1. 为什么工地场景会把通用检测器逼疯

做工地安全AI巡检的朋友应该都有体会：拿通用的YOLO模型直接部署到工地上，白天试了还行，一到多角度、多尺度、多遮挡的复杂工况，漏检率就让人血压升高。安全帽漏了、反光衣没识别出来、人员翻越围挡没触发告警，平台上一堆误报，安全员看着弹窗慢慢就麻木了。这不是模型质量差，而是工地场景本身对检测算法的要求，跟通用场景根本不在一个量级上。

1.1 通用目标检测在工地场景的“三个不匹配”

设备巡检类算法首先遇到的是尺度不匹配。工地监控一般架设在塔吊、围挡立杆、或者项目部楼顶，摄像头离地面少说十米起步，画面里一个站在基坑边上的工人，头部区域往往只有十几个像素。安全帽作为一个检测目标，它的尺寸在整幅1920x1080画面里占比可能不到0.5%，属于典型的小目标问题。而通用检测数据集的训练分布里，这种极小目标占比很低，模型从预训练权重里继承的尺度先验就不支持这种检测。

其次是遮挡与重叠。工地作业是密集人群场景，两个工人前后站、并肩走、弯腰绑钢筋，目标之间的IoU经常超过0.5。安全帽被身体挡住一半、反光衣被脚手架钢管挡住一条，这种遮挡在COCO这类自然场景数据集里也是少数。模型学到的特征表达对“完整目标”有依赖，一旦目标不完整，特征响应就断崖式下跌。

最后是环境干扰的复杂性。工地不是实验室，扬尘、逆光、阴雨、夜间补光、摄像头溅泥，每一样都能改变画面的统计分布。不同项目的摄像头品牌、码率、白平衡参数都不一样，同一个模型换了个工地部署，输入分布就直接漂移了。通用模型没有针对这种分布漂移做机制性的适配，表现出来就是换场景就掉点。

1.2 不安全行为检测到底要解决什么

工地不安全行为检测，本质上不是单纯的目标检测，而是一条“目标检测 + 属性识别 + 行为判定”的组合链路。按照当前行业里的主流分法，核心任务可以拆成三个层次：

第一层是个人防护装备检测，也就是安全帽、反光衣、安全带、防护面罩这类穿戴目标的检测与状态判定。比如安全帽不仅要检测出来，还要区分“戴了”和“拿在手里/挂在腰上”，这时候光靠检测框是不够的，还得加上头顶区域的位置关系判断。

第二层是区域入侵检测，常见于塔吊作业半径、基坑边缘、配电房、材料加工区等危险区域。当人员进入预设的电子围栏时，需要触发告警。这一层的关键是“人”的检测框与电子围栏多边形之间的空间关系计算，检测框抖动、跳变都会带来大量误报。

第三层是危险动作识别，例如翻越围挡、攀爬脚手架、高处作业未系安全带、禁区睡觉等。这类行为依赖时序信息，单帧检测解决不了，需要结合跟踪算法分析一段时间内的运动轨迹和姿态变化。

DAF-YOLO这个项目，切入的就是整个链路里最关键也最难的一环——第一层的装备穿戴检测，同时为第二层提供稳定的人员检测框。整套算法的设计目标非常明确：在保证实时性的前提下，尽可能提升安全帽、反光衣这类小目标的检测精度，并降低漏检率。

2. 双自适应特征融合的设计逻辑

2.1 为什么不用现成的YOLO就完事了

既然已经有YOLOv5、YOLOv8这些成熟框架，直接拿来微调不行吗？行，但上限有限。工地数据集的特点是“类别少、目标小、遮挡重”，这种任务分布下，骨干网络提取特征的效率比模型参数量更关键。

我实测过一版微调后的YOLOv8n，安全帽类别的mAP50能到0.87左右，看着还行，但mAP50-95只有0.52。为什么差这么多？因为mAP50只关心框的中心区域大致对得上，而mAP50-95对定位精度要求更高。工地的安全帽目标小，框稍微偏几个像素，IoU就从0.75掉到0.45，平均精度自然就垮了。这说明模型对目标边缘特征的定位能力不够，而问题的主要瓶颈出在特征融合阶段。

