企业官网建设流程全解析

做手机检测数据集，这个念头最早是从一次商场客流项目里冒出来的。客户想统计顾客在展台前停留时有没有拿手机，后来发现类似的场景越来越多：教室里学生是否低头看手机、工厂车间员工是否违规使用手机、驾驶场景里的分神检测。于是就有了这份2800张的YOLO目标检测数据集。它解决的核心问题很简单：给定一张图片或一帧视频，用目标检测算法把画面里的手机框出来。适合刚接触YOLO、想训练一个自定义检测器的初学者，也适合做移动端边缘部署的工程师。这里我不打算只甩一个下载链接，而是完整记录一下这份数据集的构建思路、标注规范、训练过程和踩过的坑，你可以直接照着跑一遍。

1. 手机检测，到底解决什么问题

1.1 不是识别手机品牌，是检测“手机”这个目标

先澄清一个很多人会误会的点：手机检测不是OCR识别屏幕内容，也不是判断手机型号，而是把手机当成一个目标框出来。目标检测任务的核心输出是边界框和类别，在这个项目里，类别只有一类：phone。为什么不做品牌识别？因为实际业务里客户大多只关心“这个人有没有拿手机”，不关心“拿的是哪个牌子”。检测出手机的位置后，后续才能接业务逻辑——比如判断手机是否靠近耳朵、是否在操作屏幕、是否在口袋里亮着屏。

这个定位直接影响数据集制作策略：我只需要保证手机目标清晰、边界明确，不需要为每个品牌单独收集样本。有些公开数据集里手机分类特别多，品牌型号都分得很细，看起来丰富，但对单类别的手机检测反而是一种干扰。类别越单一，模型越容易收敛，误检率也越低。我在这份数据集里从头到尾只保留了一个标签，训练配置也更简单。

1.2 为什么选YOLO，而不是Faster R-CNN或SSD

选择YOLO不是因为它“新”，而是因为它最适合这个场景。手机检测经常要跑在实时视频流里，比如门店摄像头、课堂摄像头、工厂监控，帧率需求往往是25帧以上。两阶段的Faster R-CNN精度更高，但速度很难拉满；SSD速度快，但对小目标的效果不太理想。YOLO系列从v5到v8再到v11，速度和精度的平衡做得最好，而且ultralytics把训练、评估、导出封装得很干净，新手照着抄就能跑通。

YOLO的生态完整也是一个关键因素。训练完可以一键导出ONNX、TensorRT、OpenVINO这些格式，手机检测的落地设备往往是Jetson、树莓派、工业盒子这类边缘硬件，TensorRT加速后的YOLO模型能在很低的功耗下跑出不错的速度。我在T4上用TensorRT做过1080p视频流的测试，640分辨率输入，单卡具体能扛多少路视频取决于解码能力和batch策略，但YOLO本身不会成为瓶颈。这也是我一直推荐YOLO的原因：算法适配性强，工程化路径也成熟。

2. 2800张数据集是怎么攒出来的

2.1 数据来源与采集多样性设计

2800张听起来不多，但对于单类别目标检测来说，配合迁移学习完全够用。关键不是数量，而是多样性。我采集时特意覆盖了几个维度：场景包括室内、室外、办公桌、车内、街头；光照包括强光、逆光、夜间、室内灯光；手机姿态包括横屏、竖屏、放在桌上、握在手里、靠近耳边；遮挡程度包括全目标可见、被手部分遮挡、被其他物体遮挡。这些维度直接决定了模型能不能在真实环境里站稳脚跟。

数据来源主要有三块。一是自己用手机和相机拍的，贴近真实业务场景，这部分占大头；二是从公开数据集里筛选，很多通用目标检测数据集本身就有手机类别，抽出来重新整理；三是在合规前提下收集身边设备拍摄的素材。最后一块一定要处理好隐私，拍摄时避开可识别的人脸和车牌，或者后期打码。人脸不是我们要检测的目标，打码不影响手机检测，但能省掉一堆麻烦。

容易忽略的一点：不要只拍固定角度。如果你只在桌面上从上往下拍，模型对平视、斜视场景几乎失效。我建议每张图尽量模拟真实摄像头的视角，也就是稍微带点俯角，不是水平正对屏幕。真实监控都是有一定高度的俯拍，数据分布贴近实际使用场景，模型才会好用。

