企业官网建设流程全解析

简介：Visdrone2021-CC人群计数数据集是VisDrone系列2021年版本中的专项资源，面向无人机视觉监控及计算机视觉研究人员，旨在解决高密度、复杂背景下的人群数量精确估计问题。压缩包共包含10854个文件，总大小约820MB，其中有7236张JPEG图像（涵盖RGB与热成像）、3616个XML标注文件及2个Python辅助脚本，图像覆盖不同光照、天气和人群密度场景，XML标注可直接用于训练检测或密度回归模型。资源附带的数据处理脚本支持图像增强与评估指标计算，可帮助研究者快速构建从预处理到模型验证的实验流程，结合热成像数据还能提升低光照或遮挡场景下的鲁棒性。目前已有1536人学习下载，适合作为无人机视觉人群计数算法研究、课题实验以及智能监控系统开发的参考数据。

1. VisDrone2021_CrowdCounting.rar：解压后先别急着跑，这个任务的本质是密度回归

解压 VisDrone2021_CrowdCounting.rar 之后，大部分人第一反应是找训练好的权重跑一遍测试集，然后卡在数据加载上。原因是 VisDrone2021 这套数据集的标注格式是目标检测的边界框，而 CrowdCounting 任务真正需要的是密度图：画面里每个可见人头对应一个高斯峰。无人机俯视视角下，密集人群的头部在图上互相重叠，检测框严重时会大面积漏检，算检测框个数或者直接统计检测目标都是不可靠的路线。这个压缩包的方向，是在 VisDrone2021 的俯视视频序列上训练一个端到端的密度回归模型，把每帧图像转成一张密度图，再对密度图求和得到人数。它适合两类人：一是做过检测但没接触过密度回归的工程师，二是刚拿到数据却找不到标注转换入口的开发者。真正决定项目成败的不是模型结构，而是把检测框标注转换成人头点、再变成可训练密度图的那一步，这篇文章就把这条链路完整拆开。

2. 人群计数为什么选密度图回归：从 VisDrone 的标注里挑出计数信息

2.1 密度图回归 vs 检测框计数：俯视密集场景的第一性原理

地面监控的人群计数，检测框方案还能勉强工作，因为人头之间有足够间距。但无人机挂高之后，视角变成俯视，人的头顶在成像面上是一个个小圆斑，密集时互相吞没。检测模型里的 anchor 匹配、NMS 合并、小目标阈值，每一步都在丢失人头。你在 VisDrone 上做检测会发现预测框数量比实际人头数少很多，这不是模型能力问题，是表征方式错了。

密度图回归换了一个思路：不判断“这里有一个人”，而是对每个像素输出一个人头密度值。训练时把每个人头中心点变成一个高斯核，真实地面图就是把所有人头的高斯核叠加起来；预测时对整张密度图求和，得到的就是人数。它的好处从根上避开了遮挡问题，两个人头在图像上重叠，高斯峰也重叠，但积分总量还是两个人，模型不需要分辨谁是谁。

数学上，密度图可以写成：

D(p) = Σ_i G_σ(p - p_i)

其中 p_i 是第 i 个人头中心点坐标，G_σ 是标准差为 σ 的高斯核。给定一张密度图，人数就是：

C = Σ_p D(p)

这套公式是后面所有代码的基础，VisDrone 的标注里没有 p_i，需要先从 bbox 里提取出来。

2.2 解析 VisDrone 标注文件：把 bbox 中心转成人头点标注

VisDrone 的标注是 txt 文件，每一行对应一个目标，字段用逗号分隔。包含帧号、目标 ID、bbox 的左上角坐标和宽高、score、类别、截断程度、遮挡程度、ignore 标志。做人群计数，最关心的是 frame、bbox 中心、类别和 ignore。

常见的 VisDrone 标注行：

1,1,639,402,80,120,1,1,0,0,0

第一个字段是帧号，第二是目标 ID，第三到第六是 bbox 的 left、top、width、height，第八个是类别。类别里 pedestrian 是 1，people 是 2，两者都要纳入计数。people 类在标注里表示“一群人”，框往往很大，直接取框中心当人头点会出错，这在后面会专门处理。

