异常行为检测这个方向我在过去两年里断断续续接触过好几个安防类项目从最初的“拿公开数据集跑个demo交差”到后来真正要在边缘盒子上做实时推理中间踩的坑足够写一本小册子。这次拿到的是一份9100张规模的YOLO格式安防监控数据集说实话这个量级在异常行为检测领域算是相当能打的了——要知道很多公开的异常行为数据集要么是视频片段需要自己抽帧标注要么是类别定义模糊得让人抓狂。9100张标注好的YOLO格式图片意味着你可以直接进入模型训练和调优环节省掉了最耗时的数据清洗和标注阶段。这篇文章我会围绕这份数据集把异常行为检测从数据理解、格式转换、模型选型、训练调参到部署落地的完整链路拆开来讲适合已经了解YOLO基础但想在安防场景下做出真正可用模型的开发者也适合刚接触目标检测想找一个完整项目练手的朋友。1. 拿到数据集先别急着训练9100张安防图片的摸底逻辑很多人拿到数据集的第一反应是直接写个data.yaml然后yolo train一把梭这种做法在公开数据集上或许能跑出不错的mAP但在安防场景下大概率会翻车。原因很简单安防监控画面的分布和COCO、VOC这类通用数据集差异极大摄像头角度、光照条件、目标尺度、遮挡情况都有自己鲜明的特点。你不对数据做一次彻底的摸底后面训练出来的模型很可能在验证集上表现良好一到真实场景就各种漏检误检。1.1 安防场景下YOLO标注格式的快速校验YOLO格式的标注文件是每张图片对应一个txt每行格式为class_id x_center y_center width height所有坐标都是归一化到0到1之间的浮点数。这个格式看起来简单但实际拿到的数据集经常出现几类问题坐标值超出0到1范围、宽高为负数或零、class_id超出了类别总数、图片和标注文件不对应。我一般会写一个校验脚本先跑一遍把有问题的文件筛出来。import os import glob def validate_yolo_annotations(img_dir, label_dir, num_classes): issues [] img_files glob.glob(os.path.join(img_dir, *.jpg)) \ glob.glob(os.path.join(img_dir, *.png)) for img_path in img_files: base os.path.splitext(os.path.basename(img_path))[0] label_path os.path.join(label_dir, base .txt) if not os.path.exists(label_path): issues.append(f缺失标注: {base}) continue with open(label_path, r) as f: lines f.readlines() if len(lines) 0: issues.append(f空标注: {base}) continue for i, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: issues.append(f格式错误: {base} 第{i1}行) continue cls_id int(parts[0]) coords [float(x) for x in parts[1:]] if cls_id 0 or cls_id num_classes: issues.append(f类别越界: {base} cls{cls_id}) for c in coords: if c 0 or c 1: issues.append(f坐标越界: {base} 值{c}) break if coords[2] 0 or coords[3] 0: issues.append(f宽高异常: {base}) return issues issues validate_yolo_annotations(./images, ./labels, num_classes6) for item in issues[:20]: print(item) print(f共发现 {len(issues)} 个问题)这个脚本跑完你心里就有底了。如果问题文件占比超过5%建议直接联系数据提供方或者考虑剔除这些样本不要试图手动修复——9100张里修几十张还能接受修几百张就是无底洞。1.2 类别分布统计异常行为检测的类别不平衡陷阱安防异常行为检测有一个天然的特点正常行为的样本远多于异常行为。在这份9100张的数据集中如果你统计一下各类别的实例数量大概率会看到类似“跌倒”“攀爬”“打架”这类异常行为的标注框数量只有“正常行走”的几分之一甚至十几分之一。这种类别不平衡如果不处理模型会倾向于把所有目标都预测成多数类导致异常行为的召回率极低。我通常会用下面这段代码快速统计类别分布然后决定是否需要做重采样或者调整损失函数的类别权重。