在YOLO系列里，Neck部分负责把骨干网络不同层级的特征做融合，浅层特征高分辨率但语义弱，深层特征语义强但分辨率低。标准PANet用固定的concat加卷积方式做融合，特征金字塔每一层的权重是人为设计的、训练过程中不会根据输入内容调整。可工地画面里，不同大小的安全帽、不同距离的人、不同光照下的反光衣，它们对浅层细节和深层语义的需求是完全不同的。固定的融合方式没法做这种动态权衡。

双自适应特征融合要解决的，就是这个问题：让网络在融合特征时，根据输入内容自适应地决定每个尺度特征的贡献权重。

2.2 双自适应具体“适应”的是什么

“双自适应”这个说法，拆开看是两个维度的自适应。

第一个维度是通道自适应。不同通道的特征图响应不同语义，比如某些通道对头盔的圆弧边缘敏感，某些通道对反光衣的条纹敏感，某些通道对肤色敏感。在融合阶段，这些通道的重要性不是平均的。通道注意力机制通过全局平均池化和全局最大池化提取通道描述子，再经过两层全连接生成0到1的权重向量，对每个通道做重标定。

第二个维度是空间自适应。在一幅工地画面里，远处塔吊上的工人是几个像素的小目标，近处走动的工人是几十个像素的中目标，两者各自需要的特征尺度完全不同。空间注意力机制生成一个与特征图同尺寸的权重图，让网络在空间位置上自主选择“更看重浅层纹理”还是“更看重深层语义”。

双自适应的含义，就是在融合时同时引入通道维度和空间维度的权重，让特征选择在“看什么”（通道）和“看哪里”（空间）两个层面都做到动态调节。这个设计对应到代码层面，就是双注意力模块与自适应融合权重的结合，也是DAF-YOLO名字里“DAF”的完整含义。

2.3 与经典特征融合方法的对比

传统FPN的融合方式是逐元素相加，PANet在此基础上加了自底向上的路径增强，但本质都是固定权重的线性组合。BiFPN引入了可学习的加权融合，给不同层级的特征分配可学习的标量权重，比固定相加灵活，但权重是全体样本共享的，不能针对单张图像动态变化。

DAF-YOLO的做法更进一步。它不是在全局层面学习一组静态权重，而是对每一张输入图像，都动态生成空间维度的权重图，再配合通道注意力对特征做重标定。相当于BiFPN学到的是“平均情况下怎么融合最优”，DAF学到的是“这张图里哪些位置该信哪个尺度的特征”。后者在遮挡、光照变化明显的工地场景里，优势是实实在在的。

3. 算法结构拆解与关键模块实现

3.1 整体网络架构

DAF-YOLO基于YOLOv8的架构做改造，保留了CSPDarknet骨干网络和Anchor-Free检测头，重点改动集中在Neck部分的特征融合模块。

骨干网络输出三个尺度的特征图，分别对应下采样8倍、16倍、32倍。在标准YOLOv8里，这三层特征直接进入PANet做融合。DAF-YOLO的改动是：先把三层特征分别经过一个1x1卷积统一通道数，然后送入C2f-DAF模块替换原本的C2f模块，最后在融合输出前增加一个自适应融合模块，对三路特征生成空间权重图并做加权组合。

检测头部分沿用YOLOv8的Decoupled Head，分类分支和回归分支分离。输入分辨率默认设置为640x640，训练阶段用Mosaic和MixUp增强，推理阶段在TensorRT下做FP16量化。

3.2 C2f-DAF模块的结构设计

C2f模块原本是YOLOv8的特征提取基础模块，结构上类似CSPNet，将输入特征分为两路，一路直接连接，一路经过多个Bottleneck堆叠，最后在尾部concat后再过卷积。DAF-YOLO在C2f模块内部插入了一个DAF注意力单元，位置在Bottleneck堆叠之后、concat之前。

