企业官网建设流程全解析

简介：面向计算机视觉开发者与算法研究者的自制行人检测数据集，基于国内某高铁站监控视角制作，采集真实排队场景，适合用于训练和评估YOLO等目标检测网络。资源包共9864个文件，包含4932张JPEG原始监控截图与4932个XML标注文件，标注由LabelImg完成、类别统一为“行人”，整体约947MB；压缩包内Annotations目录存放逐图标注信息，JPEGImages目录存放原始图像，结构清晰，方便直接接入训练流程。此外附带拍摄原视频，可用于连续帧行为分析和追踪性能验证。目前已有703人学习下载。该数据集样本量充足、场景真实，覆盖复杂背景、遮挡和光照变化等情况，有助于提升模型在智能安防、客流统计等现实任务中的鲁棒性，是算法验证与毕设实践的实用基础资源，可作为算法对比与论文实验的基准数据。 做监控场景下行人排队检测这个方向，最早遇到的坎就是数据集。公开集里行人检测的很多，但专门针对“排队”这一行为的、且是国内监控视角的，几乎找不到现成的。国外那几个经典数据集，要么是水平视角拍的商场走廊，要么是稀疏人流，拿到国内地铁闸机、医院挂号处、景区售票口这种高密度、强遮挡、俯拍角度又刁钻的场景里，模型效果直接打骨折。所以我决定自己动手，从零搭一个“国内监控视角行人排队检测数据集”，这篇文章就把整个制作过程、踩过的坑、以及最终训练验证的完整路径展开聊聊。

这套数据集的定位很明确：用来训练“排队场景下的行人检测+排队状态判断”模型。适合下面几类朋友参考：一是要做智慧零售、客流统计、安防巡检这类项目的工程师；二是想用YOLO、RT-DETR或MMDetection训练自定义检测任务，但还没搞定数据构建的同学；三是对监控视频结构化感兴趣，想研究行人行为分析的研究者。我会尽量把从定义任务、设计标注规范、采集清洗、训练调参到效果评估的每个环节都讲透，保证你看完能直接照着搭一套自己的方案。

1. 内容整体设计与思路拆解

1.1 为什么公开数据集撑不起“国内监控排队”这个场景

先泼一盆冷水：公开数据集不少，但能直接用于国内监控排队检测的几乎没有。最常被引用的行人检测数据集，比如Mall Dataset、UCSD Pedestrian，拍摄角度多是平视或者轻微俯视，场景集中在国外商场、校园步道，人流的密度和排列方式跟国内早高峰地铁站排队完全是两码事。国内监控摄像头的典型架设高度在3到6米，镜头下压角度通常在30度到60度之间，画面里行人呈现的是明显的“头肩视角”，排队时人与人之间的前后间距很小、左右错位严重，遮挡是常态而不是个例。

这就带来三个核心挑战：第一，俯拍角度下人形外观变化大，平视数据集训练出的模型很容易把头顶和肩膀的轮廓错认成背景；第二，密集排队时人挨着人，检测框之间大量重叠，普通的NMS后处理会误删目标；第三，国内场景有大量特定元素，比如隔离带、一米线、闸机口、围栏，这些在公开数据集里几乎没有标注。所以无论从检测还是后续的行为判断来看，自建数据集都是绕不开的一步。

1.2 任务定义：检测排队行人，而不是只框出“人”

项目标题里写的是“行人排队检测”，我把它分成两层任务：第一层是密集行人检测，输出每个人的位置框；第二层是排队状态判断，判断哪些行人处于排队状态、哪些是路过或游离的。前者是目标检测的经典问题，后者我选择在检测结果基础上做规则判定——通过一条预设的“队列线”（从排队起始点到服务窗口）来判断行人是否处于队列区域内。

为什么不在模型里直接加一个“排队/不排队”的分类头？我试过，效果一般。原因是排队状态跟时间顺序强相关，单帧图像里一个人站在队列尾端和站在队伍旁边，视觉特征差异很小，强行用分类头去做，本质上是在让模型“猜”而不是“看”。更稳的做法是：检测框负责空间定位，队列线负责几何判定，两者结合后的状态判断准确率明显更高。这也是很多工业级客流分析系统的通用方案。

1.3 场景覆盖：要让模型见多识广

数据集的泛化能力取决于采集时的场景多样性。我最初只录了一个室内大厅的排队视频，训练出来后在另一个室外售票点测试，mAP直接掉了十几个点。后来重新规划采集，把场景拆成四个维度：室内（医院/银行/食堂）、室外（景区/车站广场）、半封闭（地铁闸机口/安检通道）、以及不同光照时段（白天自然光、傍晚混合光、夜间红外模式）。如果条件有限没法多场地采集，至少也要保证同一场景下覆盖多时段、多机位角度，否则模型很容易把某个场地的背景纹理学进去，换个地方就失灵。

