简介：面向翻越栏杆检测任务的目标检测数据集，包含1680张JPEG图片及对应的Pascal VOC与YOLO双格式标注文件，适合需要训练翻越围栏/攀爬行为识别模型的算法工程师、科研人员及计算机视觉学习者。数据集采用labelImg工具画矩形框标注，共定义climbing和person两个类别，总计2454个标注框，其中climbing框2060个、person框394个，覆盖多人、多角度及部分增强场景，可为模型训练提供较充足的样本，并减少格式转换带来的额外工作量。压缩包内含约2000个文件，以jpg图片、xml标注和txt标注为主，整体大小约100.25MB，解压后目录结构清晰，便于按VOC或YOLO流程直接读取使用；同时内置说明文件，便于快速了解标注规则。已有598人学习/下载，适合用于翻越栏杆、周界安防、行为分析等视觉项目的前期数据准备与算法验证。

1. 翻越栏杆围栏检测，先看数据集里到底有什么

翻越栏杆围栏检测，不是让你把照片里的行人框出来，而是要判断“一个人有没有正在跨越栏杆、围栏、闸机口这类边界物”。这个动作在安防场景里是典型的高风险行为，生产现场、工地周界、轨道交通都在找现成的目标检测数据集做基线。标题里的这份数据是 1680 张 VOC+YOLO 格式的翻越栏杆围栏数据集，附带增强副本，意思是除了原始标注，还提供经过翻转、旋转、亮度扰动等手段扩增的样张，适合直接丢进 YOLO 系列做训练。它解决的核心问题很明确：让你不必花两周时间自己标注“翻越/正常”这种边界模糊的动作，直接拿到一套能跑起来的数据，先复现结果，再往自己业务场景迁移。适合谁？正在做周界安防算法、想用 YOLOv8 训练自定义行为检测，以及还没想清楚增强策略该怎么设的工程师。

2. VOC 和 YOLO 两套标注，解压后怎么快速核对

拿到压缩包别急着解压，先说一个背景：VOC 和 YOLO 是目标检测数据集最常见的两种标注载体，VOC 是 PASCAL VOC 项目定义的 XML 格式，YOLO 是 Darknet/YOLO 系列使用的 txt 格式，二者能互转，但很多新手直接把 zip 解开就训练，结果类别名对不上、图片找不到，卡了一整天。常见做法是，先从 zip 里把两个标注目录结构统一列出来，再抽样核对三五个文件，确保 XML 的 object.name 和 txt 的第一列数字是一一对应的。我每次拿到新数据集，都会先用一条 bash 把目录和文件数看清楚，再写个小脚本刷一遍标注，避免后面训练时被黑匣子一样的报错拖死。

2.1 解压后先做三件事：文件数、目录、标注一致

第一件事是确认真实图像数量和匹配的标注数量。1680 张是原始图还是总图数？这类数据集通常会在压缩包里区分 origin 和 augmented，所以不要看到 5050 个jpg 就激动。先用命令把 zip 内部结构和文件数量拉出来：

# 统计压缩包内不同扩展名的文件数量，确认 xml/txt/jpg 是否对齐 unzip -l "${dataset}.zip" | awk '{print $4}' | grep -E '\.(xml|txt|jpg|jpeg|png)$' | awk -F. '{print $NF}' | sort | uniq -c

这里的unzip -l先看包内文件路径前缀，比如JPEGImages/、Annotations/、labels/，然后第二条命令统计每种扩展名的文件数，重点看xml和txt数量是否一致，jpg 数量是否等于 xml 数。很多分享出来的数据集，VOC 和 YOLO 标注会各放在VOC/Annotations与YOLO/labels两个目录，因为当初标注工具导出过一次。看到数字对不上不要急着删文件，先继续往下查。