DAF注意力单元的具体操作流程如下：

import torch import torch.nn as nn class DAFUnit(nn.Module): def __init__(self, channels, reduction=16): super().__init__() # 通道自适应分支 self.channel_att = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Conv2d(channels, channels // reduction, 1), nn.ReLU(inplace=True), nn.Conv2d(channels // reduction, channels, 1), nn.Sigmoid() ) # 空间自适应分支 self.spatial_att = nn.Sequential( nn.Conv2d(2, 1, kernel_size=7, padding=3), nn.Sigmoid() ) def forward(self, x): # x: [B, C, H, W] # 通道权重 chan_weight = self.channel_att(x) x_c = x * chan_weight # 空间权重 - 拼接全局平均池化和全局最大池化结果 avg_out = torch.mean(x_c, dim=1, keepdim=True) max_out = torch.max(x_c, dim=1, keepdim=True).values spatial_input = torch.cat([avg_out, max_out], dim=1) spat_weight = self.spatial_att(spatial_input) out = x_c * spat_weight return out

这个模块的计算量很轻，两个注意力分支总计增加约5%的FLOPs，但在特征精炼上的收益很直接。通道分支让网络更关注对安全帽边缘、反光衣纹理有响应的通道，空间分支让网络在目标被遮挡的部位降低无关背景的干扰权重。

3.3 自适应融合模块

自适应融合模块是整个算法里最核心的部分，我把它设计放在PANet输出之后的三路特征汇合处。假设三个尺度的特征经过上采样/下采样对齐到同一分辨率后分别是F1、F2、F3，融合模块学习三个空间权重图W1、W2、W3，每个权重图尺寸与特征图一致，且满足W1+W2+W3=1（经过softmax归一化）。

class AdaptiveFusion(nn.Module): def __init__(self, channels): super().__init__() # 生成三路空间权重 self.weight_conv = nn.Conv2d(channels * 3, 3, kernel_size=1) self.softmax = nn.Softmax(dim=1) def forward(self, f1, f2, f3): concat = torch.cat([f1, f2, f3], dim=1) # [B, 3C, H, W] weights = self.weight_conv(concat) # [B, 3, H, W] weights = self.softmax(weights) # 通道维归一化 out = f1 * weights[:, 0:1, :, :] + \ f2 * weights[:, 1:2, :, :] + \ f3 * weights[:, 2:3, :, :] return out

这个模块的直觉理解是：让网络自己判断每个像素位置上，到底是该信高分辨率的浅层细节，还是该信低分辨率的深层语义。近处工人的安全帽需要靠浅层纹理定位边缘，远处塔吊上的工人则需要靠深层语义确认类别。固定的加法融合没法做到这种像素级的动态决策，这是DAF-YOLO精度提升的主要来源之一。

3.4 损失函数设计

DAF-YOLO的损失函数延续YOLOv8的分配策略，由三部分组成：

分类损失使用BCEWithLogitsLoss，针对每个预测框与真实框的类别匹配。由于工地场景类别极度不均衡——反光衣样本数量通常是安全帽样本的好几倍，我在训练时为每个类别设置了权重，安全帽权重大于反光衣，防止模型偏向数量多的类别。

回归损失使用CIoU Loss，相比Smooth L1更关注预测框与真实框的几何相似性，包括重叠面积、中心点距离和长宽比。对于安全帽这种小目标，CIoU对中心点偏移很敏感，能有效约束检测框的定位精度。

DFL（Distribution Focal Loss）也保留了，它将框回归的目标从“直接回归坐标”改为“估计坐标的概率分布”，在目标尺度变化大的场景里能显著提升回归稳定性。实测对比下来，去掉DFL后安全帽类别的mAP50-95掉了3.2个点，说明这个损失对边界定位的贡献很大。

