先说个我自己的经历。上个月拿到一批游泳比赛视频素材，要做一个“游泳比赛关键检测目标识别”的小系统，要求把运动员、泳帽、泳道线、计时板这些关键目标在视频流里实时框出来，供给后续的战术分析用。一开始我的想法很天真：直接拉一个YOLOv5官方预训练权重，在视频上跑一遍，觉得“人”这个类肯定能检测到，其他目标加几个类再微调一下就行。结果一测，水花四溅的镜头里运动员被切得七零八落，泳道线稍微远一点就直接消失，计时板在人头后面几乎一次都没被正确框住。这个项目最后被逼着从数据到检测头全部重做了一遍，形成了这套基于YOLOv5-EfficientHead模型的优化方案。这篇文章不打算讲那些虚的，直接从我踩过的坑开始，把任务拆解、模型结构改动、训练调参细节、最终效果和源码复现方式都一条条写清楚，希望能帮你少走几个弯路。
1. 游泳比赛目标检测的任务拆解：检测对象不只是“人”一个类
1.1 关键检测目标清单与标注策略
很多人一听到“游泳比赛检测”，第一反应就是“这不就是行人检测嘛，把泳池里的人框出来就行了”。真正把任务落到标签定义上才会发现，比赛视频里需要识别的关键目标远不止运动员这一个类。以我这次的项目为例，我和某高校体育分析小组一起拆解了实际需求，最后敲定了五个需要检测的目标类：
| 类别ID | 目标名称 | 检测难点 |
|---|---|---|
| A | 运动员 | 身体姿态变化大，出发入水瞬间几乎是一团白色水花 |
| B | 泳帽 | 小目标，远镜头下只有十几个像素宽 |
| C | 泳道线 | 细长结构，跨越整个画面，容易被误判为背景纹理 |
| D | 计时板 | 位于泳池两端，经常被人体遮挡 |
| E | 触壁端 | 运动员转身冲刺时高速靠近，运动模糊严重 |
标注的时候必须分清主次。像“运动员”这个类，我建议用整个人连带周边少量水花的外接框，不要精确到四肢——游泳比赛的实拍画面里手臂入水瞬间和水花几乎无法区分，标得过细反而会让模型学到一堆噪声。而“泳道线”这类目标，标注时有一个很关键的操作：可以把一条完整的泳道线拆成几个短段来标，尤其在远镜头下，一条线长度超过200像素，YOLO类检测框对“细长条”天然不友好，拆成多段后模型更容易收敛。
1.2 为什么公开权重直接跑会翻车
直接用COCO预训练权重跑体育视频，最典型的翻车场景有三个。第一是远镜头下的小目标漏检：标准YOLOv5s在640分辨率下，输入图像里一个游泳运动员可能只有40×70像素，加上泳帽只有十几个像素，原版模型在P5层输出上对这类目标响应很弱。第二是密集重叠场景下的检测框震荡：自由泳比赛并排游进时，运动员之间的遮蔽很常见，NMS会把置信度稍低的那个运动员框直接压掉。第三是水花干扰：出发和转身阶段，水花形态千差万别，模型很容易把一团水沫当成运动员，产生大量误检。
这三点基本决定了“拿通用权重直接跑”这条路走不通，必须针对视频特性做数据、结构、训练策略三层优化。
1.3 数据来源与预处理：从比赛视频到高质量训练集
训练数据来源我自己整理了三批：一批是公开的赛事集锦视频片段（注意筛选掉带台标和遮挡大面积字幕的画面），一批是自行录制的业余比赛训练影像，还有一批是合成视频——把高清运动员抠像后贴到不同泳池背景上，用来补充极端角度。视频抽帧这里有个容易忽视的细节：不要均匀抽帧，要按运动速度动态抽帧，可以用光流法或帧差法把画面变化剧烈的片段多抽几帧，平稳游进阶段少抽。我实测下来，动态抽帧能让小目标样本量提升约35%。
预处理环节我的做法是：先对每一帧做去隔行处理（比赛视频多数是隔行扫描的），再用ffmpeg统一裁掉无关的水池边广告牌区域，然后按原始分辨率训练，不再额外缩小图像。要注意标注文件的格式，统一转成YOLO格式的txt，归一化坐标保留6位小数，类别索引从0开始。这里提个醒：泳池水面反光经常让画面在明暗之间跳变，可以在标注时把曝光严重过曝的帧直接丢弃，否则模型很容易学会“看见亮斑就输出泳道线”。
2. 基线模型的问题定位：YOLOv5在小目标与密集场景的三处短板
2.1 检测头的输出步长与感受野矛盾
