这两年我在不同方向的落地项目里反复碰到同一个需求：判断画面里的人有没有戴口罩。一开始我以为这只是某个特定阶段才有的临时需求，后来发现它其实会长期出现在门禁、考勤、安防监控和园区管理里，几乎成了视觉检测的一个基础子任务。基于YOLOv5的戴口罩检测，是我反复选型之后仍然愿意当基线方案的组合——精度够用、推理速度快、社区配套齐全。下面把模型原理、数据准备、训练调参到部署优化这四个阶段的实测经验串在一起，给正在做类似任务的读者一条可以直接参考的路线。
如果你急着先跑通一个Demo，可以直接跳到第4节，把里边的超参数拿来用；如果你更在意模型为什么能这样做，第2节解释得比较细。真打算进业务系统的人，我建议把第5节也看完，因为mAP达标和能上线之间，隔着一整套工程问题。
1. 戴口罩检测的需求背景与YOLOv5选型逻辑
1.1 “检测口罩”在真实项目里意味着什么
先别急着选模型，第一步是把任务定义掰开。我开始和需求方沟通时，很多人嘴上说的是“检测口罩”，但实际要的东西可以差得很远。最常见的是二分类：画面里的每个人，要么戴了，要么没戴。稍微严格一点的，要把“没戴好”也单独拉出来，比如口罩挂在下巴、露着鼻子、口罩歪到一边。再严格一点，还要支持后期追溯，按时间、按点位、按人物重查当时的口罩状态。
这三种要求对应的技术方案不一样，成本也完全不一样。只做二分类，数据标注简单，模型结构用一个检测头加分类头就够了；要区分“没戴好”，就得给这个特殊类别单独收集大量样本，并在标注时界定清楚“什么样算没戴好”，否则不同标注员的理解差异会让模型学到噪声；要支持追溯，模型就不仅要有检测框，还得配合跟踪算法、按帧输出结构化结果，复杂度会跳跃式上升。我跟很多同行聊下来，实际接到的需求大多在第二种，而且客户回翻视频时最在意的正是“看似戴了、实际没有防护效果”的场景。
这个任务真正的难点从来不在“有没有口罩”的语义，而在于目标外观太不稳定。口罩是非刚性物体，不同款式、颜色、佩戴松紧度差异极大；人脸被大面积遮挡后，模型可用的特征大量减少；监控相机又往往架在上方，人脸在画面里只有几十像素宽。这些条件叠加起来，让口罩检测从“看起来很简单”变成“细节决定成败”的事。
1.2 传统方案与两阶段检测的局限
如果往前看几轮，口罩检测的思路其实走过三个时期。最早是人脸关键点方案，它非常依赖五官的相对位置，口罩把口鼻区域一遮，特征点数量骤减，算法基本失效。后面是Haar级联这一类手工特征分类器，优点是轻巧，缺点也明显：对遮挡、角度、光照的变化几乎没有容忍度，稍微偏一点角度就漏检或误检。我试过在侧脸、低头、帽子遮挡三个条件同时出现时，这类方案基本不能用。
进入深度学习时代，两阶段检测器在精度上能打得很好。但我在某个人流闸机联动项目里实测过它的代价：离线评测时mAP能到0.92，换到边缘设备上，单帧推理要1.2秒。对这个业务来说，1秒钟就意味着人已经走过闸机，检测结果才出来。区域提议网络带来的计算开销太大，CPU和边缘盒子扛不住，这是两阶段方案在口罩检测这类实时监控场景中的硬伤。
单阶段检测器把“提候选框”和“分类回归”揉在同一个网络里，速度天然占优。SSD虽然早期很有代表性，但多尺度特征表达和样本匹配策略都比较固化，对密集小目标不友好。后面YOLO系列迭代到第四版、第五版，才在速度和精度之间找到了更适合工程使用的平衡。
1.3 为什么最终选中YOLOv5而不折腾别的
