致隔开。
另一个点是数据集量和公开数据的配合。BDD100K、CrowdHuman这类公开数据集包含大量行人、车辆监控画面，但专门标注“玩手机”行为的很少，多数是人群检测、车辆检测。CCPD是车牌数据集，和玩手机检测场景差异更大。所以这份数据集在行为识别这个细分方向上确实稀缺，可以把它当主训练数据，再用BDD100K或CrowdHuman的“person”类做辅助预训练，让模型先学会找行人，再学玩手机这个细分类。
数据增强也能补充角度和背景多样性的不足。YOLO自带的Mosaic、RandomPerspective、HSV增强可以模拟部分角度变化和光照变化，但真实监控的透视关系、红外灰度图、天花板俯视角度很难靠离线增强完全模拟。增强是锦上添花，数据本身的多样性才是基础。
2.3 用统计脚本检查数据是不是够“杂”
在训练之前，我习惯先把数据集的“体检”做了：统计图片分辨率分布、目标框尺寸分布、每张图的目标数量、类别比例、平均亮度。这样能提前判断后面训练参数该往哪个方向调，而不是等训练完才发现问题。
下面这段脚本遍历YOLO格式的标签目录，把归一化坐标还原成像素尺寸，并统计每张图的亮度：
import os import glob from PIL import Image import numpy as np def inspect_dataset(labels_dir, images_dir): records = [] for txt_path in glob.glob(os.path.join(labels_dir, "*.txt")): img_path = os.path.join( images_dir, os.path.splitext(os.path.basename(txt_path))[0] + ".jpg" ) if not os.path.exists(img_path): print("missing image:", img_path) continue img = Image.open(img_path) w, h = img.size gray = np.array(img.convert("L")).mean() boxes = [] with open(txt_path, encoding="utf-8") as f: for line in f: parts = line.strip().split() if len(parts) < 5: continue cls_id = int(parts[0]) cx, cy, bw, bh = map(float, parts[1:5]) box_w, box_h = bw * w, bh * h boxes.append({ "cls": cls_id, "w_px": box_w, "h_px": box_h, "area_px": box_w * box_h, }) records.append({ "img_name": os.path.basename(img_path), "img_size": (w, h), "brightness": gray, "box_count": len(boxes), "boxes": boxes, }) all_areas = [] for r in records: for b in r["boxes"]: all_areas.append(b["area_px"]) print("图片数量:", len(records)) print("目标框数量:", len(all_areas)) print("框面积中位数:", np.median(all_areas) if all_areas else 0) print("框面积分位数:", np.percentile(all_areas, [10, 50, 90]) if all_areas else "empty") print("平均亮度:", np.mean([r["brightness"] for r in records])) return records这段脚本能输出三个关键信息：目标框面积中位数、分位数分布、平均亮度。如果框面积中位数低于1024像素（大约32×32），说明这是典型的小目标数据集，训练时imgsz要往960甚至1280拉，或者推理阶段配合切片处理；如果亮度分布跨度很大，说明夜间和白天画面都有覆盖，训练时不要关掉HSV增强，并且要考虑用灰度增强来模拟红外摄像头画面。
3. 三种标签格式打通：VOC/YOLO/JSON 的差异与转换
3.1 VOC、YOLO、JSON三种格式的字段差异
拿到这个zip压缩包，第一件事是看标签结构。三种格式各有各的脾气，下表是它们最核心的差异：
| 标注格式 | 文件组织 | 坐标表示 | 类别记录方式 |
|---|---|---|---|
| Pascal VOC | 每张图对应一个XML文件 | xmin、ymin、xmax、ymax绝对像素坐标 | 标签名写在XML的name节点里 |
| YOLO txt | 每张图对应一个txt文件 | x_center、y_center、width、height归一化坐标 | 每行第一个数字是类别id |
| COCO JSON | 全部标注集中在一个json文件 | bbox数组[x, y, width, height]绝对像素 | categories数组维护id到名称的映射 |