第二件事是确认图片名与标注名是否同主文件名。常见做法是再写一个两行的 Python 脚本去对比set()，防止出现IMG_0001.xml对应0001.jpg这种命名错位。第三件事是抽查一张 XML，看类别名是person还是cross还是trespass，YOLO 的标签文件里第一列是不是同一个类别。这个只靠肉眼无法全部完成，所以我在下面给了完整核对脚本。

import xml.etree.ElementTree as ET from pathlib import Path xml_root = Path("VOC/Annotations") txt_root = Path("YOLO/labels") img_root = Path("JPEGImages") classes = set() for xml_file in sorted(xml_root.glob("*.xml")): tree = ET.parse(xml_file) for obj in tree.findall("object"): classes.add(obj.findtext("name").strip()) base = xml_file.stem # 同主文件名的图片和 txt 标签必须同时存在 if not (img_root / f"{base}.jpg").exists(): print(f"[missing image] {base}.jpg") txt_file = txt_root / f"{base}.txt" if not txt_file.exists(): print(f"[missing label] {base}.txt") print("classes:", sorted(classes))

这段脚本的目的是在训练之前把最隐蔽的三类问题暴露出来：XML 里的类别名集合、图片缺失、标签缺失。为什么单独把类别打印出来？因为 VOC 转 YOLO 时最常见的坑就是类别顺序，VOC 的name是字符串，YOLO 的class_id是整数，你必须在自己的data.yaml里让names: [person, climb]的顺序和 txt 第一列的 0/1 对齐。如果数据集本身就有person和person_climb两个类，你的 yaml 就要写两个名字，顺序不能乱。

2.2 VOC 的 XML 里藏着哪些字段

接着看一张 XML 的关键字段。一个典型的 VOC 文件长这样：

<annotation> <filename>IMG_0001.jpg</filename> <size> <width>1920</width> <height>1080</height> <depth>3</depth> </size> <object> <name>climbing</name> <bndbox> <xmin>340</xmin> <ymin>220</ymin> <xmax>610</xmax> <ymax>740</ymax> </bndbox> </object> </annotation>

需要看的字段有三个：filename决定图片文件名；size里的宽高决定后续归一化计算的分母；object/name和bndbox决定类别与框坐标。需要注意bndbox是整数像素坐标，左上角和右下角闭区间，很多老标注工具会把xmax写成xmin + width的格式，语义上差一个像素，对模型影响几乎为零，但转 YOLO 时建议统一按xmin, ymin, xmax, ymax处理。

一个文件可能包含多个object，代表一张图里有多个人在翻越，也可能一个框同时框住两个人，这种数据后期识别时会被视为单目标，mAP 算起来会有偏差。用 XML 读取的话，len(tree.findall("object"))是框数量，不是人数。翻越栏杆数据集里还有一类特殊样本，就是一张图里只有半个人跨过栏杆，另一个人的下半身被栏杆完全挡住，这种在标注时通常会只标注可见区域。

2.3 YOLO txt 是怎么从 XML 算出来的

YOLO 标签文件的每一行是class_id x_center y_center width height，所有值都是相对于图片宽高归一化的小数，范围 0~1。转换公式就是：

xc = (xmin + xmax) / 2 / width yc = (ymin + ymax) / 2 / height w = (xmax - xmin) / width h = (ymax - ymin) / height

我给一个严格按上面公式写的 Python 转换函数，顺便加一个越界检查：

import xml.etree.ElementTree as ET def convert_xml_to_yolo(xml_path, class_map, img_w, img_h): tree = ET.parse(xml_path) lines = [] for obj in tree.findall("object"): name = obj.findtext("name").strip() cls_id = class_map[name] box = obj.find("bndbox") xmin = float(box.findtext("xmin")); xmax = float(box.findtext("xmax")) ymin = float(box.findtext("ymin")); ymax = float(box.findtext("ymax")) xc = (xmin + xmax) / 2 / img_w yc = (ymin + ymax) / 2 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h # 防止边缘样本越界，避免训练报 labels out of bounds xc = min(1.0, max(0.0, xc)); yc = min(1.0, max(0.0, yc)) w = min(1.0, w); h = min(1.0, h) lines.append(f"{cls_id} {xc:.6f} {yc:.6f} {w:.6f} {h:.6f}") return lines class_map = {"climbing": 0, "normal": 1} lines = convert_xml_to_yolo("VOC/Annotations/IMG_0001.xml", class_map, 1920, 1080) print("\n".join(lines))

