Детекция объектов с YOLO: от датасета до запуска

Короткий ответ

YOLO (You Only Look Once) — семейство моделей, которые за один проход находят на изображении объекты и рисуют вокруг них рамки с классом и уверенностью. Для бизнес-задачи — каска на рабочем, номер машины, товар на полке — обычно не обучают модель с нуля, а дообучают готовую на своих данных. Путь выглядит так: данные → разметка → обучение → оценка → запуск.

Шаг 1. Сбор изображений

Качество модели определяется тем, насколько данные похожи на реальную эксплуатацию.

• Снимайте с той же камеры и того же ракурса, где модель будет работать.
• Добавьте разное освещение: день, ночь, блики, дождь.
• Включите «сложные» кадры: частично закрытые объекты, толпу, мелкие объекты вдалеке.
• Добавьте кадры без объектов — так модель реже даёт ложные срабатывания.
• Избегайте почти одинаковых кадров подряд из видео: берите каждый N-й кадр.

Шаг 2. Разметка

Каждому объекту рисуется рамка и присваивается класс. Для этого есть инструменты вроде CVAT или Label Studio, которые экспортируют разметку в формат YOLO.

Правила, которые экономят недели:

• Напишите инструкцию для разметчиков: что считать объектом, как размечать частично видимые.
• Рамка должна плотно облегать объект, без лишнего фона.
• Делайте выборочную перепроверку — ошибки разметки напрямую снижают качество.
• Разделите данные на train / val / test заранее, и кадры с одной сцены держите в одной части.

Описание датасета в формате YOLO:

path: datasets/helmets
train: images/train
val: images/val
names:
  0: helmet
  1: no_helmet

Шаг 3. Обучение

С библиотекой Ultralytics базовое дообучение занимает несколько строк:

from ultralytics import YOLO

model = YOLO("yolov8n.pt")          # предобученная маленькая модель
model.train(data="data.yaml", epochs=100, imgsz=640)
metrics = model.val()                # оценка на val
model.export(format="onnx")          # экспорт для запуска

Выбор размера модели — компромисс: маленькие (n, s) быстрые и подходят для edge-устройств, большие (l, x) точнее, но требуют мощного GPU.

Шаг 4. Оценка: что значит mAP

• Precision — какая доля найденных объектов действительно верна.
• Recall — какую долю реальных объектов модель нашла.
• mAP@0.5 — средняя точность при совпадении рамок на 50% и более.
• mAP@0.5:0.95 — более строгая метрика, усреднённая по разным порогам совпадения.

Смотрите не только на общий mAP, но и на метрики по каждому классу и на ошибки глазами. Для задач безопасности часто важнее recall (не пропустить нарушение), для автоматических штрафов — precision (не наказать зря).

Шаг 5. Запуск

Для ускорения модель экспортируют в ONNX, TensorRT или OpenVINO — в зависимости от железа. Дальше нужен код вокруг модели: чтение RTSP-потока, фильтрация срабатываний по нескольким кадрам, отправка событий в CRM, Telegram или систему учёта.

Частые ошибки

• Обучать на фото из интернета, а запускать на камере с другим ракурсом.
• Оценивать модель на кадрах, очень похожих на обучающие, — метрики завышены.
• Не мониторить модель после запуска: сменилось освещение или камера — качество упало.
• Реагировать на каждое срабатывание без подтверждения на нескольких кадрах.