VOC格式可读性好，用文本编辑器打开就能看懂；YOLO格式是训练时效率最高的，直接喂给ultralytics；COCO JSON格式则方便接入现成的COCO工具链，比如mmdetection的训练配置。如果JSON里还带segmentation字段，那这份数据还能用来训练实例分割模型，比如YOLOv8-seg，不过要先确认标注是polygon还是RLE格式。
转换的前提是有一个统一的类别表。这份数据如果只有一个“play_phone”或“phone_use”类别，事情就简单很多；如果有多个类别，比如“call”和“look_phone”分开标注，那转换时就要格外注意类别id的顺序，后面我会专门讲到串类这个坑。
3.2 把VOC的XML转成YOLO txt：脚本与四个边界坑
我一般先把VOC转成YOLO，因为后续训练以YOLO格式为主。转换脚本本身不复杂，难在边界情况：
import os import glob import xml.etree.ElementTree as ET def voc_xml_to_yolo(xml_dir, yolo_dir, class_list): os.makedirs(yolo_dir, exist_ok=True) for xml_path in glob.glob(os.path.join(xml_dir, "*.xml")): tree = ET.parse(xml_path) root = tree.getroot() # XML里的宽高必须是图片真实宽高，不能写死 img_w = int(root.find("size/width").text) img_h = int(root.find("size/height").text) base_name = os.path.splitext(os.path.basename(xml_path))[0] out_path = os.path.join(yolo_dir, base_name + ".txt") lines = [] for obj in root.findall("object"): # 类别名必须存在于class_list里，否则跳过 name = obj.find("name").text if name not in class_list: print("unknown class:", name, xml_path) continue cls_id = class_list.index(name) # VOC是绝对坐标，YOLO需要中心点+宽高的归一化坐标 xmin = float(obj.find("bndbox/xmin").text) ymin = float(obj.find("bndbox/ymin").text) xmax = float(obj.find("bndbox/xmax").text) ymax = float(obj.find("bndbox/ymax").text) x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h box_w = (xmax - xmin) / img_w box_h = (ymax - ymin) / img_h # 越界坐标直接拉回[0, 1]，但框宽高为负数就丢弃 if box_w <= 0 or box_h <= 0: continue x_center = min(max(x_center, 0.0), 1.0) y_center = min(max(y_center, 0.0), 1.0) lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}") with open(out_path, "w", encoding="utf-8") as f: f.write("\n".join(lines) + "\n")这段脚本有四个边界坑需要注意。
第一，XML里的宽度高度必须和实际图片一致。数据集里如果有XML标注宽高和图片不符，归一化坐标就会整体偏移，训练时边框全都错位。所以我在转换前会额外校验一次：用PIL读取图片真实尺寸，和XML里的size比较，不一致时打印警告。
第二，类别名的匹配要严格区分大小写。有些标注工具会生成“PlayPhone”和“playphone”，在class_list里查不到就会被静默跳过，最后你会发现某个类别一张图都没训练。最好在转换后统计一下输出文本的行数，和XML里的object数量对得上才算正常。
第三，坐标越界问题。VOC标注里偶尔会出现xmax大于图片宽度的情况，特别是手工标注时拖出了画布。如果只除以图片宽高而不做clip，YOLO训练时会出现负的x_center或大于1的坐标，轻则报警，重则loss变成nan。
第四，空标注文件的处理。有些负样本图片没有目标，XML里没有任何object节点。转换后会生成一个0字节的空txt。这个结果是正常且必要的，它就是让模型学习“没有玩手机”的负样本。不要把空txt删掉，删了YOLO会默认这张图没有对应标签，训练时跳过。
3.3 把COCO JSON转成YOLO txt：脚本与关键字段
如果这份数据的JSON是COCO格式，转换思路和VOC不同。COCO把所有标注放在一个JSON里，需要通过image_id关联图片文件名，再用category_id映射类别名称：