第一步先写一个解析脚本，把 bbox 中心转成“帧号 + 像素坐标”的点列表：

""" visdrone_to_points.py 把 VisDrone 的 bbox 标注转成人头点列表。 只保留 pedestrian(1) 和 people(2) 两类； ignore=1 的框直接丢弃，避免把低置信度目标当训练点。 输出格式: frame x y """ import os import glob from collections import defaultdict COUNTING_CLASSES = {1, 2} # pedestrian、people def convert_annotation(txt_path): points_by_frame = defaultdict(list) with open(txt_path, "r", encoding="utf-8") as f: for line in f: parts = line.strip().split(",") if len(parts) < 11: continue frame = int(parts[0]) obj_id = int(parts[7]) x1 = float(parts[2]) y1 = float(parts[3]) w = float(parts[4]) h = float(parts[5]) ignore = int(parts[10]) if obj_id not in COUNTING_CLASSES: continue if ignore == 1: continue if h < 5: continue # people 类是大框，只有小框可以当作单个人头 if obj_id == 2 and w > 48: continue cx = x1 + w / 2.0 cy = y1 + h / 2.0 points_by_frame[frame].append((cx, cy)) return points_by_frame def main(data_root, out_dir): os.makedirs(out_dir, exist_ok=True) for txt in sorted(glob.glob(os.path.join(data_root, "**", "*.txt"), recursive=True)): seq = os.path.basename(os.path.dirname(txt)) points = convert_annotation(txt) out_path = os.path.join(out_dir, f"{seq}.txt") with open(out_path, "w", encoding="utf-8") as f: for frame in sorted(points.keys()): for x, y in points[frame]: f.write(f"{frame} {x:.2f} {y:.2f}\n") print(f"{seq}: {sum(len(v) for v in points.values())} points") if __name__ == "__main__": main("./VisDrone2021/train/", "./points/train/")

这里几个过滤条件的逻辑要说明一下。h < 5 的框去掉，是因为一个人在图像里只有五六个像素高时，高斯核再小也会把相邻目标糊成一片，这类点对密度回归没有正面作用。ignore == 1 的框是标注方标记的低置信度或严重遮挡目标，不该作为训练监督信号。people 大框的过滤是要单独解释的：people 类本意是“给一群人一个大范围框”，一个框里可能有三五个人头，取中心当一个人头会让真实人数偏小；宽度超过 48 像素的 people 框直接丢弃，小于这个值的通常是单人靠近镜头的特殊情况，框中心基本等于人头中心。这个阈值会根据你的图像分辨率变化，用原图跑的话 48 可以作为起点。

解析脚本输出的点列表是接下来的数据基础，不要再回到原始标注去取框了，所有密度图都从点列表生成。

3. 把 VisDrone 的框标注变成密度图：两套生成脚本与参数选择

3.1 固定高斯核与自适应高斯核的选择

拿到人头点列表后，下一步是生成密度图。最简单的做法是给每个点固定一个 σ，比如 σ = 15，然后叠加高斯核。这个方案在人群稀疏、人头大小均匀的地面监控视频里够用，但放到 VisDrone 上很快会出问题。无人机画面里，近处的人头在图上占四五十像素，远处的人头只有六七个像素，固定 σ 会把远处的小头糊成一个平缓的大包，多个小头的高斯核叠在一起直接变成一个没有区分度的区域，密度图的总量尽管还在，空间分布已经完全错位，训练出来的模型只会“估个数”，不会“找人”。

解决方法是自适应高斯核，核心思想是人头越密、核越小：

σ_i = β · mean(d_1, d_2, d_3)

其中 d_1 到 d_3 是第 i 个人头到最近三个邻居的欧氏距离，β 是缩放系数。这个公式最早是人群密度估计的常见做法，用在 VisDrone 上的关键是要把 β 和上下限设对。

""" compute_adaptive_sigma.py 对每个点计算自适应高斯核的 sigma。 """ import numpy as np def adaptive_sigma(points, beta=0.3, k=3, min_sigma=2.0, max_sigma=20.0): pts = np.array(points, dtype=np.float32) n = len(pts) sigmas = np.ones(n, dtype=np.float32) * min_sigma for i in range(n): diff = pts - pts[i] # (n, 2) 所有点到当前点的偏移 dist = np.sqrt((diff ** 2).sum(axis=1)) dist[i] = np.inf # 自己不算邻居 nearest = np.sort(dist)[:k] sigma = beta * nearest.mean() sigmas[i] = np.clip(sigma, min_sigma, max_sigma) return sigmas