2. 数据采集、清洗与预处理全流程

2.1 采集设备与合规注意点

我用的采集设备其实很普通：海康的4MP网络摄像头，架在三脚架上模拟监控视角，高度大约3.5米，镜头俯角约45度，焦距手动调到能覆盖约8米长的队伍。有条件的可以直接用支持RTSP的摄像头接入NVR录制，能顺便保留时间戳和原始码流，方便后续按时间段分析。没有硬件条件的话，用手机架在高处录制也行，但要注意画面必须稳定、不能用运动镜头，因为监控场景是固定的视角。

这里必须提醒一句合规问题。监控视频涉及个人隐私，自制数据集时如果画面里有清晰的、可识别的人脸，一定要在发布前做人脸模糊处理，或者干脆在采集时让参与人员签署知情同意书。我自己是安排同事、朋友扮演行人，在明确的告知前提下进行录制，这样后期发布、开源都不需要担心肖像权纠纷。另外不要直接去网上抓监控录像来标注，来源不明数据既容易侵权，也可能卷入法律问题。

2.2 抽帧策略：不要按固定间隔无脑抽

很多人做视频数据集时喜欢每10帧抽一帧，但实际效果很差。排队场景的行人运动非常缓慢，连续帧之间几乎没区别，抽出来的是大量近似重复帧，不仅浪费标注时间，还会让训练集高度自相关，造成过拟合。我采用的是“按动作变化抽帧”：先用光流或帧差法算出每帧的运动量，只在运动量超过阈值的帧里随机抽取；对于排队队列基本静止的时段，则每隔3到5秒抽一帧。

具体来说，我写了一段小脚本处理原始录像。核心逻辑是：对视频每15帧计算一次帧间绝对差均值（mean absolute difference），如果大于设定阈值，就把当前帧加入候选池；如果小于阈值，就丢弃。然后从候选池里按目标数量（比如想要2万张有效帧）均匀采样。这样既保留了排队过程中的瞬时遮挡、插队、人员进出等关键变化，又避免了大量剪影完全一样的冗余帧。

2.3 清洗环节：这些帧必须删

抽完帧后不要急着标注，先花半天时间做人工清洗。我总结了几类必须删除的帧：严重过曝或欠曝导致行人轮廓丢失的；镜头被遮挡的（比如有人从摄像头面前走过）；画面中排队人数少于3人、完全没有排队结构的长镜头；以及模糊帧——尤其是夜间红外开启时，行人快速移动会产生拖影，这种框就算标了模型也学不到有效特征。清洗后的数据量通常会缩水20%到30%，这是正常的，宁缺毋滥。

清洗时我还会按场景和时间段做一次分层统计，确保每个子目录下的样本数不悬殊。比如上午场景有8000帧，夜间红外只有1500帧，那我会在采样时对夜间段做加权，避免模型在夜间模式上彻底失灵。

2.4 数据增强：合理增强，别把监控视角搞乱

训练阶段的数据增强能明显提升泛化能力，但要结合监控视角做取舍。水平翻转、随机亮度对比度、高斯噪声、随机缩放擦除都是靠谱的增强方式，我每轮训练都会用。但有两个增强要慎用：一个是大幅旋转，监控画面里的地平线、门框、柜台方向是有物理意义的，旋转超过15度会产生不真实视角，模型容易学到奇怪的对齐关系；另一个是任意角度裁剪，建议限制在水平方向做平移或小范围缩放，垂直方向尽量不要动，因为俯拍画面里人形的大小和它在图像中的位置（远处小、近处大）是强相关的，破坏了这种关系反而有害。

3. 标注规范与实操细节

3.1 标注工具选型：从LabelImg到X-AnyLabeling

早期我用LabelImg，它对VOC格式支持好，操作简单，但纯手动标注密集排队场景非常痛苦——队伍里20个人，每个人都要在重叠遮挡的情况下框出准确边界。后来换成X-AnyLabeling，最大优势是支持加载YOLO预标注模型跑“自动标注”，先让模型给出初框，人工只做调整，效率提升了三倍以上。具体做法是：先用一个在COCO上预训练的YOLOv8l行人检测模型跑一遍所有抽帧图像，导出YOLO格式的初标框，再在X-AnyLabeling里加载初标结果逐帧修正，删除误检、补全漏检、调整框的大小和位置。

3.2 类别设计：不是只有“人”一个类

虽然任务名叫“行人排队检测”，但实务里我不建议只标person一个类。我最终的类别体系是三个：

• person：队列中的行人，包括正在排队和短暂停留的人员。
• queue_line：排队路线参考线，从队首服务区延伸到队尾，用折线标出。它是后续判断排队状态的关键几何依据。
• queue_area：排队区域框，标出队伍允许存在的范围。这个类主要用来过滤误检——如果检测框中心落在queue_area之外，就判定为非排队人员。

