企业官网建设流程全解析

简介：本资源是一套基于改进YOLOv5的人群密度检测系统完整实现方案，面向深度学习初学者与计算机视觉开发者，解决高密度场景下人群计数不准、重叠目标漏检等实际问题。项目采用FasterNet替代原YOLOv5主干网络提升推理速度，融合Soft-NMS优化边界框筛选，并引入最优运输分配（OTA）改进损失函数，显著增强密集人群检测精度。压缩包共267个文件，含53个Python核心脚本（训练/推理/评估）、49个YAML配置文件（模型结构与超参）、17张JPG/PNG测试图像及15张可视化结果图，另有Dockerfile系列支持多平台部署，整体大小为19.77MB。目前已有205人学习下载，提供从数据预处理、模型训练、推理部署到结果分析的全流程代码与配置，目录结构清晰，含CITATION.cff、results.csv等可复现关键组件，适合开展课程设计、毕设开发或安防类项目快速落地。

1. 为什么人群密度检测不能只靠“数人头”：YOLOv5不是拿来即用的检测器，而是密度估计的起点

你训练完一个YOLOv5模型，图片上密密麻麻标出几百个框，但业务方真正问的是：“这广场现在挤不挤？要不要限流？”——框数≠密度，框数×置信度≠人流压力，框数在画面边缘堆叠也不代表真实拥挤。基于YOLOv5的人群密度检测系统设计与实现，本质是把目标检测的“定位+分类”能力，重构为“空间分布建模+局部计数回归”的闭环：先用YOLOv5稳定输出人体候选区域（解决遮挡、小目标、姿态变化带来的漏检），再通过空间映射、网格加权、密度图生成三步，把离散的bbox转化为连续的密度热力图，最终输出整图总人数+区域级密度值（如“东入口：237人/m²，超阈值”）。这不是调个detect.py就能跑通的demo，而是涉及数据标注范式切换（从box到point+grid）、后处理逻辑重写（非NMS而是density-aware pooling）、部署链路重构（CPU端需量化+缓存复用）的完整工程。适合正在做安防巡检、地铁客流分析、展会人流预警等实际场景的嵌入式/算法工程师，也适合毕业设计需要体现“检测→估计→系统集成”三层能力的同学——它不追求SOTA指标，但要求每一步都可解释、可调试、可压测。

2. 从YOLOv5检测器到密度估计器：三阶段改造路径与核心代码落地

YOLOv5官方仓库默认输出的是bounding box坐标和类别置信度，而密度估计需要的是每个检测结果对应的空间权重和位置敏感性。直接拿results.xyxy[0]喂给后续模块会翻车：小目标框面积小但实际占据高密度区域；重叠框被NMS抑制后，局部计数直接归零；不同距离的人体框尺寸差异大，导致网格统计失真。必须分三阶段重构流水线：检测层保留YOLOv5 backbone + head，但输出改用center-point + scale-aware confidence；后处理层弃用NMS，改用density-guided clustering；密度图生成层用adaptive kernel convolution替代固定高斯核。下面逐层拆解可复现的关键代码与参数逻辑。

2.1 修改YOLOv5输出头：让模型学会“说位置，不说框”

YOLOv5默认head输出[x1,y1,x2,y2,conf,cls]，我们要的是每个检测点的(cx,cy,scale,conf)，其中scale反映该人体在图像中的相对尺度（用于后续密度核大小调节）。修改models/yolo.py中Detect类的forward方法，在self.m[i](x[i])后插入坐标转换逻辑：

# models/yolo.py 第187行附近，替换原output拼接逻辑 for i in range(self.nl): x[i] = self.m[i](x[i]) # original output: [bs, na, h, w, nc+5] bs, na, h, w, c = x[i].shape # reshape to [bs, na*h*w, c] x[i] = x[i].view(bs, na * h * w, c) # extract xywh and conf xywh = x[i][..., :4] # [bs, na*h*w, 4] conf_cls = x[i][..., 4:] # [bs, na*h*w, nc+1] # convert xywh -> center point (cx,cy) + scale (sqrt(w*h)) cx = (xywh[..., 0] + xywh[..., 2]) / 2 cy = (xywh[..., 1] + xywh[..., 3]) / 2 scale = torch.sqrt((xywh[..., 2] - xywh[..., 0]) * (xywh[..., 3] - xywh[..., 1])) # stack as [cx,cy,scale,conf] conf = conf_cls[..., 0:1] # use first class conf as objectness output_point = torch.cat([cx.unsqueeze(-1), cy.unsqueeze(-1), scale.unsqueeze(-1), conf], dim=-1) x[i] = output_point # now shape [bs, na*h*w, 4]

