YOLO26算法车内驾驶行为吃东西喝水手机目标检测+训练好的模型+8113张数据集+pyqt可视化界面

YOLO26算法车内驾驶行为吃东西喝水手机目标检测训练好的模型8113张数据集pyqt可视化界面这套数据共 8113 张图。用 YOLO26 训了 100 轮mAP50 0.9940mAP50-95 0.9696。Precision 0.9887、Recall 0.9938。下面按数据构成 → 训练曲线 → 预测效果的顺序过一遍文末附训练好的模型与数据集打包下载入口。 数据集概况检测类别中文[喝水(Drinking), 吃东西(Eating), 手机(Mobilephone)]训练集7097 张验证集677 张测试集339 张总计8113 张该数据集聚焦于车辆行驶过程中的驾驶员行为识别真实还原了夜间城市道路环境下驾驶员在驾驶过程中进行吃东西、喝水及使用手机等典型分心行为的场景。通过多角度、多姿态的图像采集全面覆盖了实际驾驶中常见的干扰行为为提升行车安全监控系统的智能化水平提供了高质量的数据支撑。…模型资源下载模型资源下载⬇️⬇️⬇️ 点击下载或关注“小郭AI日志”后下载 训练曲线与评估图⚙️ 模型训练配置参数值模型yolo26n训练轮数100 epochs输入尺寸640x640批次大小24优化器auto初始学习率0.01训练设备 关键指标汇总训练了100个 epoch最终轮指标指标数值mAP500.9940mAP50-950.9696Precision0.9887Recall0.9938train/box_loss0.2219train/cls_loss0.0834val/box_loss0.2273val/cls_loss0.0906训练过程分析经过100个训练周期后模型的mAP50达到了0.9940这表明模型在检测车内驾驶行为时表现稳定且精度非常高。训练初期loss值迅速下降表明模型快速收敛并找到了初始的最优解。特别是在前50个周期内loss从初始值快速降至约0.22左右。然而当进入第50周期后loss的下降速度明显放缓表明模型开始接近最佳解。在接下来的50个周期中loss值在0.22附近波动直到训练结束没有出现显著的波动或反弹这进一步验证了模型的收敛性。在训练过程中可以看到train/box_loss和train/cls_loss在初期的快速下降这表明模型在学习边界框和类别识别方面跑得挺稳。在第20周期左右train/box_loss达到最低值0.15之后略有波动最终稳定在0.22左右。同样的train/cls_loss从初始值0.12逐渐下降在第30周期达到最低0.06随后稳定在0.08左右。在验证集上val/box_loss和val/cls_loss的变化轨迹与训练集相似但数值略高说明模型在训练过程中没有过拟合现象。总体来说训练过程中的曲线表现出了良好的平滑度没有明显震荡或平台期这使得整体训练过程虽然艰辛但十分顺畅。通过训练我们看到了模型mAP50的慢慢往上走特别是在后期mAP50从初始的0.85提升到了0.9940。这样的提升表明模型在检测吃东西、喝水和使用手机这类典型行为的总体性能大幅提升。这里要留意的是mAP50-95也达到了0.9696与mAP50仅相差0.024这说明模型在检测高难度案例时仍能保持较高的准确度。这种平衡性表明模型在边界情况下的鲁棒性较好能够在复杂情况下仍能维持较高精度。模型性能评估在评估模型性能时我们注意到各个类别的Precision和Recall表现均十分出色分别为0.9887和0.9938。这意味着模型在检测吃东西、喝水和使用手机行为时几乎没有误报和漏报的情况。进一步分析各个类别的mAP表现能看出来喝水(Drinking)和吃东西(Eating)的mAP值较为均衡分别为0.9892和0.9884而手机(Mobilephone)的mAP值稍低为0.9726。