企业官网建设流程全解析

简介：这份资源面向计算机视觉开发者、行为识别算法工程师及安防场景落地人员，聚焦打电话与玩手机两类动作的检测需求，可识别手持打电话、非接触式打电话以及玩手机自拍等典型姿态，适用于课堂纪律监测、驾驶行为分析、办公场所合规管理等场景。压缩包共2000个文件，包含1275个txt标注文件、724张jpg图像和1个yaml配置文件，整体约51.36MB，标注格式已适配YOLOv11，可直接接入训练流程，省去格式转换与数据清洗环节。目前已有850人学习下载，说明该数据集在同类任务中具备一定参考价值。读者可获得覆盖多角度、多姿态的标注样本，配合yaml文件快速完成数据路径配置与类别定义，并借助txt标签直接开展模型微调与验证，为行为识别项目提供从数据到训练的基础支撑。

1. 打电话玩手机识别：从一段监控视频说起

值班室里翻看上周的监控回放，最让人头疼的不是画面模糊，而是想确认某个工位上的人到底有没有在打电话。人工一帧帧看，十分钟就眼花，漏检率还高。打电话玩手机识别要解决的正是这件事：用目标检测模型自动框出画面里「手持电话贴耳」「非接触式打电话」「低头玩手机」「举着手机自拍」这几类行为，把人工从重复劳动里解放出来。标题里提到的 YOLOV11 格式标记，指的是数据集标注直接对齐 YOLO 系列的 txt 格式，省去格式转换这一层折腾，配合 YOLOV11 的网络结构做训练和推理，在常见场景下能拿到比较高的识别率。这套方案适合做工地安全、产线纪律、营业厅服务规范、考场监考的工程师，也适合手里已经有一批监控截图、想快速跑通一个行为检测 demo 的人。它不追求学术上的 SOTA，追求的是标注能复用、训练能收敛、部署能落地。

2. YOLOV11 做打电话玩手机识别：为什么选它，标注怎么对齐

2.1 行为检测和通用目标检测的差别在哪

通用目标检测认的是「人」「车」「手机」这种静态类别，行为检测认的是「人和手机的相对姿态」。同样一部手机，拿在手里刷视频和贴在耳边打电话，在像素层面差别可能只有几十个像素的位移，但类别完全不同。这就带来两个直接后果：一是标注不能只框手机，得框「人+手机」的整体区域，或者框人再靠关键点判断；二是模型对小目标和遮挡特别敏感，手机被手掌挡住一半、被头发遮住一角，召回率就掉。

YOLOV11 在这个任务上比前几代顺手的地方在于它的 C3k2 模块和解耦头设计，对小目标的特征提取更细，同时推理速度没有明显退化。标题里强调「支持 YOLOV11 格式的标记」，本质是说标注文件直接是class x_center y_center width height的归一化 txt，不用先转 VOC 再转 COCO。这一点对一线工程师很实在——标注工具导出即用，少写一个转换脚本就少一个出错环节。

2.2 四类行为的标注边界怎么定

「手持打电话」和「非接触式打电话」最容易标混。我的做法是：手持打电话要求手机与耳部区域有重叠，且手臂呈弯曲上举姿态；非接触式打电话通常指手机放在桌面开免提、或者用耳机通话，画面里手机不在耳侧但人有通话口型或手势。玩手机自拍则是手机举在面部正前方、屏幕朝向自己。这四类如果边界不清，模型学出来的特征会互相污染，表现为「打电话」和「自拍」互相误检。

标注时建议按下面的字段组织，一个类别一个 id，不要中途改：

提示：类别顺序一旦定下就不要动，训练到一半改 id 映射，之前的权重基本作废。

2.3 从原始标注到 YOLOV11 可训练目录

假设你手里是 LabelImg 或类似工具导出的 YOLO txt，目录整理成下面这样就能直接开训：

dataset/ ├── images/ │ ├── train/ # 训练图 │ └── val/ # 验证图 ├── labels/ │ ├── train/ # 与 train 图同名的 txt │ └── val/ └── data.yaml

data.yaml的内容：

path: ./dataset train: images/train val: images/val nc: 4 names: ['hand_call', 'hands_free_call', 'play_phone', 'selfie']

这里nc是类别数，必须和 names 长度一致；path用相对路径时，训练命令要在 dataset 的上一级目录执行，否则会报找不到图片。很多人第一次跑就卡在这里，报错信息是No labels found，八成是路径层级对不上。

2.4 标注质量自检：三个必看的统计量

标完不要急着训，先跑一遍统计。用下面这段脚本看每类框的数量和宽高分布：

import os, glob from collections import Counter cls_counter = Counter() wh_list = [] for txt in glob.glob('dataset/labels/train/*.txt'): with open(txt) as f: for line in f: c, x, y, w, h = line.split() cls_counter[int(c)] += 1 wh_list.append((float(w), float(h))) print('类别分布:', dict(cls_counter)) print('平均宽高:', sum(w for w,_ in wh_list)/len(wh_list), sum(h for _,h in wh_list)/len(wh_list))