关键说明：scale不是物理尺度，而是归一化后的相对面积开方（范围0~1），它决定了后续密度核的宽度——远处人小但scale值低，核更宽以覆盖模糊定位；近处人框大scale高，核更窄避免过度扩散。这个设计让模型隐式学习“距离感知”，比单纯用depth sensor或focal length校正更鲁棒。

2.2 替换NMS为Density-Aware Clustering：解决密集遮挡下的计数坍塌

标准NMS在人群密集区会暴力抑制重叠框，导致同一簇人只剩1个检测点。我们改用基于空间距离和置信度加权的DBSCAN变种：对每个检测点计算其k近邻的平均置信度，若低于阈值则降权而非删除；对高置信度簇中心，用最小外接矩形面积反推局部人数密度系数。核心函数如下：

# utils/density_cluster.py def density_aware_clustering(dets, eps=15, min_samples=3, conf_thres=0.3): """ dets: tensor of shape [N, 4] with [cx,cy,scale,conf] eps: max distance (pixel) for neighbor search min_samples: min neighbors to form a cluster conf_thres: low-conf points are down-weighted but kept returns: list of clusters, each cluster is [cx_mean, cy_mean, density_weight, count] """ if len(dets) == 0: return [] coords = dets[:, :2].cpu().numpy() # [N,2] confs = dets[:, 3].cpu().numpy() # DBSCAN clustering on xy only clustering = DBSCAN(eps=eps, min_samples=min_samples).fit(coords) labels = clustering.labels_ clusters = [] for label in set(labels): if label == -1: # noise points continue mask = (labels == label) pts_in_cluster = dets[mask] # weighted center weights = pts_in_cluster[:, 3] # conf as weight cx_w = (pts_in_cluster[:, 0] * weights).sum() / weights.sum() cy_w = (pts_in_cluster[:, 1] * weights).sum() / weights.sum() # density weight: mean scale * mean conf * cluster area factor scale_mean = pts_in_cluster[:, 2].mean().item() conf_mean = weights.mean().item() # approximate cluster area by bounding box diagonal xs, ys = pts_in_cluster[:, 0].cpu().numpy(), pts_in_cluster[:, 1].cpu().numpy() area_factor = np.hypot(xs.max() - xs.min(), ys.max() - ys.min()) / 100.0 density_weight = scale_mean * conf_mean * max(area_factor, 0.1) count = len(pts_in_cluster) clusters.append([cx_w, cy_w, density_weight, count]) return clusters

参数说明：eps=15对应像素距离，需根据输入分辨率调整（1920×1080下15px约0.5m）；min_samples=3确保至少3人成簇才触发密度加权，单人点仍保留原始计数；conf_thres不用于过滤，仅作低置信点降权依据。此函数输出的density_weight将直接用于下一步密度图卷积的kernel size缩放。

2.3 构建自适应密度图：用动态高斯核替代固定核，避免边缘失真

传统密度图用固定σ=5的高斯核对每个点卷积，导致远距离小人核过宽、近距离大人核过窄。我们让每个cluster的kernel σ由density_weight动态决定：sigma = 2.0 + 8.0 * density_weight（范围2~10）。使用PyTorch的torch.nn.functional.grid_sample实现高效可导渲染：

# utils/density_map.py def generate_density_map(clusters, img_shape, sigma_min=2.0, sigma_max=10.0): """ clusters: list of [cx,cy,density_weight,count] img_shape: (H,W) returns: density map tensor [1,H,W] """ H, W = img_shape density = torch.zeros(1, H, W, dtype=torch.float32, device='cpu') # precompute grid for bilinear sampling y_grid, x_grid = torch.meshgrid(torch.arange(H), torch.arange(W), indexing='ij') y_grid = y_grid.float().unsqueeze(0) # [1,H,W] x_grid = x_grid.float().unsqueeze(0) for cx, cy, dw, count in clusters: # dynamic sigma sigma = sigma_min + (sigma_max - sigma_min) * dw # create gaussian kernel centered at (cx,cy) dy = y_grid - cy dx = x_grid - cx dist_sq = dx**2 + dy**2 kernel = torch.exp(-dist_sq / (2 * sigma**2)) # normalize so integral ≈ 1 kernel = kernel / (2 * np.pi * sigma**2) # add weighted contribution: count * kernel density += count * kernel return density

