简介这份资源是面向计算机视觉与目标检测方向的室内人头检测数据集适合正在做YOLO系列算法训练、课程设计或安防场景落地的开发者与研究者使用。数据集共927张图像均已完成标注可直接用于模型训练与验证测试省去自行采集与标注的成本。压缩包内共2000个文件包含927个xml标注、927个txt标注、145个jpg图像及1个yaml配置文件整体约170.38MB其中yaml文件为数据集配置jpg为原始图像xml与txt分别对应VOC与YOLO两种标注格式方便不同框架直接读取。资源已按训练与验证划分好兼容yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流版本YOLO格式采用归一化中心点与宽高表示类别索引从0开始便于快速接入训练流程。目前已有120人学习下载适合需要快速搭建人头检测基线、验证算法效果或进行二次开发的读者参考使用。1. 室内人头检测数据集927 张带标签图像到底能训出什么室内人头检测这个方向最近问的人明显变多了。原因不复杂商场客流统计、教室考勤、工地安全帽佩戴前的人头定位、养老院夜间跌倒预警底层都绕不开一个「先把画面里所有人头框出来」的步骤。而真正动手时卡住大多数人的不是 YOLO 算法本身是数据。公开数据集要么是 COCO 那种通用 80 类、人头只是「person」的一个子集要么是监控视角的远景小目标跟室内中近景、密集遮挡、顶装摄像头俯拍的场景差得很远。这份 927 张图像带标签的室内人头检测数据集价值就在于它把场景收窄到了「室内 人头」这一个具体任务上标注直接落在头部而非整个人体省掉了从 person 框里再切头部的二次处理。它适合两类人一类是想跑通 YOLO 人头检测全流程、但手里没有对口数据的新手另一类是已经在做室内视觉产品、需要一个能快速验证模型上限的基线数据集的工程师。927 张不算大但足够把训练、验证、推理、部署这条链路完整走一遍也足够暴露小数据集上那些典型的翻车点。2. 先搞清楚人头检测和人体检测的差别在哪2.1 标注框落在头部任务定义就变了很多人第一次拿到人头数据集会下意识按人体检测的思路去理解这是第一个认知偏差。人体检测的框覆盖从头顶到脚底框的长宽比大致在 1:2 到 1:3 之间模型学到的是「整个人」的轮廓特征。人头检测的框只覆盖头部区域长宽比接近 1:1 到 1:1.3模型关注的是发色、脸部朝向、帽子、头发轮廓这些局部纹理。这个差别直接决定了三件事锚框尺寸要重设、输入分辨率不能太低、后处理的 NMS 阈值要调小。为什么 NMS 阈值要调小室内场景人头密集两个人挨着坐的时候头部框的 IoU 很容易超过 0.3。如果沿用 COCO 那套 0.5 到 0.7 的 NMS 阈值紧挨着的两个头会被合并成一个漏检就是这么来的。我一般会把 NMS IoU 阈值压到 0.3 到 0.4 之间具体值靠验证集上的漏检率来定。另一个容易被忽略的点是「人头」和「人脸」的区别。人脸检测只框五官区域额头和头发都不算人头检测要把整个头部轮廓包进去包括头发和帽子。如果你的应用场景里有人戴安全帽、戴帽子那人头检测比人脸检测鲁棒得多因为帽子不会破坏头部整体轮廓但会直接让人脸检测失效。2.2 927 张的规模决定了你该怎么切分和增强927 张图像按 8:1:1 切分就是 741 张训练、93 张验证、93 张测试。这个量级在 YOLO 系列上属于「能训但容易过拟合」的区间。我的经验是这个规模不要一上来就上大模型YOLOv8n 或者 YOLOv8s 这种轻量级骨干反而更容易收敛参数量小、对数据量的需求也低。如果你非要用 YOLOv8m 以上那必须配合强增强和早停。数据增强这块室内人头场景有几个增强是必开的随机缩放scale 0.5 到 1.5、随机平移、HSV 色调抖动、马赛克增强。但要注意垂直翻转要慎用——室内摄像头一般是顶装或壁装人头朝向有固定的上下分布规律垂直翻转会造出「倒立的人头」这种现实中不存在的样本反而干扰模型。水平翻转可以开因为左右对称在室内场景里是合理的。还有一个实操细节927 张里如果存在大量连续帧比如从视频里抽帧得到的那训练集和验证集必须按视频来源切分不能随机切。否则相邻帧高度相似验证集里出现训练集的「近亲」验证指标会虚高你以为模型学好了实际上一换场景就崩。这是小数据集上最隐蔽的坑之一。3. 用 YOLOv8 在本地跑通人头检测的最小闭环3.1 环境准备和目录结构先把环境搭起来。我一般用 conda 建一个独立环境避免和系统里的其他包打架。ultralytics 这个库把训练、验证、推理、导出都封装好了是目前跑 YOLO 最省事的选择。conda create -n head_det python3.10 -y conda activate head_det pip install ultralytics opencv-python numpy -i https://pypi.tuna.tsinghua.edu.cn/simple装完之后用yolo checks验证一下环境确认 PyTorch 和 CUDA 版本匹配。如果你只有 CPU也能跑只是训练慢927 张图在 CPU 上大概要几个小时GPU 上十几分钟就能跑完几十个 epoch。