YOLO26算法城市道路与公共空间行人及交通设施目标检测+训练好的模型+8771张数据集+pyqt可视化界面
这套数据共 8771 张图。用 YOLO26 训了 100 轮，mAP50 0.7250，mAP50-95 0.5081。Precision 0.7519、Recall 0.6934。下面按数据构成 → 训练曲线 → 预测效果的顺序过一遍，文末附训练好的模型与数据集打包下载入口。
📊 数据集概况
- 检测类别（中文）：[自行车(bicycle), 隔离桩(bollard), 公交车(bus), 公交车门(bus door), 公交站台(bus stop), 汽车(car), 交通锥(cone), 人行横道(crosswalk), 消防栓(fire hydrant), 大型车辆(large vehicle), 摩托车(motorcycle), 行人(person), 坑洼(pothole), 楼梯(stairs), 其他(undefined)]
- 训练集：6149 张
- 验证集：1749 张
- 测试集：873 张
- 总计：8771 张
该数据集聚焦于城市道路及公共空间的多场景视觉感知需求，涵盖夜间街道、日间人行道、公交站点、商业街区及室内通道等多种真实环境。通过高精度标注行人、车辆、交通设施及基础设施缺陷等关键目标，为城市智能监控、交通安全预警和公共空间管理提供了高质量的数据支撑，具有显著的实用价值和行业应用潜力。…
模型资源下载
模型资源下载：⬇️⬇️⬇️ 点击下载
或关注“小郭AI日志”后下载
📈 训练曲线与评估图
⚙️ 模型训练配置
| 参数 | 值 |
|---|---|
| 模型 | yolo26n |
| 训练轮数 | 100 epochs |
| 输入尺寸 | 640x640 |
| 批次大小 | 24 |
| 优化器 | auto |
| 初始学习率 | 0.01 |
| 训练设备 |
📋 关键指标汇总
训练了100个 epoch，最终轮指标：
| 指标 | 数值 |
|---|---|
| mAP50 | 0.7250 |
| mAP50-95 | 0.5081 |
| Precision | 0.7519 |
| Recall | 0.6934 |
| train/box_loss | 0.8875 |
| train/cls_loss | 0.5706 |
| val/box_loss | 1.1470 |
| val/cls_loss | 0.9718 |
训练过程分析
训练过程从初始阶段的快速收敛到后期的平缓收尾，整体趋势较为稳健。在训练开始的前 20 轮，loss 值快速下降，从初始值的 2.25 降至 1.78，模型在快速学习阶段表现出较好的适应性。然而，到了第 25 轮时，loss 下降速度明显放缓，达到 1.60，进入一个平台期。这可能是由于模型在这一阶段已经学习了大量样本的特征，继续下降的难度加大。尽管如此，直到第 75 轮，loss 值依然保持在 1.05 左右，进一步下降到 1.00，显示了模型在中后期仍然有一定的改进空间。训练最后 25 轮，loss 仅小幅波动，最终稳定在 0.95，这表明模型可能已经逼近了当前参数组合下的最佳状态。
mAP50 在整个训练过程中表现较为平稳，始终维持在 0.70 以上，直到第 75 轮才稳定在 0.7250。尽管 mAP50 已经达到了一个较高水平，但与 mAP50-95 之间仍有显著差距，为 0.22。这意味着，在较难的检测任务上，模型的表现仍有提升空间。特别是在检测精度上，精度（Precision）为 0.7519，而召回率（Recall）为 0.6934，存在一定漏检的问题，这在复杂场景中尤其明显，比如检测坑洼和人行横道时，模型的召回率相对较低，可能导致一些坑洼被遗漏。从 mAP50-95 的提升趋势来看，后期阶段提升较为缓慢，这提示可能需要在后期加强特定类别的训练以提高总体的精度水平。
模型性能评估
通过对不同类别的 mAP 评估，我们发现行人（person）的检测表现还算稳，达到了 0.8500 的水平，而在检测摩托车（motorcycle）、公交车门（bus door）和隔离桩（bollard）时，模型表现相对较低，分别为 0.6200、0.6000 和 0.5800。这提示我们在数据集标注时可能存在类别不平衡的问题，导致模型对这些类别的检测能力相对较弱。进一步通过混淆矩阵分析，我们注意到模型在检测自行车（bicycle）和楼梯（stairs）时，往往会出现误检的情况，将其他类别误判为自行车或楼梯，如把摩托车误判为自行车，或把汽车误判为楼梯。这种类别间混淆可能是由于样本特征相似导致的。此外，摩托车和公交车门的漏检率较高，这在多少拖累了整体 mAP 的提升。因此，需要在数据集的标注上进一步优化，减少这些类别的混淆现象，提高模型的准确性和泛化能力。