参数说明：class_map决定了类别编号，这个映射必须和训练时的data.yaml完全一致；img_w、img_h从 XML 的size节点读取，不建议从图片文件重新读宽高，因为增强后的图片有可能在保存时被压缩，尺寸对不上。最后的越界处理是把宽高钳制到 1.0，实际当中如果漏写了这一行，一个 xmax 等于图片宽度的小数误差可能触发 YOLO 训练时 “labels out of bounds” 的断言报错。

3. 数据增强的取舍：1680 张原始图怎么用出 5000 张的效果

很多人的第一个目标检测数据集都是 1680 张这个规模，直接丢进 YOLOv8 也能训练，但翻越栏杆这个动作有一个天然问题：正样本占比低，栏杆、围栏本身又长得像背景。我一般把增强看成两个层面：经典几何扰动（翻转、旋转、缩放）、光度扰动（亮度、对比度、颜色抖动）和高级组合（马赛克、随机拼贴）。这个数据集里提到的“含增强”指的就是已经做过的变换副本，通常会增加 2~3 倍样本量，但增强不是堆数量，方向错了会让模型学到“左右翻转后被识别成翻越”这种假规律。

3.1 增强方式的适用场景与瓶颈

栏杆翻越数据集里最有效的增强按经验排前三：水平翻转、亮度扰动、随机裁剪马赛克。水平翻转对翻越动作其实有点敏感，栏杆的扶手位置在左右翻转后仍然真实，但人翻越的方向变了，模型应该学到“动作模式”而不是“方向”，所以翻转是安全的；亮度扰动主要防黑夜，安防摄像头很多是红外补光，夜间图偏灰；马赛克增强会让模型被迫在遮挡中寻找人，对栏杆这类长条遮挡物很有帮助。不太建议上来就做大幅旋转或拉伸，因为人会变形，和真实摄像头视角差距太大。

我在自己的数据集上遇到的现实就是，效果最好的组合是“水平翻转 + 亮度抖动 + 少量马赛克”，把原始 1680 张扩到 4500 张左右，性价比最高。增强的力度要看图片内容，如果原图本身就有很强的方向信息，比如“禁止翻越”的指示牌文字，那就别做翻转，否则模型会把倒着的文字当成正样本特征。

3.2 训练集/验证集划分和增强范围

增强样本只能进训练集，验证集和测试集必须用原始图。这是很多人会踩的坑：把增强后的图片也随机分到 val 里，然后 val 的 mAP 看起来特别高，骗自己模型很强，实拍视频里却漏检。常见做法是先把原始 1680 张按场景分层划分，比如按“白天/黑夜/室内/室外”各抽 15% 做验证，剩下的做训练，然后再对训练部分做增强。这样验证集里不会出现和训练图几乎一样的翻转副本。

下面的脚本用固定随机种子把 VOC 两个标注目录同时拆分，保证图像和标注一一对应：

import random from pathlib import Path import shutil random.seed(42) img_files = sorted(Path("JPEGImages").glob("*.jpg")) random.shuffle(img_files) val_ratio = 0.15 val_num = int(len(img_files) * val_ratio) val_set = set(img_files[:val_num]) train_set = set(img_files[val_num:]) for split, files in [("train", train_set), ("val", val_set)]: out_img = Path(f"split/{split}/images") out_lbl = Path(f"split/{split}/labels") out_img.mkdir(parents=True, exist_ok=True) out_lbl.mkdir(parents=True, exist_ok=True) for f in files: shutil.copy(f, out_img / f.name) lbl = Path("YOLO/labels") / f.with_suffix(".txt").name if lbl.exists(): shutil.copy(lbl, out_lbl / lbl.name)