import json import os def coco_json_to_yolo(json_path, images_dir, yolo_dir): with open(json_path, encoding="utf-8") as f: coco = json.load(f) os.makedirs(yolo_dir, exist_ok=True) # 建立image_id到文件名的映射 image_id_to_name = {} for img in coco["images"]: image_id_to_name[img["id"]] = img["file_name"] # category_id可能从1开始，也可能不连续，统一转成0索引 cat_id_to_idx = {} class_list = [] for cat in coco["categories"]: cat_id_to_idx[cat["id"]] = len(class_list) class_list.append(cat["name"]) # 同一张图的多个标注先归到一起 annotations_by_image = {} for ann in coco["annotations"]: img_id = ann["image_id"] if img_id not in annotations_by_image: annotations_by_image[img_id] = [] annotations_by_image[img_id].append(ann) for img_id, anns in annotations_by_image.items(): file_name = image_id_to_name.get(img_id) if not file_name: continue img_path = os.path.join(images_dir, file_name) if not os.path.exists(img_path): print("missing:", img_path) continue from PIL import Image w, h = Image.open(img_path).size base = os.path.splitext(os.path.basename(file_name))[0] out_path = os.path.join(yolo_dir, base + ".txt") lines = [] for ann in anns: # bbox是[x, y, width, height]绝对像素 x, y, bw, bh = ann["bbox"] cls_idx = cat_id_to_idx.get(ann["category_id"]) if cls_idx is None: continue # 绝对坐标转中心点归一化坐标 x_center = (x + bw / 2.0) / w y_center = (y + bh / 2.0) / h norm_w = bw / w norm_h = bh / h if norm_w <= 0 or norm_h <= 0: continue lines.append(f"{cls_idx} {x_center:.6f} {y_center:.6f} {norm_w:.6f} {norm_h:.6f}") with open(out_path, "w", encoding="utf-8") as f: f.write("\n".join(lines) + "\n") return class_list这段脚本里有两个细节要说明。
COCO的bbox数组是[x, y, width, height]，不是[x1, y1, x2, y2]，很多人在转换时写错，把width当成了x2，结果归一化后框全乱。另外COCO的category_id不一定是0起始，VOC的类别名是字符串，YOLO只认数字id，所以必须通过categories数组把id统一映射成0、1、2这样的连续索引。
转换完成后，最好把class_list保存成一个classes.txt文件，这个文件在后续训练配置里会用到。如果数据集里VOC和JSON两套标注都有，转换后要拿相同图片的两种结果做一次diff，确认每个框的坐标差异小于一个像素，才算真的对齐了。
3.4 标签校验清单：训练前必须做的三件事
格式转换做完，不要急着训练。我给自己定了一个三查流程，基本能在半小时内把绝大多数标签问题暴露出来。
第一查数量。统计images目录和labels目录的文件名集合，找出有图无标签、有标签无图的情况。脚本很简单：把两边的文件名去掉扩展名后做差集，输出缺失清单。
第二查类别。把整个数据集的类别id集合打印出来，检查是否只有0到n-1这些连续整数。如果出现类别id为5但类别数是1的情况，说明转换时类别映射漏了。
第三查画框。从数据集中随机抽20张图片，用OpenCV把标签框画出来保存成预览图，肉眼确认框是否贴合、有没有偏移、是否明显放大缩小。这一步最土但最有效，很多转换脚本里的逻辑错误都是靠人眼扫出来的。