4. 数据集构建与标注规范

4.1 数据来源与采集策略

工地数据集的质量直接决定了算法上限。DAF-YOLO项目使用的数据来自多个在建工地的固定摄像头和移动布控球，覆盖了基坑阶段、主体结构阶段、装修阶段三个施工周期。

采集时有几个原则很重要。一是多角度覆盖：同一个作业面至少采集三个不同机位，避免模型对视角产生依赖。二是多时段覆盖：早中晚、阴晴雨、逆光顺光都要采，工地的光照变化比室内场景剧烈得多，夜间补光下的红外画面也要单独采集。三是多距离覆盖：既要画面里人员占比很大的近景样本，也要塔吊视角下人员只有十几个像素的远景样本，让模型适应深度尺度变化。

总数据集我整理到12000余张有效图像，其中安全帽类别标注框约38000个，反光衣类别标注框约29000个，其余为人员和车辆目标。数据划分按7:2:1随机分为训练集、验证集和测试集，划分时保证同一摄像头下的画面不跨集，避免数据泄漏导致的虚高精度。

4.2 标注规范与质量管控

标注规范是整个流程里最容易出问题的一环。很多团队在标注阶段就埋下了算法精度的隐患。

安全帽的标注要遵循两个原则：框紧贴目标真实边界，且只标注头顶佩戴位置的安全帽。工人手里拎着、腰间挂着的安全帽，一律不标为正样本。如果某种状态下安全帽只露出一半，只要可见面积超过50%，就标注为完整目标并保留框，这能让模型学到遮挡下的目标完整性判断能力。

反光衣的标注难度更大。反光衣是穿在身上的，边界经常被四肢、工具、安全背带遮挡。我们的标注规范是：以反光衣可见的连续区域为框定基准，如果反光衣被工具包完全遮挡成碎片，则跳过不标；如果被短暂遮挡但边缘可推断，则按推断边界标注。

为了控制标注一致性，我们做了抽检机制。每批次标注完成后，用YOLOv8的预训练模型做伪预测，把标注框与预测框偏差过大的样本抽出来人工复核。这种“人机互助”的质控方式，比单纯靠标注员自查效率高不少。

4.3 数据增强策略

工地场景的数据增强比通用检测更加激进。

Mosaic增强是必选的，它把四张图拼接成一张训练图，相当于变相扩大了batch size，对提升小目标的检测稳定性帮助很大。MixUp增强也保留了，但概率降到0.3，避免过度混合导致安全帽纹理失真。

针对工地光照变化大的特点，我额外加了随机亮度和对比度扰动，范围分别设在±30%和±25%。这个幅度比通用场景更大，目的是模拟不同时段、不同天气下的画面差异。HSV颜色空间扰动也很关键，特别是饱和度维度，因为黄色安全帽、荧光绿反光衣对色相和饱和度极其敏感。

随机裁剪和缩放主要服务于小目标。安全帽目标在整图中的像素占比很小，训练时我使用了随机缩放策略，每次迭代时把图像随机缩放到0.5到1.5倍之间，再随机裁剪回640x640。这样同一张原图每次进入网络的裁切区域不同，目标尺度也会变化，相当于变相扩充了小目标样本。

4.4 难例挖掘

训练跑完第一轮后，我把验证集上预测置信度在0.4到0.6之间的“模糊样本”全部导出，逐张人工筛查。这些样本里最典型的是两种：一是安全帽颜色与环境颜色相近，比如黄色安全帽在土黄色围挡前；二是反光衣被雨衣覆盖，只露出一小截反光条。这些难例单独收集后，以1:3的比例混入训练集继续迭代。

难例挖掘对提升模型鲁棒性的效果很明显，特别是降低误报率方面。模型早期经常把黄色安全帽和黄色水马混淆，加入难例样本后，这类混淆基本消除了。

5. 训练过程与关键参数调优

5.1 训练配置

模型训练基于PyTorch框架，使用两张GPU并行训练。

输入分辨率640x640，初始学习率0.001，采用SGDM优化器，momentum设为0.937，weight decay设为0.0005。batch size在双卡配置下设为64。整个训练过程使用余弦退火学习率调度，从第50个epoch开始衰减，共训练200个epoch。