参数选择有实际依据。β 取 0.3 是大多数密集人群场景的默认值，因为近距离邻居的平均距离大概能反映人头之间的实际间隔，取三成作为高斯核标准差，出来的核既不会糊掉邻居，也不会变成孤立的尖点。当一帧超过 80 人、人头极度密集时，β 调到 0.2 会更稳；画面空旷、每帧只有二三十人时 0.5 反而更好。min_sigma 设为 2 是因为小于 2 像素的高斯核退化成单个像素点，模型几乎学不到有效梯度。max_sigma 设为 20 是因为无人机俯视场景里人头投影尺寸有限，σ 超过 20 后核的覆盖范围太大，会把稀疏场景里几个相邻的人头融成一个峰，密度图求和虽然还是那些人，但空间监督信号已经失真。

3.2 密度图生成脚本与归一化细节

有了每个点的 σ，就可以把点列表转成和原图一样大小的密度图。这个脚本建议在数据预处理阶段跑一遍，把所有帧的密度图存成 npy 文件，训练时直接读，省去 DataLoader 里重复计算的开销。磁盘占用会大一些，但能避免训练中断时重新算密度图的等待。

""" generate_density_map.py 按帧生成自适应高斯核密度图。 密度图和原图分辨率一致，保存为 npy。 """ import numpy as np import cv2 def render_density(image_h, image_w, points, sigmas): density = np.zeros((image_h, image_w), dtype=np.float32) if not points: return density pts = np.array(points, dtype=np.float32) for (x, y), sigma in zip(pts, sigmas): # 核尺寸取 6 倍标准差，并保证是奇数 size = int(sigma * 6) if size % 2 == 0: size += 1 kernel = cv2.getGaussianKernel(size, sigma) kernel2d = kernel @ kernel.T kernel2d /= kernel2d.sum() # 让核的积分等于 1 x0 = int(round(x - size // 2)) y0 = int(round(y - size // 2)) x1 = x0 + size y1 = y0 + size # 裁剪超出图像边界的部分 left = max(0, -x0) top = max(0, -y0) right = max(0, x1 - image_w) bottom = max(0, y1 - image_h) cut = kernel2d[top:size - bottom, left:size - right] x0 = max(0, x0) y0 = max(0, y0) x1 = min(image_w, x1) y1 = min(image_h, y1) density[y0:y1, x0:x1] += cut return density

这里有一个细节值得单独说：高斯核除以自身总和之后，单个核的积分是 1，多个核叠加后密度图的积分正好等于这一帧的总人数。这个性质是密度图方法正确性的基石，训练时损失函数拿预测密度图的积分去和真实人数比对才有意义。如果你把核归一化这一步漏了，每个核的实际面积是网格点数而不是 1，密度图积分会比真实人数大好几倍，MSE 一上来就下不去。

图像进模型之前通常要缩放到统一尺寸，密度图也必须同步缩放。最简单的处理是等比缩放短边到 960、长边不超过 1920，缩放时记住 scale 和原尺寸，对密度图用 cv2.resize 的 INTER_AREA 插值，同时把点坐标也乘上 scale。等比缩放后的密度图积分理论上不变，但插值会引入微小误差，严格的做法是缩放后重新对密度图做归一化：每张密度图除以自身总和、再乘以原图人数。这一步没那么玄，但能避免损失值在训练过程中出现意料之外的小幅波动。

4. 训练配置与损失函数：从零跑通一个无人机人群计数模型

4.1 骨干网络与关键训练参数：照抄能起跑的最小配置

密度图模型的主流选择还是 CSRNet 这条路线：用 VGG16 的前半部分做骨干，后面接空洞卷积扩大感受野，最后上采样回原图尺寸。原因很简单，VGG16 是经典特征提取网络，预训练权重容易拿到，人群计数的重点不在骨干的创新，而在密度图监督。无人机俯视画面里人头的纹理和自然图像的纹理共享边缘、颜色、梯度这些低级特征，直接复用 ImageNet 预训练权重，比从零开始训练少花至少一半时间。