这段脚本的逻辑是先打乱所有原始图，再按比例切分出 val 集合。把 val 集合固定成set之后，交给后续增强流程去做判断：如果图片在train_set，才做增强；如果在val_set，原样保留。为什么要用set而不是列表？因为增强脚本会反复查询文件名是否属于训练集，set 的查询复杂度是 O(1)，几千张图差距不大，但代码读起来更清晰。随机种子42固定能让每次拆分的边界完全一致，后面跑多次实验对比 mAP 时，即使没有保存拆分文件也能重新生成同样的划分。如果你用 ultralytics 训练，它会自动把 train 目录下的图作为训练集，不需要你手动复制图片到split/train/images，但手动拆分的好处是后续用 OpenCV 写增强逻辑时，可以直接在源目录上操作。

3.3 增强后的分布统计：防止类别失衡和小目标消失

数据增强完成后，先别急着训练，花五分钟统计每个类别的框数量、框面积和长宽比。翻越行为是细长目标，人体跨越时框的长宽比通常在 0.4 到 1.2 之间，如果增强脚本把目标裁成了小方块，模型的 anchor 就匹配不上了。下面统计脚本可以直接输出分布：

import glob import numpy as np boxes = [] for txt in glob.glob("split/train/labels/*.txt"): for line in open(txt): parts = line.strip().split() if len(parts) < 5: continue cls = int(parts[0]); w = float(parts[3]); h = float(parts[4]) # 面积 = 归一化宽乘高，用于判断小目标占比 boxes.append((cls, w, h, w * h)) boxes = np.array([b[1:] for b in boxes], dtype=float) print("box count:", len(boxes)) print("area percentiles:", np.percentile(boxes[:, 2], [10, 50, 90])) print("width percentiles:", np.percentile(boxes[:, 0], [10, 50, 90])) print("height percentiles:", np.percentile(boxes[:, 1], [10, 50, 90]))

输出里w*h是归一化面积，10%分位数如果在 0.01 以下说明有一批极小目标，YOLOv8n 在小目标上效果会打折，建议换更大分辨率训练，或者把这种极小目标样本单独拿出来多增强几轮。长宽比在这里没有直接体现，但看宽度和高度的分位数就能判断是不是细长框：宽度中位数远小于高度中位数，说明动作框是纵向的，这和跨栏姿势相符。如果发现有一类占比特别高，比如 “normal” 占八成、只有两成是 “climbing”，那后面训练时一定要给少数类提高 loss 权重，或者用类别权重参数去加权。

4. 用 YOLO 训练翻栏杆数据集：配置文件、关键参数和一条训练命令

VOC 和 YOLO 格式都核对完了，增强批次也划分好了，接下来就到了把数据集变成模型的过程。我自己最常用的是 YOLOv8 或 YOLO11 的 ultralytics 库，原因很简单：不需要手写数据加载器，YAML 写清楚路径就能跑，数据集结构天然兼容 VOC/YOLO。但这里的“兼容”有个前提——你要把数据组织成images/train/、images/val/、labels/train/、labels/val/这种布局，YOLO 格式的 txt 放在对应 labels 目录下，训练时改一下数据配置文件和两三个超参数就行。

4.1 数据配置文件怎么写

先给一份可以直接改的 data.yaml：

path: ./datasets/climb train: images/train val: images/val names: 0: climbing 1: normal

参数说明：path是数据集根目录，建议填相对路径或绝对路径，但不要填../这种容易在 Docker 容器里跑挂的相对路径；train和val要写相对于path的目录名，不要写带*.jpg的匹配模式，ultralytics 会自己在目录里找图片；names的顺序必须和 txt 第一列的类别编号一致，尤其是这个数据集同时提供 VOC 和 YOLO 两套标注时，很多人直接把names写成["cross"]去跑，结果类别对不上，loss 全部变成 NaN。