目录结构建议按下面这样组织ultralytics 默认就认这个布局head_dataset/ ├── images/ │ ├── train/ # 741 张 │ ├── val/ # 93 张 │ └── test/ # 93 张 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── head.yamlimages 和 labels 下的文件名必须一一对应只是扩展名不同.jpg 对 .txt。标签文件是 YOLO 格式的 txt每行五个值类别 id、中心点 x、中心点 y、宽、高后四个都是归一化到 0 到 1 的相对值。人头检测只有一类所以类别 id 全是 0。3.2 写数据集配置文件并检查标签head.yaml 是告诉 YOLO 去哪找数据、有几类的配置文件# head.yaml path: /absolute/path/to/head_dataset # 数据集根目录用绝对路径 train: images/train val: images/val test: images/test nc: 1 # 类别数人头只有一类 names: [head] # 类别名这里有个高频翻车点path一定要写绝对路径。相对路径在不同工作目录下启动训练时会解析失败报「No labels found」或者直接找不到数据集。我见过太多人卡在这一步。标签检查这一步千万别跳过。写个脚本扫一遍确认没有越界坐标、没有空标签、没有类别 id 超范围import os from pathlib import Path label_dir Path(head_dataset/labels/train) bad_files [] for txt in label_dir.glob(*.txt): with open(txt) as f: lines f.readlines() if not lines: bad_files.append((txt.name, 空标签)) continue for i, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: bad_files.append((txt.name, f第{i}行字段数{len(parts)})) continue cls, x, y, w, h map(float, parts) # 归一化坐标必须落在 0~1且宽高不能为 0 if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): bad_files.append((txt.name, f第{i}行坐标越界: {line.strip()})) print(f问题文件数: {len(bad_files)}) for name, reason in bad_files[:20]: print(name, reason)这段脚本的逻辑很直白逐行读标签检查字段数是不是 5、坐标是不是在 0 到 1 之间、宽高是不是正数。参数上唯一要注意的是YOLO 格式里 x、y 是中心点坐标不是左上角很多人从 VOC 或 COCO 转过来时容易搞混。如果这里扫出大量越界说明转换脚本写错了得回去查。3.3 启动训练并读懂关键参数数据没问题了直接开训yolo detect train \ datahead_dataset/head.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ mosaic1.0 \ hsv_h0.015 \ hsv_s0.7 \ hsv_v0.4 \ namehead_yolov8n逐个说参数。modelyolov8n.pt是加载预训练权重小数据集上一定要用预训练从零训基本没戏。epochs150配合patience30意思是 30 个 epoch 验证指标不涨就早停防止过拟合。imgsz640是输入分辨率人头属于中小目标640 是底线如果你的图像里人头特别小可以提到 960 甚至 1280但显存和速度要权衡。batch16按显存调8G 显存跑 640 分辨率大概能到 16。lr00.01是初始学习率小数据集上可以降到 0.005 更稳。mosaic1.0是马赛克增强概率小数据集建议开满。训练过程中重点盯两个指标mAP50和mAP50-95。mAP50 是 IoU 阈值 0.5 时的平均精度人头检测里这个值到 0.9 以上算正常mAP50-95 更严格能到 0.6 以上就不错了。如果 mAP50 很高但 mAP50-95 很低说明框的位置不够准可以考虑提高分辨率或者检查标注质量。3.4 推理和导出把模型用起来训练完用验证集跑一遍推理肉眼看看效果yolo detect predict \ modelruns/detect/head_yolov8n/weights/best.pt \ sourcehead_dataset/images/val \ conf0.25 \ iou0.35 \ saveTrueconf0.25是置信度阈值低于这个值的框直接丢掉iou0.35就是前面说的 NMS 阈值人头密集场景压到 0.35 能有效减少漏检。这两个值不是固定的得根据你的场景调如果漏检多降 conf如果一个人被框成两个降 iou。