当时摆在我面前的有YOLOv4、YOLOv5和几类改进分支。YOLOv4的检测效果不差，但社区的改进版本比较分散，部署时文档不集中，遇到问题要花时间翻各种讨论。YOLOv5这边最大的优势不是某一个结构的强度，而是训练、验证、导出、部署的工具链非常完整，遇到常见问题基本能找到现成答案。对口罩检测这样一个具体任务来说，社区里也已有大量可参考的配置和参数。
我把当时的选型判断整理成一个简单对比，方便后来人直接参考：
| 方案 | 精度上限 | 实时性 | 部署与生态 | 口罩小目标适配性 |
|---|---|---|---|---|
| 两阶段检测 | 较高 | 偏慢 | 一般 | 离线分析可以，实时不现实 |
| SSD | 中等 | 中等 | 一般 | 小目标容易漏检 |
| YOLOv3 | 中高 | 中等 | 中 | 小目标有所改善，工程化一般 |
| YOLOv4 | 中高 | 较快 | 中 | 可以训练，但工具链分散 |
| YOLOv5 | 高 | 快 | 完善 | 小目标机制成熟，部署资料全 |
最终选YOLOv5，不是为了追新，而是它在数据分布适配、预训练模型、训练框架和部署导出之间，几乎全部打通。口罩检测的任务属性很明确，需要一个能快速迭代、快速测试不同输入尺寸和模型规模的框架，YOLOv5正好满足。
2. 从模型骨架看YOLOv5对口罩目标的适配逻辑
2.1 CSP结构带来的特征表达变化
YOLOv5的主干网络采用了跨阶段局部结构，思路是把基础卷积层的输出拆成两条路径，一条经过密集卷积块，一条保持直连。两条路径在末端合并，既能加深梯度反传的路径，又控制了整体计算量。对口罩检测来说，这个结构带来的实际影响是：模型可以在同一层特征里同时看到“口罩区域的纹理细节”和“人脸轮廓的上下文”。
很多人以为口罩检测靠的是颜色，比如白色口罩、蓝色口罩在肤色前比较显眼。但实际监控画面里，黑色口罩、迷彩口罩、深色防晒口罩都有可能出现，光照一变，颜色特征非常不可靠。跨阶段结构里保留直连路径，相当于给网络留了一条跨层的信息通道，让它更倾向去学习边界、纹理这些结构信息，而不是只依赖颜色。这也是为什么经过充分训练的YOLOv5模型，在彩色口罩上的表现往往比预想中更好。
2.2 多尺度预测与小目标检测机制
口罩检测里最难处理的是小目标。监控相机的安装位置一般较高，人脸在画面中可能只有二三十个像素宽。YOLOv5把预测头放在三个不同尺度的特征图上，其中下采样倍数较小的那一层特征图保留了更多细节，专门负责小目标。这个机制从结构上保证了小目标不会被主特征图“淹掉”。
除了多尺度，锚框也是影响小目标检测的一个重要因素。YOLOv5默认带有通用锚框，但口罩目标的长宽比与通用目标差异不大不小，最好基于自己的训练集重新做一次聚类。我在一次试验中对比过默认锚框和重新聚类锚框，重置之后验证集mAP从0.86提升到0.88。这个提升幅度不算惊人，但在真实场景里可能意味着漏检率的明显下降。注意，锚框聚类要用自己的标注框数据来算，不要直接拿别人项目的锚框文件。
2.3 损失函数和训练稳定性的关系
边界框回归损失上，YOLOv5使用的是CIoU，它同时考虑了重叠程度、中心点距离和长宽比一致性。口罩目标的边界其实是模糊的，口罩和肤色的交界经常会出现混叠，如果只用坐标差异来算损失，训练早期很容易出现框抖动。CIoU因为把几何一致性纳入了优化目标，整体训练过程更稳，最终框的位置也更贴合目标。
分类损失方面，YOLOv5用的是BCE，并配合自适应的正负样本分配。简单来说，每个真值框周围有几个候选锚点会被标为正样本，正样本数量是动态调整的。对于口罩这类前景占比较小的任务，这个机制可以避免网络被大量背景带偏。训练稳定性上，YOLOv5还做了学习率warm-up，刚开始的几轮学习率从小往大升，避免模型在一开始就跑进奇怪的方向。