原版YOLOv5的设置很成熟，但用在游泳比赛上有一个绕不开的矛盾。模型输入640×640，P3输出层步长8，负责小目标；P4步长16，负责中目标；P5步长32，负责大目标。理论上泳帽这种小目标应该靠P3层捕捉，可P3层的特征来自浅层高分辨率图，语义信息不够，对“隐藏在众多杂乱纹理中的泳帽”缺乏判断力。深层的P5层感受野大，但由于步长32，特征图只有20×20大小，一个远镜头运动员在特征图上只占约1.5×2.5个像素，响应值被周围背景平均掉，漏检就成了常态。
我花了不少时间复现这个漏检分布：把所有测试帧的标注框按面积大小排序，发现面积小于32×32像素的目标漏检率高达62%，而面积在64×64以上的目标漏检率只有18%。这说明问题的根子在多尺度特征表达，而不是单纯调低置信度阈值能解决的。这也为后面的EfficientHead结构设计指明了方向。
2.2 特征融合对细长目标的响应不足
泳道线这类目标特别有意思。它在语义上是一个“长条状边缘”，但YOLOv5的FPN/PANet融合时，自上而下路径主要传递的是语义信息，自下而上路径主要传递细节信息。泳道线在整幅画面里是连续的一条线，可是到了P3层的特征图里，却会被切成不同小段的边缘响应，后面的检测头需要靠Anchor把这些小段拼回一个完整对象，难度极高。
我在特征图可视化时发现，泳道线对应的通道激活往往呈“断续点状”，而不是“连贯线状”。这说明特征提取阶段已经丢失了直线连续性。单纯加深网络效果有限，反而会让训练更慢。解决思路应该在注意力机制上做文章，让模型知道“这个像素附近存在一条连续的方向性结构”。
2.3 NMS在运动员重叠时的误抑制问题
泳池比赛有个典型画面：从侧面机位看，两名不同泳道的运动员在画面上会短暂重叠。这时两个Anchor可能都命中同一个人群区域，一个置信度0.85，一个置信度0.55。原版NMS以0.45为阈值，低置信度框直接被删除，导致前一名运动员在连续帧里的ID频繁丢失。做跟踪分析时这个问题更致命，检测框一断，跟踪轨迹就重新初始化。
后来我把NMS的修改放在了EfficientHead的检测头里，使用了一种带置信度衰减的软NMS策略。核心思路不是简单删除重叠框，而是根据IoU对低分框的置信度进行线性衰减，保留它作为候选。这个改动在运动员遮挡频繁的片子里效果立竿见影。
2.4 数据不平衡带来的负迁移
样本统计显示，“运动员”类别占总标注框数量的将近70%，“泳帽”只占7%，“计时板”只占5%。初始训练时，模型把所有精力都放在拟合运动员类上，泳帽类的召回率只有21%，计时板类一直被误检成运动员。这是典型的数据不平衡导致的负迁移。
处理办法不只是过采样。我给泳帽和计时板类增加了在线复制增强：在Mosaic增强时，对小目标类别的实例做额外的随机仿射变换并在画面中重复粘贴两个副本，从而在每张训练图里提高稀有类别的存在比例。这样比单纯重复整张图片更有效，因为背景仍然是多样的。
3. EfficientHead：检测头的轻量化重构与注意力注入
3.1 用深度可分离卷积压缩参数量，把省出来的容量给注意力
既然问题定位清楚了，下面说说我是怎么做模型结构优化的。项目名里提到的“EfficientHead”，实际上是一套针对YOLOv5检测头的改进统称，主要思路就是把原来Head里普通的3×3卷积替换成深度可分离卷积，再用坐标注意力模块增强关键目标响应。
为什么敢替换？因为检测头本身并不需要太强的特征表达能力，它更像一个“翻译器”，把特征图里的信息映射成边界框和类别概率。原版YOLOv5的Detect层内部使用两个普通卷积分支，参数量不大，但对小目标的定位不够精确。我改成深度可分离卷积后，每个分支的参数量又下降了将近36%，省出来的计算量正好用来加一个轻量注意力模块，整体参数量维持了和原版相近的水平，但输出质量明显改善。
下面是我定义的EfficientHead核心结构代码，基于PyTorch实现，省略了部分参数初始化细节：