""" crowd_counter.py CSRNet 简化版：VGG16 前段骨干 + 空洞卷积分支 + 双线性上采样。 """ import torch import torch.nn as nn from torchvision.models import vgg16 class CrowdCounter(nn.Module): def __init__(self): super().__init__() features = list(vgg16(pretrained=True).features.children()) self.backbone = nn.Sequential(*features[:23]) # 输出 512 通道，1/8 分辨率 self.head = nn.Sequential( nn.Conv2d(512, 256, 3, padding=2, dilation=2), nn.ReLU(inplace=True), nn.Conv2d(256, 128, 3, padding=2, dilation=2), nn.ReLU(inplace=True), nn.Conv2d(128, 64, 3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(64, 1, 1), ) self.upsample = nn.Upsample(scale_factor=8, mode="bilinear", align_corners=False) def forward(self, x): x = self.backbone(x) x = self.head(x) x = self.upsample(x) return x

features[:23] 取的是 VGG16 前四个卷积块，输出 512 通道的特征图，分辨率降为输入的 1/8。后面的空洞卷积 dilation=2 在保持 1/8 分辨率的同时扩大感受野，为的是让每个像素能看到更大范围的人群分布，这对无人机大场景尤其重要，人群往往是成片出现的。最后用双线性上采样把密度图拉回原图尺寸，是工程上的简化做法，效果足够；要更高精度就把上采样换成两层转置卷积，但参数量和训练时间都会上涨。

训练参数直接给一份能跑通的默认配置。

学习率分开设置是这里最值得注意的一点。backbone 已经包含成熟特征，lr 太大会把预训练权重冲掉，尤其是无人机视角图像和 ImageNet 自然图有分布差异，冲过头就看不到任何特征了。head 是新初始化的层，lr 大一个量级能加快收敛。我自己习惯把 backbone 的 dropout 也关闭，密度图任务不需要它对特征做随机置零。

4.2 损失函数：只盯 MSE 会让密度图变得模糊

经典的 CSRNet 只用 MSE，回归密度图的每个像素。MSE 的优点是收敛快，对极端误差敏感，但它有个副作用：模型发现把密度图整个压平、把所有峰值分给一片区域，MSE 也很小，因为积分总量对了。结果是密度图一片模糊，人数估算还行，真拿去做人群空间分布分析就废了。

实际落地时我更推荐 MSE + L1 的组合：

""" mixed_loss.py MSE 管总量，L1 管逐像素稀疏度，两者权重可调。 """ import torch.nn.functional as F def mixed_loss(pred, gt, w_l1=0.5): gt = gt.float() pred = pred.float() # 确保两个张量尺寸一致后再算损失 if pred.shape != gt.shape: pred = F.interpolate(pred, size=gt.shape[-2:], mode="bilinear", align_corners=False) mse = F.mse_loss(pred, gt) l1 = F.l1_loss(pred, gt) return mse + w_l1 * l1

MSE 对大误差敏感，L1 对每个像素的偏差都给出恒定梯度，不会像 MSE 那样对小数像素误差几乎无感。w_l1 取 0.5 起步，如果你的密度图出现明显模糊，把 w_l1 提到 1.0；如果出现密集区域过冲、稀疏区域被抑制，就降回 0.2。这个权重不需要调太多轮，对最终 MAE 的影响远小于数据过滤规则。

如果你还想让密度峰位置更准，可以在这个基础上叠加 SSIM 结构损失，但要注意密度图的数值范围不固定，叠加 SSIM 前需要先对 pred 和 gt 做 min-max 归一化，否则大值区域会主导整个梯度。第一版不建议加，把 MSE+L1 跑通再考虑。

4.3 从预训练权重起步：为什么不建议随机初始化

从头训练一个密度图模型在 VisDrone 上几乎不可能收敛。一方面数据量不够，无人机视角下的人群变化比地面视频更复杂，头部朝向、遮挡模式、尺度跨度都更大；另一方面密度图监督本身没有目标检测那种强定位信号，全靠大量数据堆出来。用 VGG16 预训练权重做初始化，相当于模型已经知道怎么提取边缘、纹理、形状，只需要学会把人头特征映射到密度。

如果 PyTorch 版本新到 pretrained 参数报错，就换成 weights="IMAGENET1K_V1"。加载过程要注意不要把你的 head 层参数算进去，只加载 backbone 的前缀。一个常见的坑是加载权重时报 size mismatch，原因是 head 里有几个 3x3 卷积的参数和 VGG 分类头同名，加载时对不上。用 strict=False 再手动检查 backbone 是否真的加载成功，别让加载错误被静默吞掉。