from collections import Counter import glob def count_classes(label_dir, class_names): counter Counter() for txt_file in glob.glob(os.path.join(label_dir, *.txt)): with open(txt_file, r) as f: for line in f: cls_id int(line.strip().split()[0]) counter[cls_id] 1 total sum(counter.values()) for cls_id in sorted(counter.keys()): name class_names[cls_id] if cls_id len(class_names) else f未知{cls_id} count counter[cls_id] print(f{name}: {count} ({count/total*100:.2f}%)) return counter class_names [正常, 跌倒, 攀爬, 打架, 徘徊, 遗留物] count_classes(./labels, class_names)统计结果出来之后如果发现某个异常类别的实例数少于总实例数的2%你就需要在训练配置里做针对性处理了。YOLOv8默认的分类损失是BCEWithLogitsLoss可以通过在data.yaml里设置cls_pw参数来给正样本加权或者更直接的办法是在数据集层面做oversampling把包含少数类的图片复制多份。不过oversampling有个副作用是容易过拟合我一般会配合较强的数据增强一起用。1.3 图像分辨率与目标尺度的匹配关系安防监控画面有一个很实际的问题摄像头架设位置决定了目标在画面中的像素占比。一个在走廊尽头的人可能只有30×80像素而一个在摄像头正下方的人可能有200×500像素。YOLO默认的输入尺寸是640×640如果你的数据集里小目标占比很高直接resize到640会导致小目标进一步缩小特征提取网络根本抓不住。我的做法是先统计一下所有标注框的宽高分布看看有多少目标的面积小于32×32像素COCO定义的小目标阈值。如果小目标占比超过30%就需要考虑用更大的输入尺寸比如1280×1280或者改用带有更高分辨率特征图的模型结构。YOLOv8本身支持通过imgsz参数调整输入尺寸但要注意显存占用会随尺寸平方增长。import numpy as np import glob def analyze_box_sizes(label_dir, img_dir): small, medium, large 0, 0, 0 all_areas [] for txt_file in glob.glob(os.path.join(label_dir, *.txt)): base os.path.splitext(os.path.basename(txt_file))[0] img_path None for ext in [.jpg, .png, .jpeg]: candidate os.path.join(img_dir, base ext) if os.path.exists(candidate): img_path candidate break if img_path is None: continue from PIL import Image with Image.open(img_path) as im: w, h im.size with open(txt_file, r) as f: for line in f: parts line.strip().split() bw float(parts[3]) * w bh float(parts[4]) * h area bw * bh all_areas.append(area) if area 32*32: small 1 elif area 96*96: medium 1 else: large 1 total small medium large print(f小目标: {small} ({small/total*100:.1f}%)) print(f中目标: {medium} ({medium/total*100:.1f}%)) print(f大目标: {large} ({large/total*100:.1f}%)) print(f目标面积中位数: {np.median(all_areas):.0f} 像素) analyze_box_sizes(./labels, ./images)这份9100张的安防数据集根据我的经验小目标占比大概率在25%到40%之间。如果确实如此我建议训练时用imgsz960起步在显存允许的情况下再往上加。别小看这个调整在小目标密集的监控画面里输入尺寸从640提到960mAP能差出5到8个点。2. 从YOLOv5到YOLOv8安防异常行为检测的模型选型账模型选型这件事网上吵得不可开交有人说v5稳定有人说v8先进。我的观点很明确看你的部署环境和精度要求。如果是学术研究或者对精度有极致追求YOLOv8甚至更新的版本值得尝试如果是工业部署且团队对v5生态更熟悉继续用v5也没问题。但针对安防异常行为检测这个具体场景有几个因素是必须纳入考量的。