import torch import torch.nn as nn class ConvBNSiLU(nn.Module): def __init__(self, in_c, out_c, k=3, s=1, p=1): super().__init__() self.conv = nn.Conv2d(in_c, out_c, k, s, p, bias=False) self.bn = nn.BatchNorm2d(out_c) self.act = nn.SiLU(inplace=True) def forward(self, x): return self.act(self.bn(self.conv(x))) class DSConv(nn.Module): # 深度可分离卷积 def __init__(self, in_c, out_c, k=3, s=1, p=1): super().__init__() self.depth = nn.Conv2d(in_c, in_c, k, s, p, groups=in_c, bias=False) self.point = nn.Conv2d(in_c, out_c, 1, 1, 0, bias=False) self.bn = nn.BatchNorm2d(out_c) self.act = nn.SiLU(inplace=True) def forward(self, x): return self.act(self.bn(self.point(self.depth(x)))) class CoordAtt(nn.Module): # 坐标注意力：提取宽度和高度方向上的注意力权重 def __init__(self, in_c, reduction=16): super().__init__() self.pool_h = nn.AdaptiveAvgPool2d((None, 1)) self.pool_w = nn.AdaptiveAvgPool2d((1, None)) hidden = max(8, in_c // reduction) self.conv1 = nn.Conv2d(in_c, hidden, 1, bias=False) self.bn1 = nn.BatchNorm2d(hidden) self.act = nn.Hardswish(inplace=True) self.conv_h = nn.Conv2d(hidden, in_c, 1, bias=False) self.conv_w = nn.Conv2d(hidden, in_c, 1, bias=False) def forward(self, x): b, c, h, w = x.size() x_h = self.pool_h(x).permute(0, 1, 3, 2) # b,c,1,w -> b,c,w,1 x_w = self.pool_w(x).permute(0, 1, 3, 2) # b,c,h,1 -> b,c,1,h # 这里简化了跨通道卷积计算，实际实现会先concat再卷积 y = torch.cat([x_h, x_w], dim=2) y = self.act(self.bn1(self.conv1(y))) # 分离后分别生成注意力，再作用于原特征图 # (细节略，见源码包内完整实现) return x class EfficientHead(nn.Module): def __init__(self, num_classes, anchors, in_channels=[128, 256, 512]): super().__init__() self.num_classes = num_classes self.num_anchors = len(anchors) // 3 # 每个尺度一个DSConv+CoordAtt组合，替代原版3x3卷积 self.stem = nn.ModuleList() self.cls = nn.ModuleList() self.reg = nn.ModuleList() for ch in in_channels: self.stem.append(nn.Sequential(DSConv(ch, ch), CoordAtt(ch))) self.cls.append(nn.Conv2d(ch, self.num_anchors * num_classes, 1)) self.reg.append(nn.Conv2d(ch, self.num_anchors * 4, 1)) def forward(self, feats): outs = [] for i, feat in enumerate(feats): x = self.stem[i](feat) cls_out = self.cls[i](x) reg_out = self.reg[i](x) # 合并成一个预测张量，具体维度对齐方式见源码 out = torch.cat([reg_out, cls_out], dim=1) outs.append(out) return outs实际部署时还要把坐标注意力的每次归一化细节与锚框解码逻辑对齐，这里只展示结构骨架。之所以把注意力放在检测头而不是主干网络，原因有两个：主干网络改动会影响预训练权重迁移，而检测头改动较小，更容易从零训练；注意力放在检测头可以直接对多尺度特征图的不同通道做加权，训练时间和显存开销都可控。
3.2 Anchor设计与解耦检测头，先让模型学会“框得更准”
原版YOLOv5在训练时会自动计算数据集的Anchor，这本身没问题。问题在于Anchor数量在三个尺度上都一样，而游泳比赛的小目标差异极大——计时板可能很大，泳帽却很小。我的做法是把Anchor按五个类别的中位宽高重新聚类，然后对每个尺度分别设置不同的Anchor数量，例如P5层只分配2个偏向大目标的Anchor，P3层分配4个偏向小目标的Anchor。同时把分类分支和回归分支解耦，原先用同一个特征图同时输出类别和框偏移，现在在检测头里分叉成两个独立分支，每个分支前面各带一组DSConv+注意力。
解耦带来的好处是训练时梯度互不干扰。分类分支可以专心区分“运动员vs水花”，回归分支专心学习“这个目标的边界到底在哪里”。实测下来，在同等epoch下，解耦后的回归损失比耦合方式低约14%，框的稳定性明显改善。
3.3 损失函数修正：CIoU配小目标辅助，别让大目标带偏梯度
损失函数方面，我保留了YOLOv5原有的CIoU损失，并做了一点小修改。游泳比赛里泳帽类目标太小，CIoU对绝对像素偏差不敏感，哪怕预测框偏离了几个像素，CIoU也只下降一点点。针对这个问题，我在回归分支上增加了一个辅助IoU损失，用回归目标图上的局部区域计算IoU。具体的做法是在P3层输出旁边再接一个轻量分割头，输出一张和P3特征图同尺寸的“目标中心概率图”，训练时让这个辅助头去拟合高斯标签中心，推理时去掉辅助头，几乎不影响速度。这个小改动让泳帽类的小目标AP提升了约7.8%。
分类损失使用带focal参数的非对称交叉熵。游泳视频里正负样本比轻轻松松超过1:5000，不加focal的话模型会很快崩溃到“所有框都预测成背景”。我最终选择α=0.75、γ=2.0，并对清晰可见的大目标样本降低focal权重，让小目标类别的难例获得更多梯度。
3.4 稳定收敛的关键：注意力模块的预训练策略
我在实验中发现，如果直接将CoordAtt模块随机初始化加入检测头，前几个epoch的损失下降非常剧烈，但训练到后半段会出现“突然把泳道线全删掉”的坏情况。这个坑后来查出来是注意力模块初始值不合理导致的通道退化。解决办法分两步：先在ImageNet的行人检测任务上轻量预训练CoordAtt的权重，保存后再加载进游泳比赛模型；如果不想准备额外预训练，可以对CoordAtt里最后的两个卷积层做零初始化，保证初始状态下注意力是恒等映射，模型从原版YOLOv5的状态继续调优，不会突变成无意义的死区。零初始化这个技巧非常实用，我建议所有做检测头改动的人都试一下。
4. 训练策略与踩坑记录：从“掉点”到稳定收敛的调优过程
4.1 预训练权重选择：不要盲目用YOLOv5x做迁移