3. 数据准备：决定口罩检测项目成败的关键环节
3.1 数据规模、来源与场景覆盖
先给一个直接结论：口罩检测常见类别数一般是2类或3类。2类就是“戴口罩 / 未戴口罩”，3类多加一个“未戴好”。训练数据规模上，2类任务四到六千张标注图可以起步；3类任务建议至少八千到一万张。很多人觉得这个数量太多，但实际碰到的问题恰恰在数据量少、场景单一。
公开的口罩检测数据集很多，优点是标注质量不错、类别明确，适合快速验证模型。缺点也很现实：绝大多数来自手持相机或网络图片，视角集中在正脸，而真实监控是俯视视角，还有逆光、暗光、侧脸、低头、遮挡等复杂情况。直接拿公开数据训练，验证集mAP能到0.8以上，一上现场就现原形。我在一次漏检问题排查时，把测试集中的失败样本翻了一遍，发现绝大多数不是模型结构问题，而是训练数据里压根没有这种角度和光照的样本。
所以自建数据是绕不开的。不用一上来就追求几万张，先把场景覆盖到位更重要：室内均匀光、户外逆光、夜间低照度、头顶俯拍、人员密集排队、同时戴帽子和眼镜、老人与儿童。每个场景给五六十张能做标注的图，就能明显改善模型在对应场景下的表现。
3.2 标注规范：边界框的“贴边”怎么处理
数据标注看起来技术含量不高，但恰恰是口罩检测项目里最容易出问题的环节。最大的分歧点在于：边界框到底框住口罩区域，还是框住包含口罩的人脸区域？我自己的经验是，如果任务目标是判断“人戴没戴口罩”，应该框住包含口罩的整个头部区域。
理由很直接：模型需要同时看到口罩和周围面部特征才能作出稳定判断。如果只框口罩区域，模型会倾向于把口罩当做一个纹理斑块来识别，遇到口罩颜色和背景相近时就容易漏检；框住头部整体，模型学到的“人脸+口罩”的整体结构更稳健。标注口径不一致，是训练集统计没问题但模型行为怪异的常见原因。
另一个细节是截断目标的标注。画面边缘的人脸经常会有一半超出图像边界，如果严格只标可见部分，模型会被迫学习一个“截断框”的分布，反而带偏。我的做法是，边缘目标按完整语义区域标注，即使框延伸出图像边界也没关系。单独验证这个规则之后，图像边缘人员的召回率有明显提升。一个小改动，效果往往比调整多次网络结构还明显。
3.3 数据增强与类别不平衡
YOLOv5默认开启Mosaic增强，把四张图拼接成一张来训练。这个增强对小目标特别有利，因为它变相把目标“缩小”了，让模型在训练时看到更多小尺寸的口罩目标。我的经验是保留Mosaic，但在类别不平衡比较严重时，把Mosaic概率稍微调低一点，避免增强后的合成图形状怪异，反而引入额外噪声。
类别不平衡方面，口罩检测常见的是“未戴口罩”样本少，“戴口罩”样本多。如果不处理，模型对少数类的召回率会很差。处理方式有两种：一是按类别设置损失权重，把少数类的权重调高；二是在采样时提高少数类图片的出现概率。这两种我都在项目里用过，效果上后者更直接，但我更推荐先用数据层面平衡，再动训练参数，因为参数调节盲目性大，容易引入别的副作用。
4. 训练全流程：版本选择、参数配置与调参记录
4.1 环境与版本的取舍
YOLOv5开源社区的版本迭代比较快，但我的建议是固定某个向后兼容性较好的历史版本，不要频繁跟随更新。不同版本之间的数据增强、锚框计算和导出流程可能都存在差异，今天能用，明天拉完新版本可能反而跑不通。第一次接触这个任务的读者，建议直接用当时主流的稳定版本，并记录下自己的环境信息：深度学习框架版本、显卡驱动版本、计算加速库版本。这些信息不匹配时，最典型的表现就是训练中途报错，排查起来很浪费时间。
