深度学习框架目标检测算法YOLOV8模型如何训练 楼道楼梯障碍物检测 数据集通道障碍物识别 / 安全巡检楼梯障碍物检测数据集 楼梯杂物数据集 楼道杂物数据集的应用与训练

楼梯间通道障碍物数据集（1226张）

数据格式：YOLO标注（txt）
类别数量：1类（corridor_mess）
适用方向：目标检测 / 通道障碍物识别 / 安全巡检
数据特点：场景真实、标注规范，可直接用于YOLO系列模型训练

提供内容：图片 + 对应txt标注文件

1

📂 第一步：数据集目录结构整理

文件目录结构如下（YOLO标准格式）：

StairCase_Dataset/ ├── images/ │ ├── train/ # 放入约 980 张图片 (80%) │ └── val/ # 放入约 246 张图片 (20%) ├── labels/ │ ├── train/ # 对应 train 图片的 .txt 标注文件 │ └── val/ # 对应 val 图片的 .txt 标注文件 └── stair_config.yaml # 配置文件 (见下文)

📄 配置文件 (stair_config.yaml)

新建一个名为stair_config.yaml的文件，内容如下：

# 数据集根目录路径 (根据你实际存放位置修改，可以是绝对路径)path:./StairCase_Dataset# 训练集和验证集图像子目录train:images/trainval:images/val# 类别数量 (只有1类)nc:1# 类别名称列表names:0:corridor_mess

💻 第二步：YOLOv8 专用训练代码

这段代码针对小样本（1000+张）和单类别场景进行了优化：

1. 输入分辨率提升：默认640可能漏检远处小杂物，提升至768。
2. 增强策略调整：楼道光线变化大，增强了亮度/对比度扰动；禁止上下翻转（杂物不会在天花板上）。
3. 预训练权重：加载 COCO 预训练模型，加速收敛。

# file: train_stair_model.pyfromultralyticsimportYOLOimporttorchimportosdeftrain_stair_obstacle_detector():print("🚀 开始训练楼梯间障碍物检测模型 (YOLOv8)...")# 1. 加载预训练模型# 推荐: yolov8n.pt (速度快，适合部署) 或 yolov8s.pt (精度稍高)# 对于1200张数据，n版本通常足够，且推理更快model=YOLO('yolov8n.pt')# 2. 开始训练results=model.train(# --- 基础参数 ---data='stair_config.yaml',# 数据集配置文件路径epochs=100,# 训练轮次 (小数据集100轮通常足够)imgsz=768,# 输入尺寸 (调大以检测远处小物体)batch=16,# 批次大小 (根据显存调整，显存小可改为8)device='0'iftorch.cuda.is_available()else'cpu',# 自动使用GPUworkers=4,# 数据加载线程数project='runs/stair_detect',# 结果保存目录name='stair_yolov8n_exp1',# 实验名称exist_ok=False,# 如果存在是否覆盖# --- 优化器参数 ---optimizer='SGD',# SGD在小数据集上泛化性通常优于Adamlr0=0.01,# 初始学习率lrf=0.05,# 最终学习率 (lr0 * lrf)momentum=0.937,weight_decay=0.0005,# --- 数据增强 (针对楼道场景优化) ---augment=True,hsv_h=0.015,# 色调微调 (模拟不同灯光色温)hsv_s=0.7,# 饱和度增强 (模拟新旧杂物颜色差异)hsv_v=0.4,# 亮度增强 (关键！模拟楼道灯坏掉或夜间昏暗场景)degrees=0.0,# 旋转角度 (楼道是水平的，不需要大角度旋转)translate=0.1,# 平移scale=0.5,# 缩放 (模拟不同距离的障碍物)shear=0.0,perspective=0.0,flipud=0.0,# 【重要】禁止上下翻转 (杂物不可能在天花板上)fliplr=0.5,# 允许左右翻转mosaic=1.0,# Mosaic增强 (模拟多个杂物堆积，提升鲁棒性)mixup=0.05,# 轻微Mixup# --- 训练策略 ---patience=20,# 早停机制 (20轮指标不提升则停止)save=True,save_period=-1,# 每个epoch都保存权重verbose=True,seed=42,# 固定随机种子，保证结果可复现deterministic=True,# 确定性模式single_cls=True,# 【重要】强制单类模式，优化损失函数计算rect=False# 关闭矩形训练，使用随机形状增加鲁棒性)print(f"✅ 训练完成！最佳模型路径:{results.save_dir}/weights/best.pt")# 3. 验证模型性能print("📊 正在验证模型精度...")metrics=model.val()print(f"🎯 mAP50:{metrics.box.map50:.4f}")print(f"🎯 mAP50-95:{metrics.box.map:.4f}")# 4. 导出模型 (可选，用于C++/Android/Web部署)# model.export(format='onnx', simplify=True)# print("💾 模型已导出为 ONNX 格式")if__name__=='__main__':# 检查环境ifnotos.path.exists('stair_config.yaml'):print("❌ 错误：未找到 stair_config.yaml 配置文件，请先创建！")else:train_stair_obstacle_detector()

💡 第三步：针对该项目的特别建议 (加分项)

如果你是将此用于课程设计或项目演示，注意以下几点可以显著提升效果：

1. 解决“误报”问题 (False Positives)

• 痛点：楼道里的消防栓箱、电表箱、常闭防火门是固定设施，容易被误检为“障碍物”。
• 解决方法：
  • 检查标注：确保你的1226张图片中，只标注了自行车、纸箱、鞋柜等违规移动物体，千万不要标注固定的消防设施。
  • 负样本训练：如果模型依然误报消防箱，找一些包含消防箱但没有杂物的图片，放入images/train文件夹，但不要生成对应的.txt标签文件。这会告诉模型：“这里有消防箱，但它不是corridor_mess”。

2. 应对“暗光”环境

• 痛点：很多楼道感应灯不亮，画面极黑。
• 代码已优化：上述代码中设置了hsv_v=0.4，这会在训练时随机把图片变暗，强迫模型学习黑暗中的轮廓特征。
• 进阶方案：如果实际效果不好，可以在推理前加一个简单的图像增强预处理（如直方图均衡化或伽马校正）。

3. 部署逻辑优化 (去抖动)

在实际演示时，不要检测到一帧就报警，摄像头抖动会导致数值跳变。

• 逻辑：连续N帧(例如 10 帧，约0.3-0.5秒) 都检测到障碍物，才触发报警/截图。
• 代码思路：

  detection_count=0threshold=10# 连续10帧forframeinvideo_stream:results=model(frame)iflen(results[0].boxes)>0:detection_count+=1else:detection_count=0ifdetection_count>=threshold:print("⚠️ 警告：检测到楼道障碍物！")# 执行报警逻辑