5. VisDrone2021_CrowdCounting 排查手册：5 个必须绕开的坑

5.1 ignore 区域被当成负样本

现象：模型预测的密度图在车辆、树荫、建筑边缘出现大片假峰，而且这些假峰不在任何标注人头附近。查训练数据发现这些区域像素很暗、纹理规则，模型把它们当成了“没有人”的区域来学习。

原因：VisDrone 的 ignore=1 表示该区域目标过小或不可辨认，不代表这里没人。数据里还有大量完全没有任何标注的背景区域，模型天然会把它们当负样本。ignore 区域既有可能是人、又没有任何正样本标注，模型从中学到的规则是“这个地方没有头”，这个规则本身是错的。

解决：解析标注时利用 ignore 框生成一个 valid mask，和密度图同尺寸，ignore 区域置 0、其他区域置 1，损失计算时只对 valid mask 内的像素算，等于把这块监督信号挖掉。如果你偷懒不做，至少训练几个 epoch 后把 ignore 区域的预测值单独打印出来，如果均值明显大于 0.01，就得回去补第一步。

5.2 固定 sigma 让远处小头直接蒸发

现象：训练损失下降正常，可视化密度图发现远处的人头几乎看不到，只有近处几个人头有响应。整体人数误差不小，而且集中在远景区域。

原因：固定 sigma 时，远处的 6 像素小头被高斯核摊到几十个像素范围内，峰值只有 0.01 量级，和背景噪声差不多。MSE 损失在这些点上贡献趋近于零，模型学到的是“远景没人”。

解决：改用自适应 sigma，并确认 min_sigma 设到 2.0 附近。生成密度图后抽查远处小目标：取一个人头点位置，看密度图对应坐标的峰值是否和相邻背景有至少 5 倍差距。如果没有，说明 sigma 还是偏大或者该点被过滤掉了。这个抽查脚本值得保留，后续每次换数据都要跑一遍。

5.3 people 类被按一个点算，人数低估

现象：测试集上预测人数系统性低于真实人数，误差在人群密集的视频序列里尤其明显，而稀疏序列误差很小。

原因：标注里的 people 类是给“一群人”打的框，一个框覆盖几个人甚至十几个人。只用 bbox 中心当作一个点，模型会认为这个位置只有一个人。无人机俯视角度下，这类框数量不少，累计起来误差就大了。

解决：处理标注时分三档。宽度小于 40 像素的 people 框保留，当作远处单个行人；宽度在 40 到 80 之间，按框宽高比例估算 2 到 3 个点，均匀放在框内；超过 80 像素的框直接丢弃，因为它通常是密集人群的大范围框，无法可靠还原人头位置。如果你做严格的人头计数，最稳妥的是只保留 pedestrian 类，但要注意这样会丢掉一部分真实人头，需要自行权衡。

5.4 按帧切分训练/验证导致数据泄漏

现象：验证集 MAE 很低，模型表现非常好，但拿到另外一批无人机视频上测试直接崩掉，误差翻倍。

原因：VisDrone 以视频序列组织数据，同一个序列里相邻帧的背景几乎一样，人和车的位置变化也很小。如果你随机按帧切分，同一时刻附近的帧会同时出现在训练和验证集里，模型等于背下了这片背景。这不是泛化能力，是数据泄漏。

解决：切分必须按序列进行，一个视频序列的所有帧要么全在训练集，要么全在验证集。VisDrone 官方给的训练/验证划分本身就是按序列做的，直接沿用官方划分，不要自己再按帧重新切分。这个原则同样适用于测试集：测试序列的无人机飞行轨迹、拍摄地点如果和训练集接近，分数只能说明模型在这个数据分布下的表现，不代表它能应付完全陌生的场景。

5.5 图像 resize 之后密度图与标签错位

现象：训练时 loss 正常下降，可视化预测叠加到原图上，发现密度峰整体偏移了十几个像素。越靠近图像边缘偏移越明显。

原因：图像缩放用了 cv2.resize，密度图 resize 时用了最近邻，或者缩放后直接改图像尺寸、密度图还保持原图大小，导致监督信号和输入图像空间不对齐。前期不明显，随着损失收敛到很小的值，未对齐像素的误差就暴露出来了。