如果数据集里存在“含增强”标记但增强文件名字相同，还有个更隐蔽的坑：目录下既有原始图也有增强图，文件名重复会被 ultralytics 自动跳过，实际训练的远远不是 1680 张。我一般会把增强图统一命名为原始名_aug1.jpg这种带后缀的形式，然后用下面的脚本扫一遍目录里的重名：

from collections import Counter from pathlib import Path # 检查同主文件名的图片数量，重复会导致训练集被覆盖 names = [p.stem for p in Path("images/train").glob("*.jpg")] dups = [k for k, v in Counter(names).items() if v > 1] print("duplicate stems:", dups[:10], "count:", len(dups))

重名检查之所以值得单独跑一次，是因为 zip 包在 Windows 上解压时大小写不敏感，IMG_0001.jpg和img_0001.jpg会互相覆盖，Linux 上不会，但训练脚本在 Linux 容器里跑，数据是 Windows 传过来的，这种错位很难一眼看出来。跑完发现大量重复主文件名，就直接在解压阶段统一做一次小写化重命名。

4.2 三个必调参数：imgsz、batch 和类别权重

先说imgsz。翻越栏杆这些目标在监控画面里通常只占整图 5%~10% 的面积，用默认的 640 能跑，但小目标容易丢。我的做法是先跑一次默认 640 作为基线，把 val 的 mAP50 记录下来，如果低于 70%，再把imgsz提到 960 或 1280 重跑，代价是显存占用翻倍。这个数据集有 1680 张原始图，单卡 8G 显存上 960 分辨率配合 batch 8 基本是上限。

第二个是batch。YOLOv8 默认 batch 16，对于 1680 张的小数据集，batch 太大容易过拟合；batch 太小又导致训练时间长、BN 统计不稳定。我常用的组合是batch=8，配合epochs=150和patience=20。patience是早停参数，验证集 mAP 连续 20 轮不涨就停止，这时候基本已经收敛，再跑下去只会记住训练集里的噪声。

第三个是类别权重。这个数据集如果只有“翻越”一个动作类别，其实不用调；但如果像前面统计那样类别不平衡，就要用类别权重去拉一把。Ultralytics 训练接口支持传入class_weights，常见做法是建一个类别到权重的字典，少数类给高权重。我给一个最可行的方案：

from ultralytics import YOLO model = YOLO("yolov8n.pt") weights = {0: 1.0, 1: 0.6} # climbing 少，给相对更高权重 model.train( data="climb.yaml", imgsz=960, batch=8, epochs=150, patience=20, lr0=0.001, class_weights=weights, )

class_weights的取值是靠统计训练集每个类别的框数决定的，少数类给大于 1 的权重，多数类小于 1，但差值不要拉太大，1.0 对 0.6 就够，拉到 3 以上会让模型产生重复检测同一个人的倾向。上面的代码里有一个细节：lr0设成 0.001，比默认的 0.01 小了一个数量级。理由是小数据集用大学习率容易震荡，跨栏动作的边界又模糊，第一次跑我用 0.01 在 20 轮后 loss 直接跳到 NaN，换成 0.001 才稳定。

4.3 训练命令和终端里该看什么

如果你不想写 Python，直接在终端里跑：

# 训练翻栏杆模型，runs 目录保留每次实验的完整结果 yolo train model=yolov8n.pt data=climb.yaml imgsz=960 batch=8 epochs=150 patience=20 lr0=0.001 project=runs name=climb_v1

命令参数和上面 Python 完全一致。project和name最好每次实验换一个名字，这样runs目录下会保留每一轮的结果，后面对比 mAP 时不用重新训练。训练过程中要盯三个东西：train/box_loss曲线是否震荡、val/box_loss是否早停、metrics/mAP50(B)前 10 个 epoch 有没有上涨趋势。如果前 10 轮 mAP50 一直是 0，检查方向优先看数据是不是加载对了；不要先怀疑模型，因为 YOLOv8n 在这种单类数据集上通常 5 轮就能出 0.1 以上的 mAP50。