注意：此处count是簇内原始检测数，不是密度值——它保证物理人数守恒；dw只调控kernel形状，不改变总量。最终密度图单位是“人/像素²”，需乘以像素物理面积（如0.01m²/pixel）转为人/m²。该实现比OpenCVcv2.GaussianBlur快3倍，且支持梯度回传，方便端到端微调。

3. 数据准备与标注：为什么Point标注比Box标注更适合密度任务

很多人直接拿COCO或VisDrone的box标注数据集训YOLOv5，再强行接密度图，结果在测试时发现：遮挡严重区域计数偏差>40%，小目标（<16×16px）漏检率超65%。根本原因在于box标注隐含了“目标必须完整可见”的假设，而密度估计的核心是定位人体中心点——哪怕只露半张脸，只要能判别是人，中心点就该存在。因此必须采用point-level标注，并配套三类增强策略。

3.1 标注规范：用.txt文件存center point，而非.xml存bbox

每张图对应一个同名.txt文件，每行格式为class_id cx cy（class_id固定为0，因只检人），坐标归一化到[0,1]。示例0001.txt：

0 0.324 0.781 0 0.331 0.785 0 0.342 0.790 ...

为什么不用JSON或CSV：.txt解析最快，YOLOv5的dataset.py只需改两行即可加载；归一化坐标避免resize时重新计算；单类简化label处理逻辑。

3.2 关键增强：针对密度任务的3种定制化augmentation

YOLOv5默认的Albumentations增强对密度任务有害：RandomBrightnessContrast会改变人群对比度，导致暗区漏检；MotionBlur让小目标彻底消失；GridDistortion扭曲空间关系，破坏密度梯度。我们启用以下三项定制增强：

# data/augment.yaml train: perspective: {scale: [0.05, 0.1], p: 0.5} gauss_noise: {var_limit: [10.0, 30.0], p: 0.7} coarse_dropout: {max_holes: 8, max_height: 32, max_width: 32, p: 0.5} # 注释掉 brightness, motion_blur, grid_distortion

血泪经验：在ShanghaiTech Part_A数据集上，禁用MotionBlur使小目标AP@0.5提升12.3%，启用CoarseDropout让遮挡场景MAE下降21%。增强不是越多越好，要针对密度任务的物理缺陷设计。

3.3 数据集构建：如何用现有box数据快速生成point标注

若只有box标注（如CrowdHuman），可用以下脚本批量转point：

# tools/box2point.py import xml.etree.ElementTree as ET import os def box_to_center_point(xml_path, img_w, img_h): tree = ET.parse(xml_path) root = tree.getroot() points = [] for obj in root.findall('object'): bbox = obj.find('bndbox') xmin = float(bbox.find('xmin').text) ymin = float(bbox.find('ymin').text) xmax = float(bbox.find('xmax').text) ymax = float(bbox.find('ymax').text) # center point, normalized cx = (xmin + xmax) / 2 / img_w cy = (ymin + ymax) / 2 / img_h points.append(f"0 {cx:.6f} {cy:.6f}") return points # 批量处理 for xml_file in os.listdir('Annotations/'): if xml_file.endswith('.xml'): img_name = xml_file.replace('.xml', '.jpg') # 获取对应图片尺寸（需提前存于img_size.txt） with open('img_size.txt') as f: sizes = {line.split()[0]: tuple(map(int, line.split()[1:])) for line in f} w, h = sizes[img_name] points = box_to_center_point(os.path.join('Annotations/', xml_file), w, h) with open(os.path.join('labels/', xml_file.replace('.xml', '.txt')), 'w') as f: f.write('\n'.join(points))

提示：此脚本生成的point在严重遮挡时可能偏移（如只标头，中心点在头顶），需人工抽检10%样本修正。真正的高质量密度数据集（如UCF-QNRF）均采用人工point标注，不可省略质检环节。

4. 训练与超参调优：YOLOv5密度版的5个必调参数与收敛陷阱

YOLOv5原版训练脚本针对分类+定位优化，直接用于point回归会陷入“定位准但尺度乱”的陷阱：loss下降快，但scale预测值方差极大，导致密度图核宽失控。必须调整损失函数权重、学习率策略和anchor匹配逻辑。以下是实测有效的5个关键参数及其物理意义。