骨干网络的权重使用COCO预训练的YOLOv8权重初始化，Neck和检测头的权重随机初始化。迁移学习阶段前10个epoch冻结骨干网络，只训练Neck和检测头，让新增的DAF模块先适应特征分布，之后再解冻全网络联合训练。

为什么要这么做？如果一开始就全网络更新，随机初始化的Neck模块反向传播的梯度会干扰骨干网络已经学好的底层特征，导致收敛速度变慢，甚至出现震荡。先冻结骨干训练Neck，相当于让Neck先学会如何解读骨干的特征，再反过来微调骨干去适应Neck的需求，这种“先读后写”的训练节奏在大规模迁移学习里是更稳的选择。

5.2 损失曲线解读

训练过程中重点关注两个指标：回归损失和分类损失。

回归损失的总体验收标准是：训练结束时小于0.04。如果发现回归损失长期在0.08附近不下降，大概率是目标框的分布不均匀导致的。工地数据集里小目标框数量庞大，CIoU对小目标的梯度量级偏小，这时可以尝试对loss做scale处理，给小目标框的损失乘以1.2到1.5的系数。

分类损失如果在训练后期出现波动，常见原因是Mosaic增强产生的拼接边界导致的标注错位。解决方法是降低Mosaic概率，从1.0逐步衰减到0.5。我测试过两种策略的结果，Mosaic衰减策略比全程固定概率的方式稳定得多。

验证集上的mAP50曲线和mAP50-95曲线需要同步观察。mAP50高但mAP50-95低，说明检测框定位不够精细；两者接近且同步上升，说明模型在类别判断和定位精度上同步收敛。DAF-YOLO在项目中的典型收敛结果，安全帽类别mAP50在0.93左右、mAP50-95在0.71左右，相比原始YOLOv8基线，分别提升了4.1和6.3个百分点。

5.3 消融实验设计

为了验证双自适应特征融合中每个模块的贡献，我做了三组消融实验：

第一组：在C2f模块中只插入通道注意力分支，不加空间注意力分支。 第二组：只保留空间注意力分支，去掉通道注意力分支。 第三组：通道和空间注意力都保留，但自适应融合模块换成固定的等权重相加。

结果对比如下：

消融实验说明两个结论：空间注意力分支和小目标定位精度的关联更强，mAP50-95的提升显著；而自适应融合模块和全类别精度关联更强，mAP50提升最明显。二者叠加之后，互补效应大于简单相加，这正是“双自适应”设计的价值所在。

5.4 超参数敏感性

DAF模块引入了两个关键超参数：通道注意力的reduction ratio和空间注意力的卷积核大小。

reduction ratio设为16时效果最好。加大到32会削弱通道重标定的表达能力，降到8则增加了计算量但精度没有明显回升。空间注意力卷积核设为7x7时表现最优，5x5在小目标上的细节捕捉稍弱，9x9引入了过多的背景上下文，反而在遮挡场景下增加了误检。

学习率方面，如果从0.0005提高到0.002，训练前期的loss下降速度会更快，但在第120个epoch左右会出现验证集精度不再提升甚至轻微回落的现象。过大的学习率让模型在后期无法精细拟合小目标的边界特征，这是小目标检测任务里很容易踩的坑。

6. 部署实践与工程化落地

6.1 模型导出与推理优化

训练完成的PyTorch模型权重，部署阶段需要导出为推理引擎支持的格式。

以NVIDIA平台为例，标准流程是：将PyTorch模型转换为ONNX格式，再通过TensorRT的ONNX-Parser生成TensorRT引擎，开启FP16模式。DAF-YOLO在640x640输入分辨率下的FP16推理速度，在单张主流嵌入式推理卡上实测约35毫秒一帧，折合28FPS左右，能满足单路视频流的实时分析需求。