2.2 清洗和筛选标准

数据采集完成后，我过了一遍人工筛选。标准有三条。第一，模糊和运动拖影的直接删，这类图对训练没有帮助，反而会让模型学到错误特征。第二，手机在画面里占比过小的保留一部分，但不能太多，否则模型学不到“手机长什么样”。第三，重复背景的只保留有代表性的几张，避免某一场景在训练集里一家独大，导致模型对特定背景过拟合。

清洗这一步我用脚本做了辅助。先让预训练的YOLO模型跑一遍粗筛，把没有检测到任何手机类别的图片筛出来人工确认，检测到的部分再抽查。这样能节省大概三分之一的人工时间。粗筛不是为了生成标注，只是为了排除明显不合格的图片，减少人工浏览量。清洗完的数据集大概损失了百分之十的图片，剩下的都是清晰、目标可见、场景有区分度的样本。

2.3 数据增强的正确姿势

YOLO训练内置了丰富的增强操作，比如Mosaic、随机翻转、颜色扰动、随机缩放。但增强不是越猛越好。我在2800张的基础上开了默认增强，又额外叠加了随机亮度和对比度扰动，训练时每个epoch看到的图都不一样，相当于把数据集扩大了好几倍。

这里有两个雷区。一是不要做改变目标语义的增强，比如把手机旋转180度。虽然目标还是手机，但真实场景里很少出现倒置手机，强行加入反而可能引入无用特征。二是不要过度使用Mosaic增强。Mosaic本身对小目标友好，但太强的拼接会让边界产生大量截断，模型对“手机完整形态”的记忆会变差。我这边Mosaic比例维持在0.8左右，并且在前10个epoch逐渐关闭，让后半程回归到真实构图。

3. 标注这一步，决定了训练上限

3.1 标注工具选型

标注工具我试过LabelImg、labelme、Roboflow，最后主力是LabelImg和Roboflow配合。LabelImg轻量，直接在本机跑，适合单机批量操作；Roboflow的在线标注和团队协作更方便，但网络环境要自己确认合规。如果只有一两百张图，用LabelImg完全够了；如果多人协作，Roboflow更友好。我不太建议一上来就用很复杂的工具，手机只有一类，画框是最简单的矩形框，不需要多边形，工具越简单，出错越少。

给新手一份工具建议：LabelImg用pip安装，启动后可以直接选择YOLO格式保存。它生成的txt文件每行格式是class x_center y_center width height，坐标已经归一化，省去后续转换。标注效率方面，一个人标一千张图大约要一个工作日，具体取决于每张图里的手机数量。我这份数据平均每张1.2个目标，总标注框大概3400个，两个人花了两个完整的工作日。

3.2 手机目标的边界定义

最有争议的问题：手机被手挡住了一部分，框怎么画？

我的原则是：框出手机可见部分的最大外接矩形，不凭空猜测被遮挡的部分。比如手机横屏拿着，手指挡住左下角，那么框的右边界是机身右边缘，上边界是屏幕上方边缘，下边界以可见的下边缘为准，左边界挡到哪算哪。不要脑补完整手机，否则框里会混入手指和背景，模型学到的是“手机加手”的组合，到了真实场景里手一换，就检测不出来。

第二个原则：手机放在桌上、拿在手里、放在耳边，只要可识别为手机就要框。屏幕亮着算，息屏也算，套着手机壳也算。只有一条充电线伸出来、机身完全在画面外的，不算。我在标注规范里专门加了一条：手机只有极小部分可见时，比如只露出一个角，不标注。这类标注会让模型学习到大量背景干扰，还不如不标。

3.3 转换成YOLO格式的要点

不管用什么工具，最后都要统一成YOLO格式。YOLO的标签是txt文件，文件名和图片名一一对应。格式为：class_id x_center y_center width height，其中x_center、y_center、width、height都是相对图片宽高的比例，取值在0到1之间。

转换时最常见的错误是坐标写反、归一化除以错误的分母、类别id从1开始。YOLO类别id从0开始，只有phone一类时，id就是0。我写过一个转换脚本，把PascalVOC的xml转成txt，核心逻辑就几行：

def convert(size, box): dw = 1.0 / size[0] dh = 1.0 / size[1] x = (box[0] + box[2]) / 2.0 y = (box[1] + box[3]) / 2.0 w = box[2] - box[0] h = box[3] - box[1] return (x * dw, y * dh, w * dw, h * dh)

注意检查：如果一个txt文件为空，代表这张图没有目标，训练时会被当作背景图。背景图不能太多，否则模型会偏向“什么都不检测”，但也不能完全没有，否则容易把所有东西都当成手机。我保留了大概百分之五的空标签场景图，而且专门挑了一些桌面上放着遥控器、充电宝、眼镜盒的图，让模型学会区分“像手机但不是手机”的东西。