4.1 修改损失函数：为scale和conf分配独立权重

在models/yolo.py的ComputeLoss类中，原loss包含box,obj,cls三部分。我们新增scale_loss和conf_loss，并赋予不同权重：

# models/yolo.py 第320行附近 # 原loss计算后添加 if self.nc > 0: # scale loss: L1 between pred_scale and gt_scale (estimated from box area) gt_scale = torch.sqrt((targets[:, 4] - targets[:, 2]) * (targets[:, 5] - targets[:, 3])) scale_loss = self.l1_loss(pred_scale, gt_scale) * 0.8 # weight 0.8 # conf loss: focal loss on objectness conf_loss = self.focal_loss(pred_conf.squeeze(-1), torch.ones_like(pred_conf.squeeze(-1))) * 0.5 loss += scale_loss + conf_loss

参数说明：scale_loss权重0.8高于conf_loss的0.5，因为scale误差直接影响密度核大小，比置信度误差危害更大；focal_loss替代BCELoss，缓解正负样本不平衡（人群图中背景像素占比>99%）。

4.2 Anchor匹配策略：用center distance替代IOU匹配

YOLOv5默认用IOU匹配anchor与gt，但point标注无gt box，无法算IOU。改为计算gt center到anchor中心的欧氏距离，距离最小的anchor负责预测该点：

# utils/loss.py 第145行 # 替换原match逻辑 for si, pred in enumerate(preds): # [bs, na, h, w, 4] # get anchor centers on feature map anchor_centers = torch.stack([ (torch.arange(pred.shape[2]) + 0.5) * stride[si], # cx (torch.arange(pred.shape[1]) + 0.5) * stride[si] # cy ], dim=-1).view(-1, 2) # [na*h*w, 2] # compute distance matrix between gt centers and anchor centers dist_matrix = torch.cdist(gt_centers, anchor_centers) # [ngt, na*h*w] # assign each gt to closest anchor _, anchor_idx = dist_matrix.min(dim=1) # [ngt]

为什么有效：center distance匹配天然适配point标注，且避免IOU匹配在小目标上的失效（小目标IOU普遍<0.1，易被忽略）。

4.3 学习率调度：用CosineAnnealing + LinearWarmup替代StepLR

密度任务需要前期快速收敛定位，后期精细调整scale。StepLR在50epoch后lr骤降，导致scale loss震荡。改用warmup 3epoch + cosine decay：

# train.yaml lr0: 0.01 # initial lr lrf: 0.1 # final lr ratio warmup_epochs: 3 warmup_momentum: 0.8

实测对比：在ShanghaiTech Part_B上，cosine调度使scale MAE从0.18降至0.11，且训练曲线平滑无抖动。

4.4 Batch Size与Input Size协同调优

YOLOv5默认imgsz=640，但密度图需保持空间精度。实测发现：imgsz=1280时，小目标召回率+15%，但显存暴涨。解决方案是梯度累积+动态resize：

# train.py 第210行 if opt.imgsz != 640: # 动态resize：每batch随机选[960,1280,1600]之一 imgsz_list = [960, 1280, 1600] imgsz = random.choice(imgsz_list) dataset.img_size = imgsz model.grids = [] # rebuild grids for new size

参数组合：batch_size=8+imgsz=1280+gradient_accumulation_steps=4，等效bs=32，显存占用与原版bs=32@640相当，但空间分辨率翻倍。

4.5 验证指标：不用mAP，用MAE/MSE和Density Correlation

YOLOv5默认验证用mAP@0.5，但密度任务关心的是总数误差和空间分布保真度。在val.py中添加：

# val.py 第380行 # after computing predictions pred_density = generate_density_map(pred_clusters, (h,w)) gt_density = load_gt_density_map(img_path.replace('images','gt_density')) mae = torch.abs(pred_density - gt_density).mean().item() mse = ((pred_density - gt_density)**2).mean().item() corr = np.corrcoef(pred_density.flatten(), gt_density.flatten())[0,1] print(f"MAE: {mae:.3f}, MSE: {mse:.3f}, Corr: {corr:.3f}")

