人工智能计算机视觉预训练模型系列第 5 期：反光衣检测模型实测记录

反光衣检测属于目标检测任务。它不只是判断画面里“有没有反光衣”，还要给出目标所在位置，这对安全告警、作业区域监管、视频巡检和后续统计分析都很关键。 本期训练与测试使用 RTX 3080 显卡，数据集共包含 6556 张图片，约 1.4 万个目标。其中训练集包含 4586 张图片、约 1.0 万个目标；验证集包含 1312 张图片、约 0.3 万个目标；测试集包含 658 张图片、约 0.1 万个目标。 | 项目 | 内容 | | --- | --- | | 系列期数 | 第 5 期 | | 本期主题 | 反光衣检测 | | 任务类型 | 目标检测 | | 显卡型号 | RTX 3080 | | 数据集规模 | 6556 张图片，约 1.4 万个目标 | | 训练集规模 | 4586 张图片，约 1.0 万个目标 | | 验证集规模 | 1312 张图片，约 0.3 万个目标 | | 测试集规模 | 658 张图片，约 0.1 万个目标 | 下面是本次反光衣检测任务的训练输入样例。实际画面中，反光衣可能出现在不同距离、不同角度和不同遮挡程度下，训练数据的多样性会直接影响模型在现场的泛化能力。  验证预测样例更适合观察模型对目标位置的框选效果。对于安全生产场景来说，漏检可能意味着风险没有被及时发现，误检则可能带来无效告警，因此可视化结果和指标都值得一起看。 

YOLOv5s 是本期记录的第一种反光衣检测模型。该模型包含 157 层网络，约 7M 参数，计算量为 15.8 GFLOPs，模型文件大小约 14 MB。它的特点是结构轻量、推理速度快，适合对实时性要求较高的摄像头巡检、边缘设备部署和工地安全监测场景。 训练配置方面，YOLOv5s 的 batch size 为 64，训练 1233 个 epoch，总训练时间约 47 小时。评估结果中，Precision 为 0.91，Recall 为 0.88，mAP50 为 0.93，说明模型在本次反光衣检测数据集上具备较好的识别与定位能力。 | 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 | 1233 | | 训练时间 | 47 小时 | | Precision | 0.91 | | Recall | 0.88 | | mAP50 | 0.93 | 下面是 YOLOv5s 训练过程中的损失与指标变化趋势。训练曲线可以帮助判断模型是否稳定收敛，也能为后续的数据清洗、轮次调整和部署评估提供依据。  推理性能方面，YOLOv5s 的推理显存占用为 366 MB。GPU 单张图片推理 4.86 毫秒，后处理 1.18 毫秒，总计约 6.04 毫秒；CPU 单张图片推理 80.01 毫秒，后处理 13.30 毫秒，总计约 102.31 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 4.86 ms | 1.18 ms | 6.04 ms | | CPU | 80.01 ms | 13.30 ms | 102.31 ms | 下面是一张本次测试使用的原始图片。对于反光衣检测模型来说，原图能帮助我们理解目标所处环境，例如背景复杂度、人员姿态、画面清晰度和目标尺度。  YOLOv5s 的测试结果如下。可以结合原图观察模型是否准确框出穿着反光衣的目标，以及检测框与人体区域是否贴合。 

YOLO26s 是本期记录的第二种反光衣检测模型。该模型包含 260 层网络，约 10M 参数，计算量为 22.5 GFLOPs，模型文件大小约 20 MB。它同样面向目标检测任务，可以作为安全背心识别、现场作业监管和工业视觉分析中的候选模型。 训练配置方面，YOLO26s 的 batch size 为 48，训练 1001 个 epoch，总训练时间约 41 小时。评估结果中，Precision 为 0.92，Recall 为 0.86，mAP50 为 0.92。从记录结果看，该模型在本次反光衣检测任务上也保持了较稳定的检测表现。 | 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 | 48 | | epoch | 1001 | | 训练时间 | 41 小时 | | Precision | 0.92 | | Recall | 0.86 | | mAP50 | 0.92 | 下面是 YOLO26s 训练过程中的损失与指标变化趋势。对于反光衣检测这类工程任务，训练曲线不仅是结果展示，也能帮助团队复盘模型收敛状态和数据质量。  推理性能方面，YOLO26s 的推理显存占用为 366 MB。GPU 单张图片推理 10.10 毫秒，后处理 2.66 毫秒，总计约 12.75 毫秒；CPU 单张图片推理 117.97 毫秒，后处理 43.42 毫秒，总计约 161.39 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 10.10 ms | 2.66 ms | 12.75 ms | | CPU | 117.97 ms | 43.42 ms | 161.39 ms | YOLO26s 的测试结果如下。单张图片的可视化结果可以作为初步参考，真正部署时仍建议在连续视频流、夜间画面、雨雾天气、强反光和遮挡场景中继续验证。 

反光衣检测看起来是一个很明确的视觉任务，但在真实项目里，它往往会受到摄像头角度、现场光照、人员密度、服装颜色、遮挡情况和设备算力的共同影响。模型指标很重要，推理速度同样重要；测试图效果很直观，长时间运行的稳定性也不能忽略。 从本期记录可以看到，轻量级目标检测模型已经能够在较低显存占用和毫秒级 GPU 推理时间下完成反光衣识别与定位。对于工地安全监管、园区巡检、道路施工识别、仓储作业监控等场景，这类垂直行业小模型可以作为工程部署的起点，再结合现场数据持续迭代。 大模型未必一统天下，小模型依然有自己的位置。你在反光衣检测或安全生产视觉项目中，最关心的是漏检率、误检率、推理速度，还是不同现场环境下的稳定性？欢迎把你的应用场景或遇到的问题留下来，我们可以在后续文章里继续拆解。