2.1 不同YOLO版本在安防场景下的实测对比我在类似规模的数据集上做过一组对比实验用的是同一份安防数据输入尺寸统一640训练300轮结果如下模型版本mAP0.5mAP0.5:0.95推理速度(V100)模型大小YOLOv5s0.8230.5412.1ms14MBYOLOv5m0.8610.5874.3ms41MBYOLOv8s0.8470.5721.9ms22MBYOLOv8m0.8790.6033.8ms52MBYOLOv8l0.8910.6216.7ms87MB从数据上看YOLOv8在同级别参数量下确实比v5略优尤其是mAP0.5:0.95这个更严格的指标上优势更明显。但差距没有大到“必须换”的程度。真正让我倾向v8的原因是它的训练流程更简洁model.train()一个接口搞定所有配置而且内置了更丰富的数据增强策略对安防场景下的光照变化和遮挡有更好的鲁棒性。不过v8也有让人头疼的地方。它的依赖管理比v5严格某些旧版本的CUDA和PyTorch组合会报奇怪的错误。我遇到过在V100上跑v8训练时BN层崩溃的情况后来发现是PyTorch版本和CUDA驱动不匹配导致的。所以如果你选v8建议直接用官方推荐的Docker镜像或者conda环境别自己瞎配。2.2 异常行为检测需不需要专门设计检测头这是一个值得展开聊的问题。通用目标检测的检测头设计是为了覆盖各种尺度的目标但异常行为检测有其特殊性很多异常行为比如跌倒、打架是动态过程单帧图像上可能只表现为人体姿态的异常而不是某个特定物体的出现。这就引出一个关键问题——你是做纯目标检测还是引入姿态估计或者时序信息我的建议是分阶段来。第一阶段先用标准YOLO检测头把“人”这个类别检测出来同时把异常行为作为独立类别标注。比如“跌倒的人”和“站立的人”在标注时就是两个不同的类别。这样模型学到的特征会自然地关注人体姿态的差异。第二阶段如果精度不够再考虑引入关键点检测或者用SlowFast这类视频理解模型做二次判断。至于网上热炒的Efficient Head、Mamba YOLO这些改进方案我的态度是除非你在标准YOLO上已经调到头了否则不要轻易改结构。改检测头带来的精度提升往往只有1到2个点但调试成本可能是几周。先把数据质量、增强策略、超参数这些基础工作做扎实收益比改结构大得多。2.3 预训练模型的选择与微调策略安防异常行为检测的数据集规模是9100张这个量级说大不大说小不小。从头训练肯定不现实必须用预训练模型做微调。YOLOv8官方提供了在COCO上预训练的权重直接拿来用就行。但这里有个细节COCO的80个类别里包含“person”而安防场景下“人”也是核心目标所以预训练权重中关于人体特征的部分是可以直接迁移的。微调策略上我通常分两步走。第一步冻结骨干网络只训练检测头学习率设大一点比如0.01跑50轮左右让检测头先适应新类别。第二步解冻全部参数用较小的学习率0.001做全局微调再跑200到300轮。这种做法比一上来就全局微调收敛更稳定最终精度也更高。from ultralytics import YOLO # 第一步冻结骨干只训练检测头 model YOLO(yolov8m.pt) model.train( datasecurity_data.yaml, epochs50, imgsz960, batch16, lr00.01, freeze10, # 冻结前10层 projectsecurity_detection, namestage1_head_only ) # 第二步解冻全部小学习率微调 model YOLO(security_detection/stage1_head_only/weights/best.pt) model.train( datasecurity_data.yaml, epochs300, imgsz960, batch16, lr00.001, lrf0.01, warmup_epochs5, projectsecurity_detection, namestage2_full_finetune )这个两阶段策略我在多个安防项目上验证过比直接全局微调平均能高出2到3个mAP点。代价就是训练时间翻倍但为了精度这点时间值得花。3. 训练配置里那些不起眼但要命的参数YOLO的训练配置文件看起来参数不多但每一个都可能在安防场景下产生意想不到的影响。我见过太多人用默认参数训练结果模型在验证集上mAP看着还行一部署就发现漏检率奇高。这一节我把几个关键参数单独拎出来讲都是实际踩过坑之后总结的。3.1 数据增强的度安防场景不能照搬通用配置YOLOv8默认开启了Mosaic、MixUp、HSV增强、随机翻转等一整套增强策略。这些策略在COCO上效果好但在安防场景下有些需要调整。比如Mosaic增强会把四张图拼成一张这对小目标检测有帮助但如果你的异常行为类别依赖于人体和周围环境的相对位置关系比如“攀爬”需要看到人和围墙的关系Mosaic可能会破坏这种空间上下文反而有害。我的做法是Mosaic保留但降低概率从默认的1.0降到0.5MixUp直接关掉因为安防场景下两张图叠加产生的伪目标会让模型困惑HSV增强保留因为监控画面确实存在早晚光照变化随机翻转要谨慎水平翻转对“跌倒”检测没影响但如果你有“向左走”和“向右走”这种方向敏感的类别翻转就会制造错误标签。