计算机视觉 / 系统课时

定义项目需求

定义项目需求

本课把“做一个 YOLOv8 检测项目”收敛成可执行的需求清单。完成后,你将得到明确的检测对象、数据边界、验收指标、运行设备和交付物,避免训练完成后才发现目标含糊、数据不足或部署条件不匹配。

学习目标

  • 把真实业务场景拆成可检测、可标注的目标
  • 为类别、数据、指标、设备和交付形式建立统一约束
  • 编写并验证一份可执行的项目需求说明

从场景问题开始

先用一句话描述项目要解决的实际问题,例如“识别仓库通道内未佩戴安全帽的人员”。这句话必须包含场景、目标对象和期望动作,不能只写“做安全帽检测”。

随后限定项目边界:摄像头位置是否固定、白天和夜间是否都要识别、遮挡程度是否可接受、只检测图片还是还要处理视频。边界越明确,后续采集和标注越容易保持一致。

检测项目需求结构图

定义类别与数据边界

类别必须满足“可观察、可区分、可稳定标注”三个条件。若标注人员无法仅凭画面稳定判断某个类别,模型也很难学会。例如“危险人员”属于主观判断,不适合作为类别;“未戴安全帽人员”可以通过明确的可见规则标注。

类别名称应在项目开始时冻结,并统一使用英文小写标识。数据来源则要覆盖真实运行环境,包括摄像头角度、距离、光照、背景和目标密度。训练数据与上线画面差异过大时,即使验证集指标很好,实际效果也可能明显下降。

设定可验证的验收指标

验收指标至少覆盖准确性、速度和稳定性。准确性不能只写“效果良好”,应明确为可复现的数字,例如验证集 mAP50 >= 0.90、关键类别召回率 >= 0.92。速度可使用单帧推理延迟或每秒帧数,稳定性则关注连续运行时间和异常恢复能力。

同一项目可设置“最低通过线”和“目标值”。最低通过线决定是否交付,目标值用于后续优化,避免所有指标都追求极限而拖慢项目。

维度 最低通过线示例 验证方式
准确性 关键类别召回率不低于 0.92 固定测试集评估
性能 单帧推理延迟不高于 50 ms 目标设备连续测试
稳定性 连续运行 8 小时无崩溃 视频流压力测试

明确设备与交付形式

运行设备决定模型规模、输入尺寸和部署方式。GPU 服务器通常优先保证精度,边缘设备则更关注模型大小、内存占用和延迟。需求中应写明设备型号、可用内存、操作系统和是否允许安装额外依赖。

交付形式也要在训练前确定。常见形式包括权重文件、命令行程序、桌面工具、Web 接口或视频流服务。若交付目标是接口,还应提前约定输入格式、返回字段、并发量和错误处理方式。

编写并检查需求说明

下面的完整 Python 示例把关键需求写成结构化对象,并检查必填项、类别重复和指标范围。实际项目可以把同样字段保存为 YAML 或 JSON,再纳入版本管理。

python
from typing import Any

REQUIRED_FIELDS = {
    "scene",
    "classes",
    "data_sources",
    "acceptance",
    "device",
    "deliverable",
}

def validate_requirement(spec: dict[str, Any]) -> list[str]:
    errors: list[str] = []

    # 先检查结构完整性,避免后续读取不存在的字段。
    missing = REQUIRED_FIELDS - spec.keys()
    if missing:
        errors.append(f"缺少字段: {', '.join(sorted(missing))}")

    # 类别列表需要非空且唯一,防止标签编号产生歧义。
    classes = spec.get("classes", [])
    if not classes:
        errors.append("classes 不能为空")
    elif len(classes) != len(set(classes)):
        errors.append("classes 存在重复项")

    # mAP50 使用 0 到 1 的小数表示。
    map50 = spec.get("acceptance", {}).get("map50")
    if map50 is None or not 0 < map50 <= 1:
        errors.append("acceptance.map50 必须位于 0 到 1 之间")

    return errors

def main() -> None:
    requirement = {
        "scene": "仓库通道安全帽检测",
        "classes": ["person", "helmet", "no_helmet"],
        "data_sources": ["固定摄像头视频", "现场补拍图片"],
        "acceptance": {"map50": 0.90, "max_latency_ms": 50},
        "device": "NVIDIA GPU server",
        "deliverable": "REST API",
    }

    errors = validate_requirement(requirement)
    if errors:
        print("需求检查失败")
        for error in errors:
            print(f"- {error}")
        return

    print("需求检查通过")
    print(f"场景: {requirement['scene']}")
    print(f"类别数: {len(requirement['classes'])}")
    print(f"交付形式: {requirement['deliverable']}")

if __name__ == "__main__":
    main()

预期输出:

text
需求检查通过
场景: 仓库通道安全帽检测
类别数: 3
交付形式: REST API

常见需求失误

最常见的问题是类别过多、验收指标不可测和设备信息缺失。首次项目应优先完成最小闭环,只保留真正影响业务判断的类别。需求发生变化时,应同步修改类别定义、数据计划和验收标准,不能只改模型配置。

还要避免使用训练集作为验收集。最终验收数据应独立保留,并尽量接近真实上线环境,否则指标无法反映实际表现。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

定义项目需求

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通