验收标准：MAE < 15人（对1000人场景），Corr > 0.85，表示空间分布趋势正确。mAP高但Corr低，说明模型“框得准但数不准”，必须返工。

5. 部署与避坑：CPU端实时推理的3个致命陷阱与绕过方案

YOLOv5密度系统在GPU服务器上跑得飞快，但落地到边缘设备（如Jetson Nano、RK3399）时，常出现“帧率达标但计数跳变”“内存泄漏卡死”“夜间红外图全漏检”等问题。这些不是模型问题，而是部署链路中的隐藏陷阱。以下是实测踩过的3个致命坑及硬核解法。

5.1 陷阱1：OpenCV imread自动转BGR，导致YOLOv5预处理错乱

YOLOv5训练时用cv2.imread读图，默认BGR顺序，但torchvision.transforms.ToTensor()会按RGB处理，导致颜色通道错位。在Jetson上，cv2.imread有时返回BGRA（带alpha通道），引发tensor shape mismatch。

现象：模型输出conf全为0，或density map全黑
原因：cv2.imread(path)返回shape(H,W,4)，而YOLOv5 expect(H,W,3)，后续resize/crop出错
解决：强制转BGR并截断alpha通道

# deploy/inference.py def load_image_cv2(path): img = cv2.imread(path) if img is None: raise ValueError(f"Failed to load {path}") # ensure 3-channel BGR if len(img.shape) == 3 and img.shape[2] == 4: img = img[:, :, :3] # drop alpha elif len(img.shape) == 2: img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR) return img # BGR order, ready for YOLOv5 preprocess

玄学提示：Jetson系列固件版本影响cv2.imread行为，务必在目标设备上实测输出shape，不要依赖开发机结果。

5.2 陷阱2：PyTorch DataLoader多进程在ARM CPU上内存泄漏

YOLOv5默认num_workers=8，在x86上没问题，但在RK3399（4GB RAM）上，DataLoader子进程fork后不释放显存，运行2小时后OOM。

现象：top显示python进程RSS持续增长，最终Killed
原因：ARM Linux的fork机制与PyTorch CUDA context冲突，子进程继承父进程GPU句柄
解决：禁用多进程，改用单线程+预加载缓冲

# deploy/dataloader.py class SimpleImageLoader: def __init__(self, image_paths, batch_size=1): self.image_paths = image_paths self.batch_size = batch_size # preload all images into memory (for <1000 imgs) self.images = [load_image_cv2(p) for p in image_paths] def __iter__(self): for i in range(0, len(self.images), self.batch_size): batch = self.images[i:i+self.batch_size] yield batch

权衡：牺牲吞吐量换稳定性。实测RK3399上num_workers=0时，内存恒定在1.2GB，帧率从24fps降至18fps，但可7×24运行。

5.3 陷阱3：红外图像白平衡缺失，导致YOLOv5 backbone特征崩塌

安防摄像头夜间切红外模式后，图像呈灰绿色，YOLOv5在RGB域训练的backbone（如CSPDarknet）无法提取有效特征，小目标检测率暴跌至<20%。

现象：白天正常，夜间检测框稀疏，density map大片空白
原因：YOLOv5输入需RGB，但红外图非RGB，直接cv2.cvtColor(img, cv2.COLOR_BGR2RGB)无效
解决：添加红外图像专用预处理pipeline

# deploy/preprocess_ir.py def preprocess_ir_image(img_bgr): """ img_bgr: BGR image from IR camera returns: RGB-like tensor normalized for YOLOv5 """ # Step 1: convert to grayscale (IR is monochrome) gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) # Step 2: enhance contrast with CLAHE clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) enhanced = clahe.apply(gray) # Step 3: expand to 3-channel pseudo-RGB img_rgb = cv2.cvtColor(enhanced, cv2.COLOR_GRAY2RGB) # Step 4: normalize same as YOLOv5 img_tensor = torch.from_numpy(img_rgb).float().permute(2,0,1) / 255.0 return img_tensor.unsqueeze(0) # [1,3,H,W]

验证技巧：用torchvision.utils.make_grid可视化预处理前后tensor，确认红外图经CLAHE后纹理清晰、无过曝。

6. 系统级验证与工程化技巧：用真实视频流压测密度系统的3个硬指标

模型跑通只是开始，系统能否在真实场景中可靠运行，取决于三个硬指标：时间一致性（相邻帧计数波动<±5%）、空间鲁棒性（不同区域密度误差标准差<12人/m²）、负载耐受性（CPU占用率<75%时维持15fps）。这些无法靠单图test验证，必须用真实视频流压测。以下是我在地铁站出口实测时总结的验证方法和调优技巧。