开始我尝试过用YOLOv5x的COCO预训练权重作为主干，想着大模型迁移能力更强。结果在只拥有2块12G显存的机器上训练，batch size只能放到8，训练了50个epoch后mAP反而不如从YOLOv5s迁移的版本。原因并不神秘：大模型的预训练特征虽然在COCO上很丰富，可是游泳比赛画面和COCO的自然生活图像分布差异太大，迁移学习的优势被大幅削弱；加上batch size过小导致BN统计不稳定，效果自然更差。换成YOLOv5s预训练权重后，batch size可以放到32，同样epoch下mAP高了3.4个百分点。所以第一原则就是：在能装进显存的前提下，优先选小模型做迁移，不要贪大。
4.2 超参数调整三件套：分辨率、Mosaic切片数、训练步数
分辨率方面，我用640×640作为主分辨率，同时以1280×1280的分辨率额外训练20个epoch做微调。这么做是因为低分辨率下小目标太容易漏，高分辨率微调能进一步修复边界框精度，但全程高分辨率训练速度和显存都不允许。Mosaic增强的切片数我固定为4，因为Mosaic可以把四张图拼成一张，丰富上下文，但切片太多会让小目标被严重压缩。另外训练总步数要有耐心。我做了对比：150个epoch使用默认cosine调度，模型在第80个epoch左右才逐渐稳定；而改用线性warmup+余弦衰减后，第60个epoch就基本收敛。最终采用250个epoch的完整方案，前3个epoch用warmup把学习率从0线性提到0.01，然后余弦衰减到0.0001。
4.3 填坑记录：水花把运动员“切碎”了怎么办
训练到中期，可视化输出里出现了一个非常气人的现象：运动员的身体有时被错误地分裂成两个检测框，一个框住上半身，一个框住下半身，中间被水花隔断。排查了很久，发现问题出在训练数据的标注一致性上。因为帧太多了，标注人员有的按“整个人可见的外轮廓”标，有的按“泳衣以上裸露部分”标，导致同一类目标框的大小方差巨大。模型为了同时拟合这两种标注，学到的最优解就是输出两个小框而不是一个完整框。
解决办法是重新统一标注规则，并且用脚本检测同类目标的宽高比分布，把偏离中位数2倍以上的标注框全部人工复核。这里有个经验：不要只关注标注框的总数，要关注同类目标长宽比的分布，如果分布出现明显的双峰，八成是标注标准不一致。
4.4 数据增强的顺序：Mosaic和MixUp不要一起上
数据增强不是越多越好。我一开始同时开启Mosaic和MixUp，结果是模型学到了一种奇怪的不稳定状态：有时能把运动员识别出来，但检测框内部混杂着另一泳道的水花边缘。原因是MixUp会把两个样本的像素直接线性混合，导致游泳运动员和水花的纹理纠缠在一起，模型从中学到了“半人半水”的特征。最终我把MixUp关闭，只保留Mosaic、随机透视、HSV扰动和随机平移。如果确实想用MixUp，我建议放在训练的最后一个阶段，并且只对少量样本使用，起到微调类边界的作用。
4.5 训练日志判读：loss降了但mAP不涨，先查Anchor和标签分布
这里分享一个很实用的排错经验。如果你发现训练损失一直在下降，但验证集mAP停滞不前，优先检查两类问题。第一类是Anchor设置不匹配：即使你更新过Anchor，也要看看每个目标在哪个尺度层被匹配到，如果绝大多数小目标都匹配到了P4/P5层，说明Anchor偏大，需要重新聚类或手动缩小。第二类是标签分布异常：我遇到过标注文件中某个类的归一化宽度突然出现负数，导致这个类的所有样本在训练时被跳过，模型自然学不会这个类。用脚本统计一下每个类的标签分布数量，几乎每次都能找到这种低级错误带来的“假性不收敛”。
5. 实验对比与结果分析：到底优化了多少
5.1 评价指标与测试集设计
我采用的标准检测指标包括mAP50、mAP50:95、以及小目标专属的AR@[0.05:0.95]（平均召回率）。测试集从真实比赛视频中单独抽取了大约800帧，不参与训练，并确保这些帧里包含至少一次出发、转身、冲刺、并排游进等典型场景。测试集和训练集的时间段错开，防止出现同一场比赛的连续帧泄露。
5.2 核心对比结果
下表展示了我用相同训练数据、相同训练策略下，分别训练原版YOLOv5s和EfficientHead模型的最终结果。都是640分辨率，测试集一致。