4.2 一套可直接上手的基线参数
下面这套参数是多次试验后比较稳妥的基线配置，适合大部分口罩检测场景。
| 参数名称 | 推荐值 | 说明 |
|---|---|---|
| 输入尺寸 | 640 × 640 | 小目标特别多时可试1280，但耗时和显存翻倍 |
| 批量大小 | 32 | 显存不够则降到16，学习率相应调整 |
| 优化器 | SGD | 带动量的SGD在检测任务上更稳 |
| 初始学习率 | 0.01 | 使用warm-up后从0开始慢慢升 |
| warm-up轮数 | 3 | 预热轮数，稳定早期训练 |
| 总训练轮数 | 100~150 | 小数据集可适当增加到200 |
| 标签平滑 | 0.1 | 对类别不平衡有一点缓解作用 |
| 少数类权重 | 按需调整 | 建议在数据平衡后再动，别一开始就调 |
特别提醒一下，输入尺寸是一个经常被忽略的杠杆。口罩目标小，把输入从640提升到960或1280，很多时候直接提升小目标召回率。但代价是显存占用、训练时间和推理时长都会明显上升。我的习惯是先用640快速验证数据有没有问题，再针对小目标场景试更大输入，而不是一上来直接开大分辨率。
4.3 训练曲线中的典型“病态”
训练过程中最常见的一种情况是，训练loss一直在降，验证集mAP却纹丝不动甚至更差。这多半是过拟合，而且问题出在数据侧。处理顺序是这样的：先把Mosaic增强概率降下来，看看验证集有没有变化；再看标注口径是否统一；最后才考虑换模型或加正则。我之前在某个项目里就是被增强参数坑过，Mosaic比例过大导致模型学到了拼接形态的伪特征，验证集mAP只有0.8出头，关掉Mosaic之后直接涨了0.03。
另一种让新手困惑的现象是前几个epoch的mAP为0。这不一定需要紧张。YOLOv5训练早期正负样本分配还在调整，损失波动剧烈是正常的，一般到warm-up结束后曲线会快速下降。如果到第20个epoch mAP仍为0，再去检查标签文件和类别编号对应关系。标签类别编号反了也是新手最容易犯的错误之一，检查时优先看验证集预测框的类别名称是否正确。
5. 评估指标之外的部署环节：mAP高不等于能上线
5.1 推理速度才是真正的硬门槛
模型训练完，很多人盯着mAP和F1看，但部署时最先卡住人的往往是推理延迟。YOLOv5家族里有s、m、l、x几种规格，规模越大精度越高，速度也越慢。我实测下来，在边缘设备上用YOLOv5s，中等分辨率输入，单帧推理可以做到几十毫秒；换成YOLOv5l，精度提升有限，但推理时间可能要翻两三倍。对戴口罩检测这种实时监控场景，帧率的要求通常在15FPS以上，如果检测结果达不到这个速度，整个业务设计都要重新考虑。
推理延迟不只是网络本身的问题。后处理，尤其是非极大值抑制，在目标多的时候也可能占掉很大一部分时间。我在一次优化中把一些检测框合并逻辑从后处理中抽出来单独实现，整体耗时下降了大约30%。后来再深入看，发现很多框架自带的后处理对CPU设备的优化程度其实一般，必要的时候值得自己单独排查。
5.2 现实环境的鲁棒性：光线、遮挡与运动
在测试集上表现良好的模型，进入现场后通常会出现几个固定类别的失败。第一是暗光环境。晚上或楼道里的低照度画面，口罩和肤色对比度很低，模型很容易把深色口罩漏掉。数据增强里加入亮度扰动可以缓解，但真正稳妥的办法是在训练集里加入真实夜视、红外画面。第二是部分遮挡。医疗场所的防护面屏、安全帽、围巾都可能把口罩或脸部轮廓挡掉一部分，这类样本在常规数据集里很少，需要主动补充。第三是运动模糊。人员快速通过闸机或摄像头画面晃动时，一张运动模糊图上可能连人眼都看不清，检测模型漏检也算正常。遇到这类问题，先从业务侧看能不能通过安装位置和补光解决，不一定非要靠模型硬扛。
