人工智能计算机视觉预训练模型系列第 1 期：行人检测模型实测记录

行人检测是目标检测中非常典型的应用方向，常见于园区安防、道路监控、客流统计、工地监管和边缘设备视觉分析等场景。它既要求模型能识别密集人群、小目标和遮挡目标，也要求模型在现场设备上保持稳定的推理速度。 本期训练与测试使用 RTX 3080 显卡，数据集共包含 8823 张图片，约 125 万个目标。训练集包含 7063 张图片、约 100 万个目标；验证集包含 1760 张图片、约 25 万个目标。 | 项目 | 内容 | | --- | --- | | 系列期数 | 第 1 期 | | 本期主题 | 行人检测 | | 任务类型 | 目标检测 | | 显卡型号 | RTX 3080 | | 数据集规模 | 8823 张图片，约 125 万个目标 | | 训练集规模 | 7063 张图片，约 100 万个目标 | | 验证集规模 | 1760 张图片，约 25 万个目标 |

从训练输入样例可以看到，行人检测数据中存在大量密集目标。这类数据对模型的定位能力、遮挡处理能力和小目标检出能力都有较高要求。  验证输入数据预测样例能够更直观地展示模型在多目标画面中的检测效果。相比只看指标，可视化结果可以帮助我们观察检测框是否稳定、是否存在明显漏检，以及模型对密集行人场景的适应情况。 

YOLOv5s 是本期记录的第一种行人检测模型。该模型包含 157 层网络、约 7M 参数、15.8 GFLOPs，模型文件大小为 14 MB。 训练配置方面，YOLOv5s 的 batch size 为 64，训练 993 个 epoch，训练过程显存占用约 16.5 GB，总训练时间为 63 小时。评估结果中，Precision 为 0.995，Recall 为 0.942，mAP50 为 0.985。 | 项目 | YOLOv5s | | --- | --- | | 网络层数 | 157 层 | | 参数量 | 7M | | 计算量 | 15.8 GFLOPs | | 模型文件 | 14 MB | | batch size | 64 | | epoch | 993 | | 训练显存 | 16.5 GB | | 训练时间 | 63 小时 | | Precision | 0.995 | | Recall | 0.942 | | mAP50 | 0.985 | 下面是 YOLOv5s 训练过程中的损失与指标变化趋势，用于观察训练收敛情况和模型评估指标变化。  推理性能方面，YOLOv5s 的推理显存占用为 368 MB。GPU 单张图片推理 4.3 毫秒，后处理 2.8 毫秒，总计 7.1 毫秒；CPU 单张图片推理 79.5 毫秒，后处理 37.3 毫秒，总计 116.8 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 4.3 ms | 2.8 ms | 7.1 ms | | CPU | 79.5 ms | 37.3 ms | 116.8 ms | 下面是一张本次测试使用的原始图片，以及导出模型后的检测结果。  

YOLO26s 是本期记录的第二种行人检测模型。该模型包含 260 层网络、约 10M 参数、22.5 GFLOPs，模型文件大小为 20 MB。 训练配置方面，YOLO26s 的 batch size 为 32，训练 686 个 epoch，训练过程显存占用约 16.0 GB，总训练时间为 25 小时。评估结果中，Precision 为 0.987，Recall 为 0.970，mAP50 为 0.993。 | 项目 | YOLO26s | | --- | --- | | 网络层数 | 260 层 | | 参数量 | 10M | | 计算量 | 22.5 GFLOPs | | 模型文件 | 20 MB | | batch size | 32 | | epoch | 686 | | 训练显存 | 16.0 GB | | 训练时间 | 25 小时 | | Precision | 0.987 | | Recall | 0.970 | | mAP50 | 0.993 | 推理性能方面，YOLO26s 的推理显存占用为 370 MB。GPU 单张图片推理 5.6 毫秒，后处理 2.7 毫秒，总计 8.3 毫秒；CPU 单张图片推理 119.8 毫秒，后处理 50.3 毫秒，总计 170.1 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 5.6 ms | 2.7 ms | 8.3 ms | | CPU | 119.8 ms | 50.3 ms | 170.1 ms |

本期围绕行人检测任务，记录了数据集规模、训练配置、模型指标、推理速度和可视化结果。YOLOv5s 与 YOLO26s 在这里作为两种轻量级目标检测模型被平行记录，重点不是做强弱排序，而是沉淀一套可复用的模型观察方式。 大模型未必一统天下，小模型尚有立足之地。 后续系列文章将继续沿用类似结构，围绕不同目标或场景记录计算机视觉预训练模型的训练与部署表现。对于垂直行业视觉任务来说，模型是否真正有价值，最终仍要回到数据、指标、推理性能和现场部署条件这几个核心问题上。