| 模型 | mAP50 (%) | mAP50:95 (%) | 泳帽AP50 (%) | 泳道线AP50 (%) | 参数量 | 推理耗时 (ms/帧) |
|---|---|---|---|---|---|---|
| YOLOv5s原始 | 87.2 | 61.3 | 42.5 | 51.8 | 7.03M | 6.8 |
| YOLOv5s + DSConv | 88.4 | 62.9 | 46.2 | 55.1 | 6.51M | 6.3 |
| EfficientHead（DSConv + CoordAtt + 解耦） | 92.1 | 67.7 | 55.6 | 64.2 | 7.24M | 7.0 |
| EfficientHead + 高分辨率微调 | 93.8 | 70.5 | 61.3 | 68.9 | 7.24M | 12.1 |
可以看出，单纯用深度可分离卷积只是小幅提升，真正带来明显收益的是注意力机制和检测头解耦的组合。高分辨率微调对泳帽类的帮助尤其显著，但推理耗时也几乎翻倍，所以我的最终部署方案是：实时视频流采用EfficientHead模型在640下运行，对重点回放片段再切到1280分辨率做二次精检。
5.3 可视化对比：热力图把“注意力”画了出来
我习惯把检测头的最后一层特征图做GradCAM可视化，输出几个典型场景的热力图。原始YOLOv5对运动员全身的热力响应分散在四肢和躯干多个点上，而EfficientHead的热力响应更集中地聚在头部和肩部——这正是游泳运动员身份感最强的区域。对泳道线来说，原始模型的热力图在线上有断续的亮点，优化后可以形成连续的高响应条带。这说明坐标注意力确实让模型更关注目标的“方向性结构”，而不只是独立像素点。
5.4 边缘设备上的部署实测
推理速度方面，我在两套设备上做了实测：一套是桌面级GPU（某N卡12G），另一套是边缘计算盒子（带NPU加速）。桌面GPU上640推理耗时7ms左右，1280推理耗时12ms左右，足够实时分析。边缘盒子上，如果直接用PyTorch推理，实际只有7 FPS，太低。后来我把模型导出为ONNX，再量化成FP16，配合NMS算子合并到ONNX Runtime里，最终跑到了18 FPS，这个速度已经可以满足边裁辅助分析的实时性要求。
这里有个部署小技巧：把EfficientHead里的坐标注意力模块中几个固定shape的Reshape操作改成更静态的版本，导出的ONNX会更容易通过NMS插件，否则很容易在转成TensorRT时遇到Shape推断失败的问题。我在源码包里已经留了一份适配好导出的模型定义，直接用那份会省很多事。
6. 源码结构与快速复现指南
6.1 工程目录总体说明
由于标题里承诺了“附源码”，我整理后的项目目录大概长这样：
swim-efficient-head/ ├── data/ │ ├── swim.yaml # 数据集配置文件 │ ├── annots/ # 标注txt，YOLO格式 │ └── images/ # 训练/验证图片 ├── models/ │ ├── common.py # DSConv、CoordAtt模块 │ ├── yolo_efficient.py # EfficientHead完整定义 │ └── efficient_yolov5s.yaml ├── utils/ │ ├── dataset.py # 动态抽帧与增强逻辑 │ └── loss.py # 修改后的损失函数 ├── train.py # 训练入口 ├── detect.py # 推理入口 └── export_onnx.py # 导出与部署脚本完整源码里包括：可训练的数据加载器、EfficientHead模型定义、训练脚本、推理脚本、导出脚本，以及一个针对H264流媒体输入的视频流推理接口。你可以直接把项目根目录当作一个独立的YOLOv5风格工程来用。
6.2 环境要求与安装
我的运行环境是Python 3.8 + PyTorch 1.12 + CUDA 11.6，依赖包主要包括opencv-python、numpy、tqdm、pyyaml、onnxruntime。安装命令：