4. 从零开始跑通YOLO训练

4.1 环境配置：零基础也能装好

YOLO训练现在最省事的方式是使用ultralytics库。环境配置三步走：先装Python 3.8以上版本，然后创建虚拟环境，最后pip install ultralytics。如果机器有NVIDIA显卡，还需要装好CUDA和PyTorch的GPU版本。没有显卡也能训练，只是会很慢。一两百张的小数据集用CPU能跑完，但几千张还是建议用GPU。

一个零基础容易卡住的点：CUDA版本和PyTorch不匹配。我的建议是别追最新CUDA，12.1左右最稳，PyTorch用官方命令对应安装。如果用的是云GPU，环境一般已经配好，直接pip install ultralytics就行。我在一块RTX 4060上，imgsz=640，batch=16，2800张数据集训练100个epoch大约花了两个小时，速度完全可以接受。

4.2 数据集划分与yaml配置

训练前要把数据集划分成训练集、验证集、测试集。我的划分比例是8:1:1。别看测试集只占10%，它对判断模型泛化很重要。划分时注意：同一场景的连续帧只能放到同一个集合里，绝不能同时出现在训练集和验证集中。否则验证集和训练集高度相似，指标虚高，部署到新场景直接露馅。

划分完成后写一个数据集配置文件dataset.yaml：

path: /path/to/phone-dataset train: images/train val: images/val test: images/test names: 0: phone

文件路径可以用绝对路径，也可以相对于path。names必须从0开始连续编号，这里只有一个类，所以只有0: phone。写错names或者路径不对，训练时会直接报错，最常见的错误是“AssertionError: train dataset not found”，八成是路径少了层级。

4.3 训练命令与参数选择

在ultralytics中，训练命令非常简洁：

yolo detect train data=dataset.yaml model=yolov8s.pt epochs=100 imgsz=640 batch=16

model参数可以指定yolov8n.pt、yolov8s.pt、yolov8m.pt等，分别对应不同大小的预训练模型。复杂场景用s或m，速度优先用n。手机检测不算特别难，我用n也能达到不错效果，但为了稳定还是建议s起步。如果不指定，ultralytics会自动下载预训练权重到本地，第一次训练会联网下载。

超参数方面，imgsz=640是默认值，对大多数场景够用。如果手机在画面里普遍很小，可以试试imgsz=1280，但显存消耗会变大。batch大小根据显存调整，一般用显卡显存的百分之八十作为上限。学习率不用改，默认的AdamW和自动调度已经调得很好。新手最容易犯的错误是epochs设太少，我先用50个epoch看趋势，稳定后加到100。如果到100个epoch损失还没完全平，再加也不迟。

4.4 训练过程监控与常见报错

训练开始后，控制台会输出每个epoch的train损失、val损失，以及precision、recall、mAP50、mAP50-95等指标。我习惯把结果可视化到TensorBoard，ultralytics会自动保存runs/detect目录下的训练结果，用浏览器打开就能直接看曲线，比纯看控制台直观得多。

常见报错我整理一下。显存不足时，把batch调小或者降低imgsz。数据标签格式不对时，报错信息会指向某个txt文件，检查是否有多余空格、缺列、坐标越界。权重下载超时一般是网络问题，可以手动下载后放到指定目录。还有“Zero division”错误，往往是因为某个类别在验证集中完全没有出现，检查一下划分文件。这些坑看着小，但每个都能卡住新手一两个小时。

5. 模型评估、调优与部署

5.1 指标怎么看：mAP和PR曲线

训练结束后，最关心的指标是mAP@0.5、mAP@0.5:0.95和precision、recall。mAP@0.5指的是IoU阈值为0.5时所有类别的平均精度，简单说就是“框得差不多的算对”。mAP@0.5:0.95更严格，从0.5到0.95每隔0.05算一次再平均，更适合评估精细定位能力。

我的数据集是单类别，最后mAP@0.5稳定在0.96左右，mAP@0.5:0.95在0.82左右。这个成绩说明定位基本靠谱。但我不会只看mAP，还会看precision和recall的平衡。precision高、recall低，说明模型非常“谨慎”，宁可不检也不误检；recall高、precision低，就是宁可错杀也不漏检。具体业务里，如果是安全监控场景，我更倾向于高recall，先保证把手机都找出来，再用后处理过滤误检。所以训练后不要只盯着mAP，要结合业务场景选一个合适的置信度阈值。