整体上，模型在人行道（crosswalk）和公交车站（bus stop）等区域的表现较好，这些区域通常较为开阔，背景清晰，有利于模型的检测。然而，在复杂背景下的检测效果仍有待提高。特别是在夜间街道和商业街区等场景中，模型容易受到光照变化、环境复杂等因素的影响，导致检测精度下降。此外，对于交通锥（cone）和消防栓（fire hydrant）这类小目标，模型的检测框边缘贴合度也相对较低，这提示模型在处理小目标时存在一些局限性。因此，下一步需要在增强小目标检测能力上下功夫，提高模型在复杂背景下的鲁棒性。
预测效果展示
在验证集上的预测效果展示中，模型能够识别出大部分目标，但确实存在一些漏检和误检的情况。例如，在人行横道（crosswalk）区域，尽管行人（person）和汽车（car）被检测得较为准确，但仍有部分消防栓（fire hydrant）和交通锥（cone）被忽略。这可能是由于这些小目标与背景的对比度较低，导致模型的识别难度增加。而在夜间街道场景中，模型的性能表现尤为明显，许多车辆（如摩托车和汽车）被正确识别，但行人和隔离桩的检测效果较差，可能是因为夜间光线不足，增加了检测的难度。商业街区中，模型对于公交车站（bus stop）和公交车（bus）的检测准确度较高，但摩托车和楼梯的检测框边缘贴合度不理想，存在一定的误检情况。这些现象反映出模型在不同场景下的表现差异，特别是在复杂背景和光照条件下的检测能力有待提升。
在预测效果展示中，模型在较为简单的日间人行道场景中的表现还算理想，但当进入夜间街道、复杂商业街区和室内通道等复杂环境时，模型的表现逐渐下降。特别是在夜间街道中，行人和隔离桩的检测效果不佳，而摩托车和汽车的检测表现较好。这种情况可能与夜间光线不足和目标与背景的对比度较低有关。对于复杂商业街区，模型能够较好地识别公交车站和公交车，但在摩托车和楼梯的检测中存在误检，这可能与目标与背景的相似度较高有关。模型在复杂场景中的检测表现不佳，特别是在光照条件较差和背景复杂的环境中，模型的检测框边缘贴合度和误检率较高，需要进一步优化模型以提高其在复杂场景下的检测能力。
改进建议
增强难例挖掘：在大规模数据集中筛选出误检和漏检样本，针对这些样本进行有针对性的增强。具体做法可以是通过人工标注来增加难例样本的数量，并使用数据增强技术如翻转、旋转、亮度调整等来丰富样本的多样性，从而提高模型对难例的检测能力。预期通过这种方式，可以提升模型在复杂场景中的表现，特别是在夜间街道和复杂商业街区等场景中，模型的召回率有望得到显著提高。
提升输入分辨率：640 的输入分辨率对于定位精度的支持可能不足，尤其是对于一些细节较为复杂的场景。建议尝试将输入尺寸从 640 增大到 800 或 1024，以提高模型在复杂背景下的检测精度。通过增加输入分辨率，可以更好地捕捉目标的细节特征，从而提高整体的检测效果。预期通过增加输入分辨率，可以降低检测框边缘的误判率，并提高模型在复杂背景下的检测能力。
优化混淆矩阵：通过对混淆矩阵的分析，发现模型在检测小目标如摩托车和楼梯时容易出现误检情况。因此，需要对这些类别的标注数据进行进一步优化。可以通过人工修正标注数据，减少这些类别的混淆现象，提高模型的准确性和泛化能力。具体操作可以是对这些类别的数据进行重新标注，确保每个目标被正确识别和分类，从而减少模型在检测时的误判率。预期通过优化混淆矩阵，可以提高模型对小目标的检测精度，减少误检情况，进一步提升整体模型的性能。
🔍 预测效果展示
小结
- 训练数据：共 8771 张，train/val/test 已划分
- 训练结果：训练 100 轮，mAP50 0.7250，mAP50-95 0.5081，P 0.7519 / R 0.6934
- 模型交付：训练好的权重、完整数据集与 pyqt 可视化工程已打包，下载入口在文末「模型资源下载」
复现时建议先按报告里的超参跑一轮基线，再看 mAP50 与 mAP50-95 的差距，决定是提输入分辨率还是先补数据——数据量没跟上之前换更大模型通常是负优化。
