基于YOLO11的睡岗检测数据集构建与模型训练实践

一、场景背景

在工厂车间、值班室、监控中心以及仓储安防等岗位纪律检查场景中，睡岗行为（即工作人员在岗位上睡觉）是安全生产监管和值班质量抽查的重点关注对象。传统的人工巡查方式效率低、覆盖面有限，难以做到全天候实时监控。借助计算机视觉技术，我们可以自动识别睡岗行为，生成告警信息，从而提升监管效率。

本文围绕一个已标注的睡岗检测数据集，详细介绍如何基于YOLO11进行目标检测模型的训练。数据集仅包含一个类别（sleep），图片数量为100张，适用于小样本快速验证场景。文章将从数据集结构、标注类别说明、训练流程、验证指标以及常见坑点等方面展开，帮助读者快速上手。

二、数据集基本信息

本数据集来源于百度网盘目录“yolo格式的睡岗检测数据集”，项目名称为shuigangjiance。原始数据经过Label Studio导入整理后，选取了100张代表性图片，并生成了对应的Label Studio导入JSON和标注配置文件。

2.1 数据集结构

数据集目录结构建议如下（以YOLO格式组织）：

shuigangjiance/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
├── data.yaml
└── README.md

其中：

• images/train/ 和 images/val/ 分别存放训练集和验证集的图片。
• labels/train/ 和 labels/val/ 存放对应图片的YOLO格式标注文件（.txt），每行格式为：class_id x_center y_center width height，坐标值归一化到0~1。
• data.yaml 定义数据集路径、类别名称和数量。

2.2 数据统计

指标	数值
图片总数	100
标注类别	sleep（1类）
任务数量	100
视频素材	100张图片视频.mp4

由于图片数量较少，建议在训练时采用数据增强策略（如Mosaic、MixUp、随机翻转等）来扩充样本多样性，防止过拟合。

三、标注类别说明

当前数据集仅包含一个类别：sleep。

• 类别ID：0（在YOLO格式中，类别索引从0开始）
• 标注目标：对画面中处于睡眠状态的人员进行矩形框标注。典型场景包括：
  • 值班人员趴在桌上睡觉
  • 靠墙或仰头闭眼
  • 躺在椅子或地面上
• 标注原则：只标注明显处于睡眠状态（闭眼、姿势放松、长时间不动）的人员；短暂闭眼或低头看手机等行为不纳入标注。

注意：sleep类别定义相对宽泛，实际部署时建议结合业务规则（如持续时间阈值）来过滤误报。

四、样本画面观察

以下是从数据集中抽取的部分样本图片，展示了不同睡岗场景的典型画面。

从样本观察来看：

• 大部分图片为监控摄像头视角，拍摄角度固定，背景相对单一。
• 人员目标在画面中占比适中，存在遮挡和光照变化。
• 部分图片中人员姿势多样，增加了检测难度。

五、训练流程建议

5.1 环境准备

推荐使用Python 3.8+，安装Ultralytics YOLO11库：

pip install ultralytics

5.2 数据划分

将100张图片按8:2比例划分为训练集和验证集。注意保持类别分布均衡：

import os
import random
import shutil

# 假设原图在 images/ 目录，标注在 labels/ 目录
images = os.listdir('images')
random.shuffle(images)
split_idx = int(len(images) * 0.8)
train_imgs = images[:split_idx]
val_imgs = images[split_idx:]

# 创建目录并移动文件
for img in train_imgs:
    shutil.move(f'images/{img}', f'images/train/{img}')
    shutil.move(f'labels/{img.replace(".jpg", ".txt")}', f'labels/train/{img.replace(".jpg", ".txt")}')
# 类似处理验证集

5.3 配置data.yaml

train: ./images/train
val: ./images/val

nc: 1
names: ['sleep']