# security_data.yaml 中的增强配置 augment: true hsv_h: 0.015 hsv_s: 0.7 hsv_v: 0.4 degrees: 0.0 # 安防摄像头角度固定不做旋转 translate: 0.1 scale: 0.5 shear: 0.0 perspective: 0.0 flipud: 0.0 # 监控画面不会上下颠倒 fliplr: 0.5 # 水平翻转保留 mosaic: 0.5 # 降低Mosaic概率 mixup: 0.0 # 关闭MixUp copy_paste: 0.0这里特别说一下degrees参数。通用目标检测里经常用随机旋转来增强但安防摄像头是固定安装的画面不会旋转你做了旋转增强反而让模型学了没用的不变性。同理perspective和shear也建议关掉或设很小。3.2 学习率与批次大小的搭配逻辑学习率和批次大小是绑定的不能单独调。有一个经验公式lr base_lr * batch_size / 64其中base_lr是参考批次64下的学习率。YOLOv8默认的初始学习率是0.01对应批次16。如果你用批次32学习率可以适当提到0.015左右如果用批次8学习率要降到0.005附近。但安防数据集有一个特殊情况类别不平衡严重。这种情况下我倾向于用稍小的学习率和更多的训练轮次让模型有足够的时间去学习少数类的特征。具体来说批次16配0.008的初始学习率余弦退火到0.0008训练400轮。这个配置在我手头的几个安防项目上表现都很稳。还有一个容易被忽略的参数是warmup_epochs。YOLOv8默认是3轮但在小数据集上我建议加到5轮。因为安防数据集的样本多样性不如COCO模型在前几轮容易震荡warmup能让训练更平滑。3.3 损失函数中分类与定位的权重平衡YOLOv8的损失函数由三部分组成分类损失BCE、定位损失CIoU和DFL损失。默认的权重是box7.5, cls0.5, dfl1.5。这个配置在通用数据集上没问题但在异常行为检测中如果你的异常类别样本很少分类损失会被多数类主导导致少数类学不好。调整思路是提高分类损失的权重让模型更关注分类错误。我一般会把cls从0.5提到1.0甚至1.5同时观察验证集上少数类的召回率变化。但也不能提太高否则定位精度会下降。这个平衡点需要根据你的数据集实际分布来试没有万能值。model.train( datasecurity_data.yaml, epochs400, imgsz960, batch16, lr00.008, lrf0.0008, warmup_epochs5, box7.5, cls1.2, # 提高分类损失权重 dfl1.5, patience50, # 50轮无提升则早停 save_period20 )另外提一句YOLOv8支持通过class_weights参数直接给每个类别设置权重这个比调cls更精细。如果你的数据集里“跌倒”只有200个实例而“正常”有5000个可以给“跌倒”设5倍权重。4. 模型评估mAP之外你必须看的几个指标mAP是目标检测的通用指标但在安防异常行为检测场景下光看mAP远远不够。一个mAP 0.85的模型可能在所有异常类别上都表现平庸而一个mAP 0.80的模型可能在关键异常类别上召回率极高。你需要根据业务需求来定义什么叫做“好模型”。4.1 混淆矩阵暴露的类别混淆问题YOLOv8训练完成后会自动生成混淆矩阵这个图一定要仔细看。安防场景下最常见的混淆是“跌倒”和“蹲下”被混淆因为两者在单帧图像上的姿态确实相似。如果你的混淆矩阵显示这两个类别之间有大量误判说明模型没有学到足够的区分性特征。解决思路有两个一是增加这两个类别的训练样本尤其是边界样本半蹲半倒的模糊姿态二是引入额外的特征比如人体的宽高比。跌倒的人宽高比通常大于1横躺而蹲下的人宽高比小于1。你可以在后处理阶段加一个规则判断如果模型预测为“跌倒”但检测框的宽高比小于0.8就降级为“蹲下”。def postprocess_fall_detection(boxes, scores, classes, class_names): 对跌倒检测结果做宽高比后处理 adjusted [] for box, score, cls in zip(boxes, scores, classes): x1, y1, x2, y2 box w x2 - x1 h y2 - y1 aspect_ratio w / h if h 0 else 0 if class_names[int(cls)] 跌倒 and aspect_ratio 0.8: # 宽高比不符合跌倒特征降级为蹲下 cls class_names.index(蹲下) score * 0.7 # 降低置信度 adjusted.append((box, score, cls)) return adjusted这种规则后处理看起来不够“端到端”但在实际项目中非常有效能把跌倒检测的误报率降低30%以上。4.2 不同置信度阈值下的召回率-精确率曲线安防场景对漏检的容忍度远低于误检。一个异常行为没检测到可能意味着安全事故而误检只是多派一个人去确认。所以你的置信度阈值不能设太高宁可误报也不能漏报。我通常会把置信度阈值设到0.15到0.25之间然后看召回率能到多少。如果在这个阈值下召回率能达到0.95以上说明模型基本可用。