增加queue_line和queue_area两个类的好处是让几何判定有明确的锚点，而不是靠手工画一条固定直线。不同摄像头架设角度下，同一个排队的“队列线”应当由标注来定义，而不是在代码里硬编码。如果你觉得三个类太繁琐，至少也要保留person和queue_line两个类，否则后续做排队状态判断时会非常被动。

3.3 密集遮挡场景的标注要领

密集排队中标注最大的难点是遮挡。我的标注原则是：只标注可见部分的实际边界，不臆测被遮挡的肢体。比如排在队尾的人半个身体被前面的人挡住，框就应该贴着可见的肩膀和头部区域画，而不是脑补整个人的轮廓。这样训练出来的检测器对遮挡反而更鲁棒，因为在监控俯拍视角下，模型本来能看到的就只是头肩和上半身，强行标全身框只会引入大量噪声。

另一个经验是，距离摄像头远的人（画面顶端）框要尽量精确，哪怕只有几十个像素也要标。很多人在标注时觉得远处小人不容易看清就跳过，结果模型在远端漏检极其严重。这是影响mAP的大坑，务必让标注人员专注把每个小目标标全。

3.4 标注质检与数据统计

标注完成后，我建议做一轮“双人复核”——不是让第二个人从头看一遍，而是只抽查容易出错的帧：比如人数大于15人的密集帧、遮挡超过50%的帧、以及队列线横跨整幅画面的帧。抽查比例在10%到15%之间就行，重点检查漏检和框偏。

最终我的数据集统计大概是这样：有效图像共21240帧，标注person框约173500个，queue_line标注约8240条（每条是连续折线），queue_area约7960个。类别数量上person占绝对多数，所以在训练时我会对queue_line和queue_area适当提高loss权重，或者用过采样来平衡，否则模型会倾向于忽略这两个类。

4. 模型训练与效果验证

4.1 数据格式转换与目录结构

标注工具导出的是JSON格式（X-AnyLabeling默认），我需要转成YOLO训练用的txt格式。转换时要注意坐标归一化：YOLO的每个物体标注行是“class_id x_center y_center width height”，全部用0到1的小数表示。我写了一个简单的转换脚本，核心逻辑如下：

import json import os def convert_labelme_to_yolo(json_path, out_dir, class_map): with open(json_path, 'r', encoding='utf-8') as f: data = json.load(f) img_w, img_h = data['imageWidth'], data['imageHeight'] lines = [] for shape in data['shapes']: label = shape['label'] if label not in class_map: continue class_id = class_map[label] points = shape['points'] xs = [p[0] for p in points] ys = [p[1] for p in points] x_min, x_max = min(xs), max(xs) y_min, y_max = min(ys), max(ys) x_center = (x_min + x_max) / 2 / img_w y_center = (y_min + y_max) / 2 / img_h width = (x_max - x_min) / img_w height = (y_max - y_min) / img_h lines.append(f"{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}") base = os.path.splitext(os.path.basename(json_path))[0] with open(os.path.join(out_dir, base + '.txt'), 'w') as f: f.write('\n'.join(lines))

对于queue_line这种折线标注，我会在转换时把整条折线的外接最小矩形（min-area rectangle）转成检测框，保证它也能参与YOLO训练。虽然折线会被近似成矩形，但在实际推理时我的算法会重新读取标注的原始折线坐标，不会影响几何判定的准确性。

数据集目录结构采用最通用的YOLO格式，训练时方便直接套用ultralytics：

datasets/queue/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml

划分比例我是8:1:1，但划分时严格按“视频片段”分组，而不是按帧随机划分。否则同一个视频的相邻帧会同时出现在训练集和验证集里，验证指标会虚高，部署后直接露馅。

4.2 训练参数与调优记录

我用的是YOLOv8m轻量版，输入分辨率640×640，batch size 16，初始学习率0.01，cosine衰减，训练150轮。显卡是单张RTX 3090，整个过程大约需要5个小时。这里要强调一个参数：mosaic增强的开启会有帮助，但在密集人群场景下，mosaic拼接产生的图像边界会把行人切成两半，导致部分目标框面积过大或过小，所以我设置mosaic=0.5，随机对一半的样本应用，而不是默认的1.0。

另一个关键参数是NMS的IoU阈值，我从默认的0.45调到了0.3。因为密集排队时两个人靠得太近，检测框的重叠程度很高，默认阈值会把其中一个框抑制掉，导致漏检。调低阈值后，重叠的目标更容易被保留，但随之而来的是误检增加，所以我还加了置信度阈值0.35作为平衡。实测下来mAP@0.5提升约2.3%，F1从0.81升到0.84。