5.4 训练命令

使用YOLO11n（轻量版）进行快速验证：

yolo train model=yolo11n.pt data=data.yaml epochs=100 imgsz=640 batch=16

参数说明：

• model：预训练权重，可选yolo11n/s/m/l/x
• data：数据集配置文件
• epochs：训练轮次，小数据集建议50~100
• imgsz：输入图像尺寸，默认640
• batch：批大小，根据显存调整

5.5 训练过程监控

训练过程中，YOLO11会自动保存最佳权重（best.pt）和最后一个epoch权重（last.pt）。建议关注以下日志指标：

• train/box_loss：边界框损失
• train/cls_loss：分类损失
• train/dfl_loss：分布焦点损失
• metrics/precision：精确率
• metrics/recall：召回率
• metrics/mAP50：IoU阈值为0.5时的平均精度
• metrics/mAP50-95：IoU阈值从0.5到0.95的平均精度

六、验证指标与误检漏检分析

6.1 验证命令

训练完成后，使用验证集评估模型：

yolo val model=runs/detect/train/weights/best.pt data=data.yaml

6.2 常见指标解读

对于睡岗检测这类单类别任务，主要关注：

• Precision：检测到的目标中，真正为sleep的比例。
• Recall：所有真实sleep目标中，被检测到的比例。
• mAP50：在IoU=0.5下的平均精度，适合评估宽松条件下的检测效果。

6.3 误检与漏检分析

基于样本观察，可能出现的典型问题：

问题类型	表现	可能原因	改进建议
漏检	人员趴在桌上但未被检测到	目标被遮挡、角度异常	增加该类样本；使用更大模型
误检	将低头看手机识别为sleep	头部姿势相似	细化标注规则；增加负样本
定位不准	边界框过大或过小	标注不精确	复核标注质量；调整IoU阈值

七、素材配图建议

在撰写技术博客或制作项目展示时，建议从数据集中挑选以下类型的图片作为配图：

1. 样本展示图：选取2~3张典型睡岗场景图片，展示标注框效果。

   • 

2. 模型训练过程图：截取训练日志中的loss曲线和mAP曲线。

   • 

3. 验证结果图：展示模型在验证集上的检测效果，包括正确检测和误检示例。

   • 

4. 数据增强效果图：展示Mosaic、随机翻转等增强后的样本，体现数据多样性。

选择图片时，注意避免包含敏感信息（如人脸清晰可辨、公司logo等），确保符合隐私合规要求。

八、常见坑点与注意事项

1. 小样本过拟合：只有100张图片，直接训练容易过拟合。建议使用预训练权重（如yolo11n.pt）进行迁移学习，并开启数据增强。
2. 类别不平衡：如果某些睡岗姿势样本极少，可考虑在线困难样本挖掘或手动补充数据。
3. 标注质量：标注框的准确性直接影响模型效果。建议人工复核标注结果，确保框紧贴目标。
4. 验证集代表性：划分验证集时，确保包含各种睡岗姿势和光照条件，避免评估偏差。
5. 部署阈值调整：训练完成后，可通过调整置信度阈值（conf）和IoU阈值（iou）来平衡精确率和召回率，适应实际业务需求。

九、总结

本文基于一个100张图片的睡岗检测数据集，详细介绍了YOLO11模型的训练流程。从数据集结构、标注类别、样本观察到训练配置、验证分析，覆盖了目标检测项目的主要环节。虽然数据集规模较小，但足以用于算法验证和流程演示。

对于实际生产环境，建议：

• 扩充数据集至数千张，覆盖更多睡岗姿势和场景。
• 结合视频流进行连续帧分析，利用时间信息降低误报。
• 引入异常检测机制，对长时间未检测到人员活动的区域进行二次判断。

YOLO11作为当前较新的检测框架，在小样本场景下仍能取得不错的效果。读者可将本文流程迁移到其他单类别检测任务中，如离岗检测、跌倒检测等，只需替换数据集和类别配置即可。