5.3 模型轻量化与部署优化
部署阶段，模型轻量化是一条明确的路。常见做法是把训练好的权重导出为中间格式，再转换到推理引擎，用半精度或INT8量化来加速。半精度一般不会带来明显精度损失，在支持对应指令集的设备上速度收益很直接；INT8量化压缩更狠，速度提升更明显，但精度波动需要重新在验证集上评估，尤其是小目标口罩检测，量化后容易掉点。我在一次部署中对比过，INT8量化后推理速度快了接近一倍，但小目标召回率下降了3个百分点。如果业务对口罩漏检很敏感，我宁可保留半精度，把调优精力花在数据上，而不是为了速度牺牲召回。
另一个容易被忽略的部署优化是输入分辨率和检测阈值。把输入从1280降到640，速度能快很多；把置信度阈值从0.25提升到0.4，误检会明显减少，但漏检可能增加。每个项目都要根据现场视频重新标定这个阈值，而不是直接用默认值。这类设置对最终业务效果的影响，往往比换一个更大的模型还要明显。
6. 现有方案的局限与后续可探索方向
6.1 “检测框”不等于“合规判定”
YOLOv5输出的是一个矩形框和类别置信度，它能告诉你画面里这个人“被判定为戴了口罩”，但没法保证口罩真的遮住了口鼻。有人口罩只罩着嘴、鼻子整个露在外面，从正面看检测框和类别可能仍然是“戴了”。要解决这个问题，不能只靠目标检测，还要在检测框基础上加一个语义粒度更细的分类器，或者单独训练一个将人脸关键点与口罩区域对齐的模型。我在实际项目中补过一层后处理规则：当检测置信度高但口罩区域与嘴部关键点的重合度较低时，自动降级为“未戴好”。这当然增加了复杂度，但从业务验收角度来说，这层补盲基本是必须的。
6.2 后处理与多模型组合的思路
单一模型期望把所有复杂情况都解决，往往会过度训练、过拟合。更实用的方案是多模型组合：先用YOLOv5把画面里的人脸区域全部检测出来，再用一个更轻量的口罩分类器对每个区域进行二次判断。人脸检测器的任务是找全人，口罩分类器的任务是判断状态，两个模型各干各的，职责边界清楚，更容易调优。这种方法的特点是集成门槛不高，但能明显降低口罩颜色与环境颜色相近时的误检。我在这类组合里还接入了简单的目标跟踪，对同一目标跨帧打分后再输出最终状态，这样单帧漏检不会直接导致一次误告警，业务侧的稳定性会好很多。
6.3 从YOLOv5向新一代模型的迁移思考
YOLOv5本身很成熟，但它的方法论也在被更新的架构吸收。新一代检测模型，在主干网络、注意力机制、无锚框检测头等方向做了不少改进，对小目标、遮挡目标的处理能力也更强。如果是从零开始的新项目，可以先把YOLOv5跑通作为基线，再用同样的数据去试新模型，对比mAP、速度和部署成本。不过我的建议是不要为了“新”而换，口罩检测场景的收益往往来自数据和后处理层面的细节，模型结构带来的提升通常远小于数据分布修正和部署适配带来的提升。
从更长远的角度看，口罩检测这类任务很可能不再单独存在，而是融入到通用的人脸属性识别、人体结构化描述等框架里，成为其中一个属性分支。届时目标的重点就不再是单独检测口罩，而是如何把口罩状态和人脸识别、人流量统计等能力在一个统一框架下高效整合。作为从业者，我的体会是：不管是做综述还是做项目，都要把时间和算力投在数据、评测闭环和部署工程上，因为在真实业务里，这些环节决定最终能不能落地。