4.3 排队状态判断的逻辑实现

模型输出检测框后，我用这样一个状态判断流程：首先把queue_line从图像坐标转成一条直线方程，然后计算每个person检测框中心点到这条线的垂直距离。如果距离小于设定阈值（我这边取30像素），同时检测框的底部与队首服务窗口的水平距离小于某个值，就判定为“排队中”，否则标记为“非排队”。这套逻辑简单直接，效果稳定，而且不依赖特殊后处理库。

如果场景里有多个服务窗口和多条队列，可以给每条队伍分配独立的queue_line和queue_area，然后逐个计算。只要数据集的标注没有交叉混乱，这个方案做多队列检测也完全可行。后来我还加了时序稳定性约束——用队列序号和最近N帧的平均位置做卡尔曼跟踪，避免单帧抖动造成状态误切，这属于工程优化，可以根据需要再展开。

4.4 实测效果与误差分析

在自己的测试集上（完全未参与训练的独立监控片段，共2600帧），最终效果是：person类的mAP@0.5达到0.872，mAP@0.5:0.95为0.601；queue_line类mAP@0.5为0.794。排队状态判断的准确率在室内固定机位下约91%，在室外多变光线下约83%。有个明显的误差来源是夜间红外场景，人形轮廓和背景对比度低，模型在夜间段的mAP只有白天的七成左右。后来我专门补了一批红外模式的数据，并加入随机亮度扰动加强，夜间段的mAP才拉回到白天的85%以上。

5. 常见问题与排查技巧实录

5.1 密集人群漏检严重

如果发现测试时队伍中部的人总是检测不到，先检查两件事：一是NMS阈值是否过高，优先把NMS IoU阈值从0.45调到0.3附近；二是训练时mosaic增强是否把完整的人形切碎，导致模型对小而完整的行人反而敏感度下降，这种情况把mosaic调到0.5以下或不启用。如果仍然漏检，可以尝试在标注里补充中远景小目标的“头肩区域框”，这类目标完整身体框非常难学，但头肩框特征更清晰、更容易收敛。

5.2 queue_line类训练不收敛

有朋友跑我的方案时反馈queue_line一直学不好。排查下来发现是数据格式的问题：X-AnyLabeling导出的折线，转换为矩形框时因为折线跨度太大，生成的矩形几乎覆盖全图，class imbalance直接爆炸。解决办法是不要把整条队列线转成一个框，而是把折线按断点切分成多段短线段，每段生成一个小矩形框。这样参与训练的queue_line目标数量大幅增加、形状也更规则，收敛速度明显改善。

5.3 跨场景泛化差

训练集和测试集都来自同一个大厅，模型指标很好看；一换到另一个排队场景就拉胯。这种情况说明模型把背景纹理和光照当成了关键特征。应对思路是增强训练数据的场景多样性，如果实在没有条件，可以把原始图片做HSV随机扰动、随机背景替换、以及把高光区域做局部遮挡。我见过有团队用风格迁移生成不同天气模拟图，也能有效提升泛化能力，但训练成本较大，作为后期优化手段更合适。

5.4 标注效率太低，总是来不及

长时间纯手动标注密集人群，速度是每小时200到300框，整个数据集做下来人的精力会被榨干。我的经验是先跑一轮通用行人检测模型做预标注，再人工修正；对于排队这个具体任务，还可以先把queue_area标出来，在这个区域外的行人一律不标，减少无效标注量。如果预算允许，界面化标注工具和预标注流程配合使用，是当前自建数据集性价比较高的方案。

6. 踩坑总结与后续扩展

做这个数据集的过程里，最深的体会是“任务定义先行”。如果一开始没有把“行人检测”和“排队状态判断”这两层任务拆开，我大概率会在标注类别上进行无休止的纠结：是否要把插队的人单独设类，是否要把服务窗口也标成物体，这些问题全被前面的清晰方案解决了。建议所有想自建数据集的朋友，第一周不要打开标注工具，先写清楚任务文档、类别定义和判断逻辑。

另一个心得是所有环节都要留日志。采集视频的时段、抽帧参数、清洗规则、标注版本、训练参数，每一步改动都能回溯。AI项目最怕的不是效果差，而是效果变好了却不知道哪个环节起了作用，效果变差了也不知道改了什么导致的。

这个数据集的后续扩展方向我认为有两个很值得做：一是增加长时间连续片段的标注，让模型结合时序信息直接输出排队时长和队伍长度变化曲线，这对商场、医院管理特别有价值；二是引入多机位协同，把两个相邻摄像头的队列线拼接起来，解决长队超出单一画面视野的问题。数据集的构建不是一个一次性工作，它更像是一个持续迭代的基础设施，越到后期越能看出前期细节打磨的价值。

本文还有配套的精品资源，点击获取