如果现场资源紧张，可以将输入分辨率降到480x480。代价是安全帽的mAP50下降约2.3个百分点，但推理延迟能压到20毫秒以内。我的建议是：在精度要求高的场景，不要轻易降分辨率。工地的安全帽目标本来就小，降分辨率对它的伤害比对普通目标更大。不如想办法优化预处理和后处理流程，减少图像缩放和NMS的耗时占比。

6.2 视频流接入与报警联动

部署时视频流通过RTSP协议接入，帧率统一设为25FPS，码率控制在2Mbps到4Mbps之间。码率过低会导致画面出现块状压缩噪声，对安全帽边缘检测的干扰非常大，我实测过1Mbps码率下的检测精度，mAP50下降了近5个点。

报警逻辑采用“单帧检测 + 多帧确认”机制。单帧检测到目标后，不立即报警，而是连续确认3到5帧，且置信度均超过阈值时才触发告警，防止瞬间的误检或摄像头抖动导致误报。告警触发后截图保存，记录目标类别、置信度、摄像头编号和GPS位置，推送至现场安全管理平台。

误报抑制方面，针对工地场景的特殊噪音做了两层过滤。第一层是区域过滤，使用电子围栏把画面中的公共道路、材料堆场等非作业区域排除在检测范围之外。第二层是时序过滤，对检测框在相邻帧间的移动距离做约束，如果目标在极短时间内出现在相距很远的位置，判定为跟踪不稳定，不触发报警。

6.3 现场实测效果与覆盖指标

项目在某在建工地的6个点位部署了测试系统，覆盖塔吊摄像头、基坑周边立柱摄像头、项目部门口摄像头三种机位。连续运行7天，统计结果如下：

安全帽检测的召回率约为96.2%，漏检集中在两种情形：一是工人佩戴的安全帽颜色与身后背景高度相近，二是画面逆光严重导致安全帽区域过曝。反光衣检测的召回率约为93.7%，漏检主要发生在工人穿深色外套罩住反光衣的情况下。

单帧误检率约在2%到3%之间。误检样本里最集中的是两种：黄色水马和黄色安全锥被识别为安全帽；工地围挡上的荧光绿标语牌被识别为反光衣。这两类误检通过加入困难负样本训练后，有了明显下降。

系统整体日均有效告警数约为80到120条，其中安全帽未佩戴告警占比约55%，反光衣未穿戴告警占比约30%，区域入侵告警占比约15%。现场安全员反馈，告警准确率约在85%以上，但仍有约10%的重复告警，来自同一个工人长时间处于违规状态时，系统以固定间隔持续推送相同事件。后续优化方向是加入事件状态机，让系统对同一目标同一状态只报告一次。

7. 常见问题与排查技巧

7.1 安全帽小目标频繁漏检

现象：远距离、小尺寸的安全帽目标检测置信度低，频繁漏检。

排查思路分三步走。先确认输入图像的分辨率是否够，工地摄像头的实际码流分辨率是否达到1080P，如果摄像头本身输出就低于720P，算法再好也难救。再检查训练集中小目标样本的占比，统计一下标注框中宽度小于32像素的框占多少比例，如果这个比例低于15%，需要针对性地补充远景样本或通过裁剪增强生成更多小目标样本。最后检查NMS后处理参数，小目标之间的IoU容易偏高，NMS阈值如果设得过高，会误杀相邻的小目标框。

我的经验阈值是：NMS的IoU阈值设在0.45到0.5之间，不要超过0.5。

7.2 反光衣与背景混淆误检

荧光绿反光衣在绿色围挡、绿色防尘网前的误检率特别高。原因是深度学习模型在颜色特征上很容易过拟合——反光衣的显著性特征在HSV空间的色相维度上，和绿色背景太接近了。

解决思路有两个方向。第一是数据层面，刻意采集大量“反光衣位于绿色背景前”的负样本，强制模型学习反光衣的纹理特征和反光条的高亮特征，而不是单纯学颜色统计。第二是算法层面，在数据增强时对HSV空间的H通道做更强的扰动，把绿色背景的色相随机偏转，打破模型对颜色统计的依赖。