pip install torch==1.12.0 torchvision==0.13.0 --extra-index-url https://download.pytorch.org/whl/cu116 pip install opencv-python numpy tqdm pyyaml onnxruntime如果你用的是更新的PyTorch 2.x也完全兼容，只是导出ONNX时的算子版本需要对应调整。建议先把训练跑通，再折腾导出，不要一上来就装一堆可能冲突的CUDA库。
6.3 训练与验证命令
训练之前要确保数据集目录和data/swim.yaml里的路径对上。swim.yaml主要配置如下：
path: ./data train: images/train val: images/val nc: 5 names: ['swimmer', 'cap', 'lane_line', 'touchpad', 'touch_wall']启动训练的命令：
python train.py --data data/swim.yaml --cfg models/efficient_yolov5s.yaml \ --weights yolov5s.pt --batch-size 32 --imgsz 640 --epochs 250 \ --device 0 --multi-scale训练完成后，验证命令：
python train.py --data data/swim.yaml --weights runs/train/exp/weights/best.pt \ --imgsz 640 --val --batch-size 32如果你机器显存只有8G，可以把batch size降到16，同时关闭--multi-scale。说实话，多尺度训练对游泳比赛的提升没有想象中那么大，因为原视频里目标本身尺度变化已经非常剧烈。
6.4 用你自己的比赛视频跑推理
推理脚本支持视频文件、摄像头和RTSP流三种输入。最简单的用法：
python detect.py --weights runs/train/exp/weights/best.pt \ --source test.mp4 --imgsz 640 --conf 0.25 --iou 0.45 \ --save-txt --save-crop这里有两个参数值得单独说。--conf 0.25是置信度阈值，我只是取了个折中值，实际使用时建议先跑一遍测试视频，观察对泳帽类目标的输出，再适当降到0.18左右。--save-crop会保存每个检测目标的裁剪图，对后续做运动员轨迹分析非常有用。
RTSP流推理时我建议加一个跳帧参数，比如每3帧检测一次，中间两帧用简单的跟踪插值补全。实时检测的同时保留原始视频流做关键帧缓存，这样即使用户网络波动导致丢帧，也不会错过重要节点。
6.5 二次开发建议：从检测到分析系统的扩展
EfficientHead只是一个检测基础，真正的价值在于下游分析。我建议二次开发时可以关注三个方向：第一，基于检测框做“泳姿相位识别”，把运动员入水、划水、转身、冲刺的时序状态串联起来；第二，把检测结果映射到泳道区域，生成AI自动计时；第三，结合运动员ID追踪，统计每50米分段速度曲线。这些方向都需要一个足够稳定的检测基础，否则后面的逻辑会全乱。所以如果你准备往这些方向做，强烈建议把训练数据再多标一些“转身瞬间”镜头，那是整个项目中误检最多、也最影响体验的场景。
最后再分享一个部署阶段的实用经验：模型在640分辨率下的置信度分布和1280分辨率下差异不小，别用640下跑出来的最优阈值直接去剪裁1280的检测结果。我在实际做回放分析时，1280模型通常把阈值降到0.15反而效果更好，因为高分辨率下特征更细，低置信度的候选里往往藏着真实的小目标。这个细节不调，回放分析里泳帽会漏得很厉害。做比赛分析项目，真正的检验标准不是排行榜上的mAP，而是真实比赛视频里裁判和教练能不能少盯一个屏幕，多注意到一个运动员的细节。这套方案做完，至少我回放测试片段时，觉得离那个目标近了不少。