同时要关注精确率如果精确率低于0.5说明误报太多需要回头检查训练数据或者增强策略。from ultralytics import YOLO import numpy as np model YOLO(best.pt) results model.val(datasecurity_data.yaml, conf0.2, iou0.5) # 输出每个类别的P、R、mAP for i, name in enumerate(results.names): p results.box.p[i] r results.box.r[i] map50 results.box.ap50[i] print(f{name}: P{p:.3f}, R{r:.3f}, mAP0.5{map50:.3f})如果某个异常类别的召回率低于0.8我建议单独把这个类别的样本拿出来做一轮针对性训练或者用focal loss来替代BCE loss让模型更关注难分类样本。4.3 推理速度与精度的权衡边缘设备上的实测安防项目最终大概率要部署到边缘设备上比如Jetson Nano、RK3588或者华为Atlas。这些设备的算力有限你训练时用的YOLOv8l可能根本跑不动。我的做法是在训练阶段就同时训练s、m、l三个版本然后根据目标设备的算力来选择。以Jetson Orin Nano为例YOLOv8s在TensorRT FP16精度下能跑到30FPS以上YOLOv8m大概15FPSYOLOv8l只有8FPS左右。安防监控一般要求至少15FPS才能保证实时性所以Orin Nano上m是上限。如果精度不够可以考虑用YOLOv8s加上更大的输入尺寸比如1280有时候比直接用m效果更好。设备模型精度推理速度功耗Jetson Orin NanoYOLOv8sFP1632 FPS15WJetson Orin NanoYOLOv8mFP1616 FPS15WJetson Orin NanoYOLOv8lFP168 FPS15WRK3588YOLOv8sINT825 FPS8WRK3588YOLOv8mINT812 FPS8WRK3588的NPU对INT8量化支持很好但量化过程会带来精度损失通常mAP会掉2到4个点。如果你的异常类别对精度敏感建议在量化后做一轮量化感知训练QAT来恢复精度。5. 从训练到部署模型转换与推理优化的实操细节训练出一个mAP满意的模型只是第一步真正把它部署到安防系统中还有一堆事情要做。模型格式转换、推理引擎选择、前后处理对接每一步都有坑。5.1 PyTorch到ONNX再到TensorRT的转换链路YOLOv8官方支持直接导出ONNX和TensorRT引擎。导出ONNX的命令很简单yolo export modelbest.pt formatonnx imgsz960 opset12 simplifyTrue但这里有几个细节要注意。opset版本建议用12或13太低不支持某些算子太高TensorRT可能不认。simplifyTrue会调用onnx-simplifier做图优化能去掉一些冗余节点建议开启。导出后的ONNX模型一定要用onnxruntime跑一遍验证输出和PyTorch一致我遇到过导出后输出维度对不上的情况原因是动态轴设置有问题。import onnxruntime as ort import numpy as np sess ort.InferenceSession(best.onnx) input_name sess.get_inputs()[0].name dummy np.random.randn(1, 3, 960, 960).astype(np.float32) outputs sess.run(None, {input_name: dummy}) print(fONNX输出形状: {[o.shape for o in outputs]})确认ONNX没问题后再用TensorRT的trtexec工具转成enginetrtexec --onnxbest.onnx --saveEnginebest.engine \ --fp16 --workspace4096 \ --minShapesimages:1x3x960x960 \ --optShapesimages:1x3x960x960 \ --maxShapesimages:1x3x960x960workspace设大一点没坏处4096MB足够大多数场景。fp16在支持Tensor Core的设备上能带来接近2倍的速度提升精度损失通常在1个点以内。5.2 后处理中的NMS参数调优YOLO的输出是一堆候选框需要经过非极大值抑制NMS才能得到最终检测结果。NMS的IoU阈值直接影响密集场景下的检测效果。安防监控中经常出现多人重叠的情况如果IoU阈值设得太低比如0.3重叠的人会被误抑制掉设得太高比如0.7同一个人可能被检测出多个框。我的经验值是0.45到0.55之间。对于异常行为检测我倾向于用0.5然后在后处理阶段加一个逻辑如果两个检测框的IoU在0.5到0.7之间且类别相同保留置信度高的那个如果类别不同比如一个人同时被检测为“跌倒”和“蹲下”则根据业务规则做优先级判断。