解决：图像和密度图必须使用同一套坐标变换参数。等比缩放时先算出 scale，图像用 INTER_LINEAR，密度图用 INTER_AREA，缩放后核对两者的 shape 是否完全一致。裁剪同样要小心：random crop 的坐标直接应用到密度图，不能单独对密度图再做一次 resize。把这个封装进 Dataset 类里，杜绝在训练循环里手写缩放逻辑。

6. 模型训完怎么验证：在 VisDrone 测试集上算 MAE/MSE，再迁移到地面视角

6.1 评估脚本：密度图求和后和真值比对

人群计数公认的两个指标是 MAE 和 MSE。MAE 表达平均绝对误差，MSE 对大误差更敏感，一个模型两项都不错才说明它稳定。评估时只需要对每帧求预测密度图的积分和真值密度图的积分，再比对即可。

""" evaluate.py 在测试序列上逐帧计算 MAE / MSE。 """ import numpy as np import glob def evaluate(pred_dir, gt_dir): mae_list = [] mse_list = [] pred_files = sorted(glob.glob(pred_dir + "/*.npy")) for p_path in pred_files: name = p_path.split("/")[-1].replace("_pred.npy", "") g_path = f"{gt_dir}/{name}_gt.npy" pred_map = np.load(p_path).astype(np.float32) gt_map = np.load(g_path).astype(np.float32) pred_count = pred_map.sum() gt_count = gt_map.sum() err = pred_count - gt_count mae_list.append(abs(err)) mse_list.append(err ** 2) mae = float(np.mean(mae_list)) rmse = float(np.sqrt(np.mean(mse_list))) print(f"MAE: {mae:.3f} RMSE: {rmse:.3f}") return mae, rmse

这套评估逻辑要在训练过程中就挂上，每 5 个 epoch 跑一次验证集，记录 MAE。如果 MAE 在第 30 轮之后开始回升或者抖动剧烈，优先怀疑学习率太高或者数据里混入了异常帧，而不是模型结构的问题。

6.2 自检：把密度图可视化成人头位置

只看 MAE 数字远远不够，密度图模型可能总人数估得准，但人头位置全错。数值指标需要配合可视化一起判断。用 maximum_filter 找密度图的局部极大值，这些峰值就是模型认为的人头位置。

""" visualize_peaks.py 从预测密度图中提取局部峰值，叠加到原图上检查。 """ from scipy.ndimage import maximum_filter def extract_peaks(density, min_thresh=0.15): local_max = maximum_filter(density, size=11) == density thresh = min_thresh * density.max() ys, xs = np.where(local_max & (density > thresh)) return xs, ys

size=11 对应高斯核约 9 到 11 像素的峰值间距，小于这个间隔的相邻峰会被合并。min_thresh 取 0.15 是经验值，如果密度图整体都低，就把阈值降到 0.05。把提取出来的峰值画到原图上，对比标注点，如果预测峰出现在人群边界而非人群中心，说明自适应 sigma 的 min_sigma 偏大，回头调参。

6.3 从无人机到地面监控的迁移边界

VisDrone 上训好的密度模型直接拿到地面监控视角，效果会下降，但不至于完全失效。地面画面的人头尺度和无人机中远景的人头尺度接近，特征上可以迁移，视角从俯视变成斜视之后，人头的遮挡方式和背景复杂度都变了，直接推理的误差会明显上升。我的习惯是先用原模型做零样本推理，统计误差分布，挑出误差最大的几条视频做微调，通常几百帧数据、微调 20 个 epoch 就能把 MAE 拉回可用水平。密度图模型属于场景敏感型模型，迁移能力弱于检测模型，这是密度回归方法的固有代价，不要指望一个在 VisDrone 上训完的模型能通吃所有视角。

最后分享一个我自己的检查习惯：任何一次新数据、新预处理流程跑通之后，我先随机抽三帧做可视化，一帧密集一帧稀疏一帧中等密度，确认密度峰的位置和人头重合，再开始调损失函数和超参数。如果这三帧都正常，后面出现玄学问题，大概率出在数据加载顺序或者在线增强上，而不是模型本身。这个习惯帮我排掉过高斯核归一化、resize 错位、ignore 过滤失效这几个最常见的坑，希望帮到你。

本文还有配套的精品资源，点击获取