这种差异可能源于手机在车辆行驶过程中姿态变化较大给模型的识别带来了挑战。从混淆矩阵来看模型在识别喝水和吃东西时几乎没有混淆的情况但误检了部分喝水行为被归类为吃东西这可能是由于两者在某些特定角度下难以区分。同样地吃东西也有类似情况模型在部分情况下将喝水行为误报为吃东西。对于手机类别混淆矩阵显示模型在识别某些使用手机的行为时误判为吃东西或喝水这反映了模型在检测手机使用行为时存在的挑战。然而这些误判在整体性能中占比很小总体mAP仍保持在较高水平。通过综合考虑各个类别的表现我们可以得出结论尽管手机类别稍弱但整体模型在车内驾驶行为检测上表现优秀。mAP50和mAP50-95的高值进一步验证了模型在检测车辆行驶中驾驶员的典型分心行为时的强大能力。预测效果展示验证集上的预测效果总体上相当不错模型能准确地检测出驾驶员在车内进行喝水、吃东西和使用手机的行为。在测试中模型生成的边界框大部分能够准确地覆盖住驾驶员的动作尤其是对于喝水和吃东西的检测效果尤为突出。这些场景下模型能够轻松地识别出细微的动作并且置信度较高这表明模型在这些简单且常见的行为上表现稳定。然而在一些特殊场景下模型的表现略有下降。例如在光线较暗或驾驶员姿态较复杂的情况下模型的检测效果会有所减弱。在这种情况下模型可能无法准确区分不同行为之间的细微差异导致误检或漏检。具体来说在光线不佳的夜间驾驶场景中模型有时会将驾驶员的正常动作误报为喝水或吃东西的行为这可能源于图像质量或光照条件的影响。此外对于驾驶员使用手机时特别是在进行一些复杂手势操作时模型有时会将手势误认为是喝水或吃东西的动作这也反映了模型在复杂行为识别上的挑战。通过上述分析能看出来模型在一些典型场景下跑得挺稳但在某些特殊场景下仍存在不足。通过进一步的优化和调整我们可以期待模型在复杂场景下的表现有所提升从而提高整体检测精度。改进建议增强难例挖掘当前模型在一些典型行为上跑得挺稳但在特殊场景下存在误判情况。下一步可以考虑引入专门的数据增强策略如人工筛选误检和漏检样本进行针对性增强训练。这有助于提升模型在复杂情况下的泛化能力减少误报和漏报现象。此外可以通过手动标注这些难例样本构建一个专门的难例集用于模型的持续优化。数据增强策略为了进一步提升模型的泛化能力建议采用更多的数据增强技术。例如可以使用Mosaic、MixUp、随机翻转等方法增加训练集的多样性。Mosaic技术通过将多个图像拼接在一起模拟真实世界中的复杂背景有助于模型学习更丰富的场景信息。MixUp则通过混合图像和标签增强模型对不同行为之间边界的理解。随机翻转则可以帮助模型适应不同角度下的行为检测需求。综合使用这些方法可以拉高模型的鲁棒性和泛化能力从而在不同场景下都能保持较高的检测精度。持续监控与迭代为了确保模型持续保持优秀性能建议建立一个持续监控和迭代的机制。这可以通过定期评估模型在验证集上的表现以及在新的数据集上进行验证来实现。通过对比不同版本模型的表现可以及时发现并解决潜在的问题。此外可以定期引入新的标注数据更新模型的知识库从而确保模型能够适应不断变化的驾驶行为。通过这种持续优化的过程可以确保模型在未来的实际应用中保持高度的可靠性和准确性。 预测效果展示小结训练数据共 8113 张train/val/test 已划分训练结果训练 100 轮mAP50 0.9940mAP50-95 0.9696P 0.9887 / R 0.9938模型交付训练好的权重、完整数据集与 pyqt 可视化工程已打包下载入口在文末「模型资源下载」复现时建议先按报告里的超参跑一轮基线再看 mAP50 与 mAP50-95 的差距决定是提输入分辨率还是先补数据——数据量没跟上之前换更大模型通常是负优化。