import cv2 import os import glob def visualize_yolo(labels_dir, images_dir, output_dir, num_samples=20): os.makedirs(output_dir, exist_ok=True) txt_files = glob.glob(os.path.join(labels_dir, "*.txt"))[:num_samples] for txt_path in txt_files: base = os.path.splitext(os.path.basename(txt_path))[0] img_path = os.path.join(images_dir, base + ".jpg") if not os.path.exists(img_path): continue img = cv2.imread(img_path) h, w = img.shape[:2] with open(txt_path, encoding="utf-8") as f: for line in f: parts = line.strip().split() if len(parts) < 5: continue cls_id, cx, cy, bw, bh = parts cx, cy, bw, bh = map(float, (cx, cy, bw, bh)) x1 = int((cx - bw / 2) * w) y1 = int((cy - bh / 2) * h) x2 = int((cx + bw / 2) * w) y2 = int((cy + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, cls_id, (x1, max(0, y1 - 8)), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) out_path = os.path.join(output_dir, base + "_check.jpg") cv2.imwrite(out_path, img) print("预览图输出到", output_dir)这个可视化脚本在监控视角数据上尤其有用。因为目标小，如果框比人手大好几倍，那是坐标没除对；如果框集中在画面中央，可能是归一化时用了错误的图片宽高。画几个批次几乎都能看出来。
4. 在PyCharm里跑通YOLO训练：数据集接入与参数配置
4.1 环境搭建与目录组织
标签整理好后，进入训练阶段。用PyCharm新建一个项目，虚拟环境选Python 3.10或3.11，然后安装ultralytics。这一套在PyCharm里操作很方便，命令和终端里没有区别：
pip install ultralytics torch torchvision安装完成后验证一下：
python -c "import ultralytics; print(ultralytics.__version__)"接下来按下面这个目录结构组织数据：
play_phone/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── classes.txt如果zip解压后已经把图片和标签按train/val分好，这一步可以跳过。如果没有分好，用下面的脚本按比例随机切分。注意切分时要保持图片和标签的文件名一一对应，最好用移动而不是复制，避免后面改动时出现两份文件不一致的混乱：
python - <<'EOF' import os, random, shutil image_root = "play_phone/images/all" label_root = "play_phone/labels/all" files = [os.path.splitext(f)[0] for f in os.listdir(image_root)] random.shuffle(files) val_count = int(len(files) * 0.2) val_files = set(files[:val_count]) for split, subset in [("train", val_files), ("val", set(files) - val_files)]: os.makedirs(f"play_phone/images/{split}", exist_ok=True) os.makedirs(f"play_phone/labels/{split}", exist_ok=True) for base in subset: shutil.move(os.path.join(image_root, base + ".jpg"), os.path.join("play_phone/images", split, base + ".jpg")) shutil.move(os.path.join(label_root, base + ".txt"), os.path.join("play_phone/labels", split, base + ".txt")) EOF这一步要注意，如果数据集里同一个场景画面连续出现多个，随机切分会有背景泄漏问题。前面2.2节说过，最稳妥是按文件名中的场景ID或摄像头编号分组。如果文件名看不出规律，至少在切分后用图表确认train和val两边的图片亮度分布、目标尺寸分布是接近的，而不是一个全是白天、一个全是黑夜。
4.2 类别文件与data.yaml的配置要点
YOLO训练依赖一个data.yaml文件。这个文件决定了训练器去哪里找图片和标签，以及类别名是什么。在PyCharm里直接创建play_phone.yaml：