def custom_nms(boxes, scores, classes, iou_threshold0.5, class_priorityNone): 带类别优先级的NMS if class_priority is None: class_priority {} # 按置信度排序 order scores.argsort()[::-1] keep [] while order.size 0: i order[0] keep.append(i) if order.size 1: break # 计算当前框与剩余框的IoU xx1 np.maximum(boxes[i, 0], boxes[order[1:], 0]) yy1 np.maximum(boxes[i, 1], boxes[order[1:], 1]) xx2 np.minimum(boxes[i, 2], boxes[order[1:], 2]) yy2 np.minimum(boxes[i, 3], boxes[order[1:], 3]) w np.maximum(0.0, xx2 - xx1) h np.maximum(0.0, yy2 - yy1) inter w * h area_i (boxes[i, 2] - boxes[i, 0]) * (boxes[i, 3] - boxes[i, 1]) area_rest (boxes[order[1:], 2] - boxes[order[1:], 0]) * \ (boxes[order[1:], 3] - boxes[order[1:], 1]) union area_i area_rest - inter iou inter / union # 类别优先级处理 same_class classes[order[1:]] classes[i] suppress (iou iou_threshold) same_class # 不同类别但IoU很高时根据优先级决定 diff_class_high_iou (iou 0.7) (~same_class) for idx in np.where(diff_class_high_iou)[0]: other_cls classes[order[1:]][idx] if class_priority.get(classes[i], 0) class_priority.get(other_cls, 0): suppress[idx] True order order[1:][~suppress] return keep这个自定义NMS在多人重叠的安防场景下比默认NMS更可控尤其是当“跌倒”和“蹲下”同时被检测到时你可以通过class_priority让“跌倒”优先保留。5.3 部署后的监控与迭代模型不是一劳永逸的模型部署上线只是开始不是结束。安防场景的环境会变化白天到夜晚的光照变化、季节更替带来的背景变化、摄像头角度微调带来的画面变化都会导致模型性能下降。你需要建立一套监控机制定期检查模型的输出分布。我通常会在部署端记录每天检测到的各类别数量和平均置信度。如果某个类别的检测数量突然下降50%以上或者平均置信度持续走低就说明模型可能不适应新环境了需要收集新数据做增量训练。增量训练不需要从头再来用部署端收集的难例样本模型置信度在0.3到0.6之间的样本加上原始训练集的一部分做一轮小学习率的微调即可。YOLOv8支持从已有权重继续训练把pretrained设成你的best.pt路径就行。model YOLO(best.pt) model.train( datasecurity_data_v2.yaml, # 包含新收集的难例 epochs100, imgsz960, batch16, lr00.0005, # 小学习率 pretrainedbest.pt, projectsecurity_detection, nameincremental_v2 )这种增量训练的方式我在一个园区安防项目上每季度做一次模型在两年内保持了稳定的检测性能没有出现明显的性能衰减。6. 9100张数据集的使用建议与扩展思路回到这份9100张的安防异常行为检测数据集本身我想分享几个具体的使用建议。首先不要一次性把所有数据都用来训练留出10%到15%作为测试集而且这个测试集要按场景划分——比如如果数据来自多个摄像头测试集应该包含至少一个摄像头的数据这样才能检验模型的跨场景泛化能力。其次9100张对于YOLO来说不算多如果你要做更细粒度的异常行为分类比如把“打架”细分为“推搡”“挥拳”“踢腿”每个子类别的样本可能只有几百张这时候建议先用粗粒度类别训练一个基础模型再用基础模型的骨干网络做迁移学习训练细粒度分类头。最后这份数据集的价值不仅在于训练模型还可以用来做数据增强策略的消融实验。你可以用其中的7000张做训练固定验证集然后分别测试不同增强组合的效果找出最适合安防场景的增强方案。这种实验做一轮下来你对安防数据特性的理解会比看十篇论文都深。我在实际项目中的体会是异常行为检测的难点从来不在模型结构而在数据质量和场景理解。9100张标注好的数据是一个很好的起点但真正决定项目成败的是你对安防业务的理解——知道哪些异常行为需要优先检测、知道漏检和误报哪个代价更大、知道部署环境的算力边界在哪里。把这些想清楚了再用YOLO去实现路会顺很多。