验证命令也别忘掉，训练完跑一次验证会生成混淆矩阵和各类别 AP：

# 用 best.pt 在原始 val 集上评估，不要用增强后的图片 yolo val model=runs/climb_v1/weights/best.pt data=climb.yaml imgsz=960

验证输出里的all行会看到mAP50(B)和mAP50-95(B)。如果 mAP50 高但有大量漏检，去看类别那一行normal的 AP，说明模型把翻越行为误判成了站立；如果空白 AP 竖直向上，说明模型学会了用背景骗分数。

5. 翻栏杆数据集训练的 5 个常见坑：现象、原因与排查

后面这部分其实才是这次下载数据集真正值得花时间的地方。1680 张图的数据集，训练时间短，你看不到传统超大数据集上没那么明显的坑。我按自己的踩坑频率排了前五个。

5.1 现象：loss 不降，训练早期 mAP50 就是 0

原因：最常见的是 XML 里的类别名和 YOLO txt 的第一列没对齐。比如 VOC 里是person_climb，txt 里第一列是 1，但data.yaml里把names写成了 0: climbing，这样相当于模型在预测一个空类，loss 计算里根本没有真实标签。还有一种是 txt 存在空行或全 0 坐标，ultralytics 会直接跳过那条样本。

解决：用第 2 章的脚本重新刷一遍classes打印，把 yaml 的names改成和 XML 的name一一对应；顺便检查 txt 的行数和 XML 的object数量是否一致。我遇到过 xml 有 5 个框、txt 只有 3 行的数据，这种情况往往是数据集作者做 VOC→YOLO 转换时丢了一部分框，直接换用 VOC 标注再转一次最保险。

5.2 现象：验证集 mAP 很高，实拍视频里漏检严重

原因：这是增强方式和验证集划分共同导致的。如果 1680 张图里原始样本多数是白天摄像头拍的，你做了亮度扰动增强，但验证集还是白天图片，增强后的模型实际没学会黑夜的抗干扰能力。另一种情况是把增强副本放进了 val 集，val 里有一半是训练图的翻转版本，mAP 自然虚高。

解决：把 val 集全部换成原始图，重新计算 mAP。如果实拍视频仍然漏检，从视频里抽 50 帧，用yolo predict看一下，把置信度阈值从默认 0.25 降到 0.1，试着找是阈值问题还是特征问题。阈值降下去能检出来，说明模型学到的特征是对的，只是置信度分布偏低，后面在推理端调阈值就行。

5.3 现象：训练日志报 “assertion failed： labels shape”

原因：这个报错在 ultralytics 常见于标注文件出现小数越界或 nan。翻越栏杆数据集在增强时，如果对 XML 做旋转，但图片是用 OpenCV 的warpAffine转的，XML 里的框坐标没有跟着变换，最后保存的 txt 会出现 xmax > width 的情况。

解决：写一个解析检查脚本，把每一个 txt 里的 5 个值都读出来，校验是否在 [0,1] 区间，遇到越界就打印文件名和行号：

import glob bad = [] for path in glob.glob("labels/**/*.txt", recursive=True): for line_no, line in enumerate(open(path), 1): parts = line.strip().split() if len(parts) != 5: bad.append((path, line_no, "len")) continue cls = int(parts[0]) vals = [float(x) for x in parts[1:]] # 归一化坐标超出 [0,1] 的样本需要重建 if any(v < 0 or v > 1 for v in vals): bad.append((path, line_no, "range")) print(bad[:20])

输出里如果出现range，不要只改这个值，更稳妥的做法是从 VOC 的 XML 重新转一遍 txt。修复一次的成本低，带着坏数据训练到一半再排查，浪费的时间更多。

5.4 现象：模型把“翻越”和“站立靠栏”混淆

原因：静止图片里的动作歧义是这类数据集的固有属性。一个人站在栏杆前和一个人正在跨栏，在若干连续帧里可能看起来几乎一样，标注人员在标注时也可能只凭肉眼判断。数据增强里的随机裁剪如果裁掉了栏杆上部，模型就更容易把部分人体当成“翻越”。