path: /absolute/path/to/play_phone train: images/train val: images/val nc: 1 names: ['play_phone']path必须是绝对路径或相对YAML文件所在位置的路径，train和val是相对path的路径。如果直接把zip解压后的目录当作根目录，path写你本机的绝对路径即可。
nc和names是两个最容易出错的配置。names数组的下标必须和标签文件里的类别id一一对应，如果转换后类别id是0对应“play_phone”，names里就必须在索引0的位置写play_phone。不要因为只有一个类别就随意改顺序，否则训练时类别名和实际类别错位，后面看混淆矩阵会一头雾水。
如果JSON里标注了多个类别，比如“call”“look_phone”，names也要一样样列出来。类别数量的修改会影响模型最后的输出头维度，所以要改趁早，训练到一半再改等于从头来过。
4.3 启动训练的最小命令与参数表
配置写好后，训练命令很简洁：
yolo detect train \ model=yolov8n.pt \ data=play_phone.yaml \ epochs=200 \ imgsz=960 \ batch=16 \ project=runs \ name=phone_use_run1 \ device=0几个关键参数按数据集特性调整：
| 参数 | 建议值 | 理由 |
|---|---|---|
| model | yolov8n.pt或yolov8s.pt | 监控场景目标小，backbone太深不一定划算，先从小模型开始 |
| imgsz | 960 | 玩手机目标小，640下框可能只有十几个像素，放大到960有助于学习小目标特征 |
| batch | 根据显存定，8/16/32 | 显存不够时优先降batch，不要降imgsz |
| epochs | 200起步 | 小目标收敛更慢，100轮可能还没稳定 |
| patience | 50 | 早停轮数，配合验证集loss判断过拟合 |
| cache | ram | 4974张图不大，全量缓存到内存能显著加速数据读取，但不建议在内存小于16G的机器上开 |
YOLO的损失函数由三部分组成：box_loss负责边框回归，cls_loss负责分类置信度，dfl_loss负责边框分布。在训练日志里能看到这三项分别的输出数值。对于玩手机这个小目标检测任务，cls_loss一般会先降到很低，因为“是否有人玩手机”在语义上不难；box_loss和dfl_loss反而降得慢，因为小目标的像素级定位精度更难做。如果看到box_loss长时间不降，优先检查标签框是不是偏了，而不是盲目调学习率。
4.4 训练日志怎么看，关键指标与过拟合判断
训练启动后，终端会每隔一段时间刷新一张指标表，重点看这几个字段：metrics/precision(B)、metrics/recall(B)、metrics/mAP50(B)、metrics/mAP50-95(B)。
mAP50是IoU阈值0.5下的平均精度，对定位精度不敏感，框稍微偏一点也能算命中；mAP50-95则要求模型在各种IoU阈值下都表现好，小目标在这个指标下非常吃亏，因为框差几个像素IoU就掉到0.5以下。上调imgsz或者做切片推理能明显改善mAP50-95，但这只是推理阶段的处理，训练阶段还是要靠数据质量和合适的模型尺寸。
过拟合的判断方法比较直接：盯着val/box_loss这条曲线，如果它先降后升，而train/box_loss还在继续降，说明模型开始背训练集了。这时可以回调patience参数触发早停，或者把epochs降下来重训。还有一个习惯是我在监控项目里养成的：每训练十轮就看一次验证集预测图，而不是等全部训练完。这样能在早期发现漏检和误检模式，比如模型把“低头看手机”和“低头系鞋带”搞混，这时候再怎么调参数都没用，得回去补数据或检查标签。
4.5 推理循环：用未标注素材验货
训练结束后，真正的考试开始了。单张图片的验证只能看出模型能不能找到框，实际项目里更重要的是连续帧视频上的表现。用YOLO自带的predict命令跑一段监控视频：
yolo detect predict \ model=runs/phone_use_run1/weights/best.pt \ source=/path/to/monitor_video.mp4 \ imgsz=960 \ conf=0.25 \ save=True跑完后逐帧检查输出视频，重点看两类问题。一是漏检是否和距离相关，画面远处的人玩手机经常漏，说明小目标没学好；二是框是否抖动，正常玩手机的框在连续帧里应该平滑移动，如果一帧有框一帧没框，说明置信度在阈值附近徘徊，可以考虑降conf到0.15再测一次。这个步骤能直接暴露模型在真实部署条件下的短板，比只看验证集指标直观得多。
5. 玩手机数据集训练前的必查项：踩坑与常见问题排查
5.1 坐标越界导致训练报错或loss变成nan
训练到一半突然出现nan，或者日志里飘着一堆all labels are empty的警告，多半是标签坐标出了问题。我排查过一份类似的监控数据，发现某些XML里xmax标得比图片宽度还大，转成归一化坐标后直接超过1.0，YOLO在计算IoU时出现负数，损失函数就崩了。