7.3 雨雾天气精度下降

雨雾天气下，镜头上沾水或起雾，画面整体对比度下降，安全帽的边缘特征变得模糊，检测精度明显下滑。

排查后确认主要瓶颈不在检测算法，而在图像预处理环节。现场部署的方案是在进入检测网络之前，加一个轻量级的去雾预处理模块，用对比度受限的自适应直方图均衡化（CLAHE）增强图像对比度。这个模块在嵌入式设备上的耗时约3毫秒，对精度恢复的效果很直接，雨雾天气下的安全帽mAP50从0.82回升到0.89左右。

如果现场条件允许，更推荐在硬件层面解决：给摄像头加装自动雨刷和加热除雾功能，比对任何图像增强算法都管用。

7.4 人员密集场景漏检严重

钢筋绑扎、混凝土浇筑等聚集作业场景下，人员密集，互相遮挡严重，检测框频繁跳变，漏检率上升。

这类问题单靠检测算法很难根本解决，更有效的是检测加跟踪的联合优化。我采用的方案是ByteTrack多目标跟踪算法，它的策略是同时保留高置信度和低置信度检测框，通过运动轨迹的连贯性来抑制遮挡导致的框丢失。加入跟踪后，密集场景的漏检率降低了约40%。

另一个技巧是调整检测头的类别阈值。密集场景下，如果确认安全帽类别比反光衣类别更难检测，可以为不同类别设置不同的置信度阈值，避免一刀切导致某类目标漏得更多。

7.5 夜间红外画面效果差

夜间模式下摄像头切换到红外，画面变为黑白，颜色信息完全丢失。反光衣在红外下呈现为亮白色，与浅色水泥地面、白色安全帽的灰度值非常接近，检测难度骤增。

我的建议是不要期望一套模型同时完美适配白天彩色和夜间红外两种模态。更稳的方案是训练两个模型，一个用于白天彩色画面，一个用于夜间红外画面，由部署框架根据摄像头切换状态自动加载对应权重。红外模型单独用夜间数据训练，反光衣类别在夜间数据上的mAP50能达到0.88以上，显著高于混合训练的模型。

7.6 常见问题速查表

8. 项目收尾：沉淀的经验与后续扩展思路

整个DAF-YOLO项目做下来，我的最大感受是：工地不安全行为检测的难点从来不在某单独一个算法上，而在于整条链路的耐操性——从数据采集、标注规范、模型设计、训练调优，到最后一公里的推理部署和告警联动，每个环节都有能拖垮整体精度的小坑。

在模型设计层面，双自适应特征融合的核心收益在于让特征融合从“全局静态”变成了“像素级动态”。这个思路不只适用于安全帽和反光衣检测，对于其他小目标密集场景，比如电动车头盔检测、工厂人员PPE检测、甚至高空抛物检测，都有直接的迁移价值。

在工程化经验层面，我建议每个准备做工地AI落地的团队，都提前准备一套完整的摄像头点位参数登记表，记录每个点位的安装高度、俯仰角度、画面分辨率、补光条件，作为算法现场调优的参考基线。我踩过最深的坑就是在不同工地之间复制部署参数，结果精度差异巨大，原因就是点位工况完全不同。

如果项目后续要继续扩展，我计划把能力覆盖到行为时序识别方向。基于DAF-YOLO输出的高质量检测轨迹，接一个轻量级的时序动作识别模块，区分“正常行走”“快速奔跑”“攀爬翻越”等动作状态，将单帧检测升级为短时行为判定，进一步提升系统对危险行为的感知维度。

对了，还有一个小技巧特别值得分享：如果现场摄像头安装位置偏高导致目标过小，与其硬着头皮加大输入分辨率，不如在摄像头端调整到合适的焦距或变倍。一颗物理光学上的变倍，比算法上的分辨率缩放带来的精度收益更直接，也更能释放特征融合算法的真正能力。