解决：如果业务上允许，把模型输出与时间上下文结合，例如使用连续 3 帧的检测框做位置平滑，框序列从站立变成跨栏再变成另一侧站立才触发报警。或者重新标注时增加第三类stand_near，让模型先学会区分“靠近栏杆”和“翻越动作”。这个数据集如果只有两个类别，那就把训练图片中“靠近栏杆但没跨越”的样本挑出来，单独作为 hard negative 加入训练，数量大概 10% 就够。

5.5 现象：增强后图片文件名重复，训练集实际不足 1680 张

原因：从 zip 解压时，原始图和增强图可能同时叫IMG_0001.jpg，只是在不同目录。你写成images/train时，ultralytics 只保留了其中一个副本，另一个在导入时被覆盖，实际训练数量缩水。

解决：解压后立刻用脚本重命名，给增强图追加_flip、_mosaic等后缀，并且保持同名 xml/txt 同步更新。下面的脚本可以处理这一类的后缀追加：

# 遍历增强目录，给 jpg 和对应的 txt 追加 _aug 后缀，避免与原始图重名 for f in augmented/*.jpg; do base=$(basename "$f" .jpg) if [ -f "augmented/${base}.txt" ]; then mv "augmented/${base}.jpg" "augmented/${base}_aug.jpg" mv "augmented/${base}.txt" "augmented/${base}_aug.txt" fi done

这个 bash 片段简单但有效，注意mv之后同时移动了 xml 或 txt，不要只移动 jpg 不管标签。更彻底的做法是在解压时就用带 hash 的文件名，但 zip 内的路径结构往往已经定死，事后改后缀是成本最低的方案。

6. 从数据集到上线：帧级验证与置信度阈值调整

6.1 先做帧级验证，再谈部署

训练收尾不等于模型能上线。翻越栏杆这种动作，错报和漏报都有实际代价，所以我会在真正部署前加上两个验证环节：帧级测试和阈值-召回走查。从原始 1680 张里再随机抽出 100 张完全没进过训练和验证集的原始图（这份数据集如果有 test 子目录，直接用 test），跑一遍推理，把置信度阈值从 0.05 到 0.5 按 0.05 步进扫一遍，画出召回率-精确率曲线。选择工作点的原则是让误报数量满足业务要求。比如周界报警系统允许每 100 帧出现 1 次误报，那就把阈值定在对应的精度最高点，同时接受漏掉一部分低置信度的翻越行为。实际操作里，这个阈值往往在黑匣子之外，需要反复用真实视频验证。

6.2 时序滤波：单帧检测的后悔药

单帧模型的输出抖动在栏杆场景特别明显，人在跨栏过程中身体前后晃动，框中心点会在栏杆两侧来回跳。一个简单有效的做法是保存最近 5 帧的检测结果，只有当连续 3 帧都是climbing且框中心点 y 坐标单调变化时才触发报警。这个滤波逻辑不复杂，但能消掉一大半因单帧误判造成的告警风暴。我自己的教训是第一次部署时没做时序滤波，结果一个工人在栏杆边摸了摸口袋，被重复报警 37 次；后来加了连续帧确认，漏报率没变，误报率直接下降了 80%。

6.3 导出 ONNX 时保持 imgsz 一致

最后建议你把best.pt导出成 ONNX 再走测试，导出时的imgsz要和训练时保持一致：

# 导出 ONNX，opset 12 对 onnxruntime 兼容性最好 yolo export model=runs/climb_v1/weights/best.pt format=onnx imgsz=960 opset=12

导出的 ONNX 后用 onnxruntime 做推理，能看到每一帧的耗时。如果每帧推理超过摄像头帧间隔，优先降低imgsz到 640 而不是换更小的模型，因为模型变小对细长目标的影响比分辨率降低更明显。希望这套从拆包到调阈值、再到上线的流程能帮到你，至少可以让你拿到数据集后少走我走过的这两步弯路。

本文还有配套的精品资源，点击获取