要部署到实际产品里导出成 ONNX 或者 TensorRT# 导出 ONNX通用性最好 yolo export modelruns/detect/head_yolov8n/weights/best.pt formatonnx opset12 # 导出 TensorRTNVIDIA 设备上推理最快 yolo export modelruns/detect/head_yolov8n/weights/best.pt formatengine halfTruehalfTrue是 FP16 半精度速度能快接近一倍精度损失很小人头检测这种任务基本无感。导出 TensorRT 需要本机装了对应版本的 TensorRT 和 CUDA版本不匹配是这一步最常见的报错来源。4. 小数据集训练人头检测的避坑清单4.1 验证集 mAP 很高一换场景就崩现象训练日志里 mAP50 冲到 0.95信心满满拿去测新场景结果漏检一大片。原因927 张如果来自少数几个视频或几个摄像头训练集和验证集分布高度一致模型只是记住了这几个场景的纹理没有学到「人头」的通用特征。随机切分让相邻帧同时进了训练和验证指标虚高。解决按视频来源或摄像头 id 切分数据集保证验证集里的场景在训练集里没出现过。如果数据来源单一没法切那就老老实实承认这个模型的泛化边界别指望它跨场景。补数据的优先级永远高于调参。4.2 密集人头被 NMS 合并漏检集中在人群处现象单人场景检测很准一到人群密集的地方就少框好几个。原因默认 NMS IoU 阈值太高0.7两个挨着的人头框重叠度超过阈值就被当成同一个目标抑制掉了。解决把推理时的iou参数降到 0.3 到 0.4。如果降了还是漏考虑换 Soft-NMS 或者 DIoU-NMSultralytics 里可以通过自定义后处理实现。另外检查一下标注密集处如果标注本身就漏了人模型学不会。4.3 训练 loss 不降或者震荡现象前几个 epoch loss 就卡住不动或者上下大幅震荡。原因学习率太大、batch 太小、或者标签格式有错导致模型学到的是噪声。927 张配 batch16如果显存不够降到 4 或 8学习率要同步降。解决先把 lr0 降到 0.001 试配合 warmup。然后回头用 3.2 的脚本再扫一遍标签确认没有坐标越界和空标签。如果 loss 还是震荡检查是不是图像和标签文件名没对上——ultralytics 找不到标签时会静默跳过你以为在训其实在训空气。4.4 导出 TensorRT 后精度掉得厉害现象PyTorch 下检测正常导出 engine 后框的位置偏移或者置信度整体偏低。原因FP16 量化在某些层上引入误差或者导出时的输入尺寸和推理时不一致。解决先导出 FP32 的 engine 对比确认是量化问题还是导出问题。如果是量化关键层保持 FP32或者改用 INT8 校准。另外确认推理时的输入尺寸和导出时完全一致640 导出就得 640 推理差一个像素都可能出问题。4.5 小目标人头检测不到现象画面远处的小人头完全没框。原因640 分辨率下小于 16x16 像素的人头在特征图上几乎消失YOLO 的 P3 特征层也救不回来。解决提高输入分辨率到 960 或 1280或者用切片推理把大图切成小块分别检测再合并。切片推理对小目标效果显著但会成倍增加推理耗时实时场景要权衡。另一个办法是在数据增强里加小目标的过采样让模型多见小样本。5. 把 927 张用到极致几个提点的小技巧数据量固定的时候提升模型上限靠的是「榨干每一张图的信息」。第一个技巧是标签平滑和框抖动。人头标注本身有主观性不同标注员对「头部边界」的理解能差几个像素。训练时给框加一点随机抖动±2% 的宽高扰动能让模型对标注噪声更鲁棒验证集上的 mAP 通常能涨一两个点。这个在 ultralytics 里没有现成参数得改 dataloader但改动量很小。第二个技巧是难例挖掘。先用 927 张训一个基线模型拿它去跑验证集和测试集把漏检和误检的图挑出来人工重新标注或补充标注再混进训练集重训。这个循环做两三轮效果比单纯调参明显得多。小数据集的核心矛盾是「信息量不足」难例挖掘本质上是在有限数据里把最有价值的那部分信息反复利用。第三个技巧是类别平衡和背景图。人头检测只有一类不存在类别不平衡但存在「正负样本不平衡」。室内场景里大量区域是背景如果背景图太多模型会偏向预测背景。我一般会在训练集里控制背景图比例不超过 10%同时用较高的conf阈值做推理减少背景误检。验证模型有没有真的学到东西我有个习惯把验证集里检测错误的图单独存一个文件夹每隔几个 epoch 看一次。如果错误类型从「漏检」逐渐变成「框位置略偏」说明模型在进步如果错误类型一直不变说明卡住了得换思路。这个习惯帮我省了很多盲目调参的时间。最后说个部署上的经验。室内人头检测的实际产品里推理速度和精度同样重要。927 张训出来的 YOLOv8n在 TensorRT FP16 下单张 640 分辨率推理能到几毫秒多路视频并发完全够用。但别为了追求极致速度把分辨率压到 416 以下人头这种中小目标在低分辨率下掉点非常快得不偿失。我一般会在 640 和 960 之间做一次速度精度对比选那个「精度够用、速度留有余量」的档位。这套流程我反复用过很多次每次都能在半天内从数据走到可部署的模型希望帮到你。本文还有配套的精品资源点击获取