6.1 构建视频压测流水线：用ffmpeg + python subprocess控制帧率与丢帧

不用OpenCV VideoCapture（其内部缓冲不可控），改用ffmpeg命令行精确控制输入：

# 生成恒定15fps的测试流（模拟IPC摄像头） ffmpeg -re -i input.mp4 -vf "fps=15" -c:v libx264 -preset ultrafast -f mpegts udp://127.0.0.1:1234

# deploy/stream_test.py import subprocess import numpy as np def read_stream_frames(): cmd = [ 'ffmpeg', '-i', 'udp://127.0.0.1:1234', '-f', 'image2pipe', '-pix_fmt', 'bgr24', '-vcodec', 'rawvideo', '-' ] pipe = subprocess.Popen(cmd, stdout=subprocess.PIPE, stderr=subprocess.DEVNULL) while True: # read exactly one frame: H*W*3 bytes frame_bytes = pipe.stdout.read(1920*1080*3) if len(frame_bytes) != 1920*1080*3: break frame = np.frombuffer(frame_bytes, dtype=np.uint8).reshape((1080,1920,3)) yield frame

为什么有效：ffmpeg管道输出无内部缓冲，read()阻塞等待一帧，确保帧率严格15fps；-preset ultrafast降低编码延迟，避免ffmpeg自身成为瓶颈。

6.2 时间一致性验证：用滑动窗口MAE量化帧间抖动

对连续100帧的计数结果计算滑动窗口MAE（窗口大小10）：

# metrics/temporal_consistency.py def compute_temporal_mae(counts, window_size=10): """ counts: list of total counts per frame returns: MAE of |count[i] - count[i-1]| over sliding window """ diffs = [abs(counts[i] - counts[i-1]) for i in range(1, len(counts))] windows = [diffs[i:i+window_size] for i in range(len(diffs)-window_size+1)] window_maes = [np.mean(w) for w in windows] return np.mean(window_maes) # 实测阈值：MAE < 8.5 表示时间一致（对200人基准场景）

调优技巧：若MAE超标，关闭density_aware_clustering中的min_samples约束，改用min_samples=1并增加conf_thres=0.5，让单人点也能参与密度加权，平滑帧间波动。

6.3 空间鲁棒性验证：划分ROI网格，统计各格密度误差分布

将画面划分为8×6网格，对每个格计算预测密度与人工标注密度的绝对误差，汇总为直方图：

# metrics/spatial_robustness.py def roi_error_distribution(pred_map, gt_map, grid_h=8, grid_w=6): h, w = pred_map.shape dh, dw = h // grid_h, w // grid_w errors = [] for i in range(grid_h): for j in range(grid_w): pred_roi = pred_map[i*dh:(i+1)*dh, j*dw:(j+1)*dw].mean() gt_roi = gt_map[i*dh:(i+1)*dh, j*dw:(j+1)*dw].mean() errors.append(abs(pred_roi - gt_roi)) return np.array(errors)

工程习惯：每次模型迭代后，必跑此脚本生成误差分布报告。曾发现某次更新后[15,30)占比升至12%，定位到是generate_density_map中sigma_max从10误设为15，导致核过宽。

6.4 负载耐受性压测：用psutil监控CPU+内存，拒绝“虚假流畅”

很多demo只报FPS，却忽略系统负载。真实场景中，CPU占用>85%会导致其他服务（如网络传输、存储写入）卡顿。用psutil实时监控：

# deploy/monitor.py import psutil import time def monitor_system(interval=1): cpu_percent = psutil.cpu_percent(interval=interval) memory = psutil.virtual_memory() return { 'cpu': cpu_percent, 'memory_percent': memory.percent, 'memory_used_mb': memory.used / 1024 / 1024 } # 在主循环中每秒采样 while running: start_time = time.time() result = infer_frame(frame) end_time = time.time() fps = 1 / (end_time - start_time) sys_info = monitor_system() print(f"FPS: {fps:.1f}, CPU: {sys_info['cpu']:.1f}%, MEM: {sys_info['memory_used_mb']:.0f}MB")

我的教训：曾为提升FPS将imgsz从1280降到960，FPS从18升到24，但CPU从68%飙到92%，导致RTSP流推送延迟>3秒。最终选择imgsz=1024，FPS=21，CPU=72%，系统整体更稳。不要迷信单点指标，要盯住系统级健康度。

希望帮到你。

本文还有配套的精品资源，点击获取