5.2 调优的几个实用技巧

如果模型效果不达标，我一般按这个顺序排查：数据质量、标注一致性、类别均衡、超参数、网络结构。在手机检测里，最容易出效果的是三件事。

第一，提升小目标检测能力，可以打开ultralytics自带的切片推理，或者把训练尺寸提高到1280，代价是推理变慢。第二，调整anchor。YOLO会自动学习anchor，但如果数据集里手机的长宽比很特殊，比如平板手机偏方形，可以关闭自动anchor并手动指定。第三，用更多负样本抑制误检，采集一些没有手机但长得像手机的东西，比如遥控器、充电宝、反光物体，标注成背景。

我自己早期遇到的问题是遥控器误检为手机。解决办法不是增加正样本，而是收集了两百张包含遥控器的背景图并标记为空，让模型明白“没有框就是没有目标”。这个操作对误检率的压制非常明显。

5.3 部署到实际项目的思路

训练完的模型导出方式很灵活。用ultralytics命令导出：

yolo export model=runs/detect/train/weights/best.pt format=onnx

ONNX是通用格式，可以再接TensorRT、OpenVINO或者OnnxRuntime。如果部署到Jetson上，我一般直接导出TensorRT引擎，速度比ONNX提升不少。部署时输入尺寸一般为640x640，输入RGB图像，输出是检测框。实际项目中，把摄像头帧resize到640，经过前处理、推理、后处理，得到每个检测框的坐标和置信度。

如果你跑的是1080p视频流，一次推理640x640的YOLOv8s在T4上大约几毫秒到十几毫秒，25帧每秒的项目负担不大。要支持更多路视频，可以用批处理或者TensorRT优化，但更常见的瓶颈其实是视频解码和数据拷贝，这部分就不只是YOLO能解决的了。

6. 常见问题与避坑实录

6.1 手机太小导致漏检

真实监控画面里，手机可能只有十几个像素大小。训练时特征很容易丢。建议先用原图训练一版，再看哪些图漏检。如果漏检的都是小目标，优先把imgsz提高到960或1280，其次让Mosaic增强的权重加大，给小目标更多上下文信息。另一个技巧是推理时做切片，把原始大图切成几个子图分别推理再合并结果，对小目标召回率提升显著，但推理时间会成倍增长，要提前算好算力余量。

6.2 把反光物体、遥控器误检成手机

误检说明模型学到了“矩形加高光”的组合特征，而不是真正的手机纹理。解决方法一是加负样本，二是检查标注框是否太松。如果标注框把手机周围的反光桌面也包进去了，模型就可能认为反光边缘是手机的一部分。我在复检时专门把边缘贴得太紧的标注放宽了一点，让框紧贴手机轮廓，误检立刻降了下来。第三是调高过滤置信度阈值，实际部署时把conf设到0.5以上，能滤掉大量低质量预测。

6.3 训练不收敛、损失震荡怎么办

常见原因有三个：标签格式错误导致部分图片没有正确读取；学习率过高；数据集里存在标注严重不一致的样本。建议每训练5个epoch就打开验证集图片看一眼预测结果，而不是只看损失曲线。损失震荡时先降低学习率，ultralytics可以设置lr0，比如从默认0.01降到0.005。另外，如果发现loss一直下不来，检查是否有目标框坐标越界了，有的标注工具会输出超出图片边界的框，YOLO读取后不会立刻报错，但训练效果会受影响。我写了个小脚本，把所有txt标签的坐标限制在0到1之间并打印越界样本，很快就能定位问题。

7. 数据集的下一步与个人体会

这份2800张的YOLO手机检测数据集，目前在我手头的几个项目里表现稳定，但我不认为它是个一步到位的产品。后续我至少会做三件事：一是补充更多夜间红外场景的数据，因为夜间监控的成像风格和白天差异很大；二是加入视频序列标注，连续帧可以让模型在时间维度上更稳定；三是尝试用YOLO实例分割模型，把手机从复杂背景中分割出来，对遮挡场景的效果会更好。

我最大的体会是，数据集的质量永远是第一位。同样的模型结构，用一份标注严谨、场景多样的数据，和一份随便标注的数据，效果可能是天壤之别。2800张图不多，但只要每一张都经得起放大检查，足够训练出能用于真实业务的检测器。如果你也要做类似的自定义目标检测项目，先把数据打磨扎实，再谈算法调优，这条路我是替你验证过的。