解决思路分三步：转换脚本里对坐标做clip到[0,1]区间；宽高为负的框直接过滤掉；训练前跑一个扫描脚本，把所有超出边界的标签打印出来，定位是哪张图、哪个框。这一步在监控视角数据上尤其值得做，因为俯视画面里行人有遮挡，标注人员拉框时容易拉到画面外。
5.2 类别id映射错位导致模型串类
如果JSON里写了两个类别，但转换时忘记把category_id重映射成从0开始的连续索引，训练就会出大问题。比如JSON里类别id是[3, 7]，映射成0索引后应该是[0, 1]，但如果脚本直接拿原id当YOLO的cls_id，模型会认为有8个类别，且大部分类别没有任何样本。
排查方法是看训练日志里的类别数。YOLO在载入数据集时会打印出检测到的类别数量，如果跟你预期不一样，立刻停止训练去查转换脚本。另外，如果VOC和JSON两套标签都转成了YOLO格式，必须保证两边最终输出的类别顺序一致，否则同一张图在两种标签下类别对不上，验证指标会非常诡异。
5.3 目标太小导致mAP50高但实测漏检严重
训练集上mAP50到0.9，但跑到新场景视频里漏检一大片，这是小目标数据集的典型症状。原因在于mAP50的IoU阈值是0.5，小目标的框只要稍微贴合一点就算命中，但部署时用户要的是框住整只手和手机，不是只框住半边。
这个问题的破解方向有三个。最直接的是把imgsz从640提到960甚至1280，让模型在更大分辨率下学习小目标特征；其次是推理时用切片，把画面切成四块分别推理再合并，相当于变相提高输入分辨率，这个方案在监控场景里效果非常明显；再就是调整数据增强策略，YOLO的Mosaic增强在拼接时会把目标整体缩小，对小目标反而有害，必要时可以关掉或降低mosaic的概率。
5.4 数据划分不随机，背景泄漏让指标虚高
前面2.2节提到过，同一场景的连续帧被随机分到train和val后，验证集指标会虚高到失去参考价值。这个问题在监控数据上特别常见，因为同一路摄像头短时间内拍的画面背景几乎一样，模型只要记住背景就能在验证集上拿高分。
排查方法很简单：在划分之前，先按文件名排序看一眼，如果连续几十个文件属于同一时间段，基本就是同一个场景重复帧。解决方式是按文件名的场景前缀或摄像头ID做分组划分。如果文件名没有规律，可以用聚类算法按图片向量特征分场景，但这对于4974张图来说略微复杂，我更建议直接按文件名的哈希分组，虽然没有语义上的严格隔离，但至少能避免最明显的连续帧泄漏。
5.5 解压后图片和标签对不上
Windows上解压zip文件时，偶尔会因为路径过长或中文文件名导致文件缺失。还有一种情况是XML里的filename字段和实际图片文件名大小写不一致，Windows文件系统不区分大小写没暴露问题，但转到Linux服务器训练时直接找不到图片。
应对办法是解压后第一时间跑一个配对脚本，把images目录和labels目录的文件名做集合差集，把不匹配的挑出来处理。这个检查在训练前做比训练时做省事得多，因为YOLO训练时如果某张图没有标签，它只是默默跳过，你根本不知道缺了多少数据。我自己吃过这个亏，训练到第100轮才从日志统计里发现有一半图没参与训练，白白浪费了十几个小时。
6. 用目标尺寸分组统计AP：判断模型是学会了识别还是只是在赌背景
训练跑完，除了看总体的mAP，我建议再做一步更细的验证：把验证集的标注按目标尺寸分成大、中、小三档，分别统计召回率和AP。这一步能直接回答最关键的问题——模型是真的学到了玩手机的姿态特征，还是只学会了在熟悉的背景里碰运气。
按COCO的标准，面积大于96×96像素算大目标，32×32到96×96算中目标，小于32×32算小目标。在监控视角下，大多数玩手机的人距离摄像头2到5米，屏幕亮度区域和手部整体框基本落在小目标和中小目标区间。如果小目标的召回率明显低于大目标，说明训练策略还不到位，这时候再多跑100个epoch可能也没用，应该转向提升输入分辨率或者做切片推理。
写一个脚本统计小目标表现很简单，可以直接读取YOLO验证结果中的results_dict，也可以自己算：
from ultralytics import YOLO model = YOLO("runs/phone_use_run1/weights/best.pt") results = model.val(data="play_phone.yaml", imgsz=960) # 保存每个尺寸区间的指标 print("small AP:", results.box.ap_class_index) print("混淆矩阵:", results.confusion_matrix.matrix)我在处理实际监控项目时，比较习惯把目标面积分位数画出来，对比训练集和验证集的目标尺寸分布。如果训练集里大目标很多、验证集里小目标很多，那指标低是数据分布不一致造成的，不是模型问题；反过来，如果训练集本身就是小目标为主，指标还上不去，那就要回到标签质量和数据多样性上去找原因。
另一个实用习惯是训练完不急着拿去部署，先找一段完全没用过的监控素材，截取五分钟，跑一遍推理，把输出视频按0.5倍速看一遍，记录漏检和误检的大致位置。这个工作看起来原始，但能帮你确认模型的真实边界在哪里：多远距离就会漏、什么角度会误判、晚上红外模式下有没有退化。去年我在一个工地项目里就是这样发现问题，同样一个模型白天表现很好，晚上变成灰度图后召回率掉了一大截，后来我专门在训练集里加入了模拟红外的灰度增强，才把夜间效果拉回来。现在每次换数据集，我都先做一轮尺寸分组统计再决定训练策略，这已经成了固定流程。希望帮到你。
本文还有配套的精品资源，点击获取