逻辑说明：逐行读标注，统计每个类别的框数，同时算平均归一化宽高。参数上，如果某一类框数不到总数的 5%，训练时会被其他类压制，需要补标或做重采样；如果平均宽高小于 0.05，说明目标偏小，要考虑提高输入分辨率或做小目标增强。这一步花十分钟，能省掉后面几小时的调参。

3. 训练与调参：让打电话和玩手机分得开

3.1 环境配置和最小训练命令

YOLOV11 的环境配置不复杂，常见做法是 conda 建一个干净环境，装 ultralytics 和对应版本的 torch。装完先验证：

pip install ultralytics yolo checks

yolo checks会打印 torch、CUDA、设备信息，确认 GPU 被识别到再开训。最小训练命令：

yolo detect train \ data=dataset/data.yaml \ model=yolo11n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ device=0

参数说明：model从预训练权重起步，行为检测数据量通常不大，从头训容易过拟合；imgsz=640是平衡速度和精度的常用值，如果手机目标普遍偏小，可以提到 960，但显存占用会明显上升；batch根据显存调，16 是 8G 显存的安全值；device=0指定第一块 GPU，多卡用0,1。

3.2 学习率和数据增强：行为检测的调参重点

行为检测的难点是类间差异小，学习率给大了会震荡，给小了收敛慢。我一般先用默认lr0=0.01跑 20 轮看 loss 曲线，如果 cls_loss 下降但 val 的 mAP 不涨，说明过拟合，把lr0降到 0.005 并加weight_decay=0.0005。数据增强方面，mosaic对行为检测帮助有限，因为拼接后人和手机的相对位置被打乱，反而干扰姿态学习，建议把mosaic关掉或设成 0.3 以下。fliplr可以开，但要注意「打电话」左右手都常见，翻转不会引入错误标签。

yolo detect train \ data=dataset/data.yaml \ model=yolo11s.pt \ epochs=150 \ imgsz=960 \ batch=8 \ lr0=0.005 \ weight_decay=0.0005 \ mosaic=0.2 \ fliplr=0.5 \ device=0

这里从yolo11n换成yolo11s，是因为行为检测对特征细粒度要求更高，n 版在四类行为上容易把「非接触打电话」和「玩手机」混在一起。imgsz提到 960 是为了让手机这种小目标保留更多像素。

3.3 训练过程看什么指标

训练日志里重点盯三个：metrics/mAP50、metrics/mAP50-95和每类的precision/recall。mAP50 到 0.85 以上通常可用，但如果某一类 recall 明显低，比如「自拍」只有 0.6，说明该类样本太少或标注不一致。这时候不要盲目加轮数，先回去看该类标注有没有把「举手机看屏幕」误标成自拍。混淆矩阵在runs/detect/train/下会生成，打开看对角线，非对角线上的数字就是误检方向，比看总 mAP 有用得多。

注意：验证集要和训练集来自不同时间段或不同摄像头，否则 mAP 虚高，上线就翻车。

3.4 推理和结果保存

训练完用 best.pt 推理，保存带框的结果：

yolo detect predict \ model=runs/detect/train/weights/best.pt \ source=test_videos/ \ save=True \ conf=0.4 \ iou=0.5 \ imgsz=960

conf=0.4是置信度阈值，行为检测里宁可漏检不要误检时调到 0.5 以上；iou=0.5控制 NMS 合并，人密集场景可以降到 0.4 减少框重叠。结果默认存到runs/detect/predict/，视频会逐帧画框后合成。如果要做实时告警，把source换成摄像头索引，配合stream=True逐帧取结果。

4. 避坑与排查：那些让识别率掉一半的细节

4.1 现象：训练 loss 正常但验证 mAP 极低

原因通常是标注文件和图片没对上。YOLO 按文件名找标签，img001.jpg对应img001.txt，如果标注工具导出时带了额外后缀或大小写不一致，就会静默跳过。解决：写个脚本比对 images 和 labels 的文件名集合，差集打印出来，补上或改名。

4.2 现象：打电话和自拍互相误检

原因是两类样本的姿态特征重叠，标注时边界没卡死。解决：回看误检样本，把「手机举在脸前但明显在看屏幕」的从自拍改到玩手机，把「手机贴耳但屏幕朝外」的确认到手持打电话。必要时给这两类各补 200 张以上难例。

4.3 现象：小目标手机漏检严重

原因是输入分辨率不够或下采样丢特征。解决：把imgsz从 640 提到 960 或 1280，同时在data.yaml同级加一个hyp.yaml，把scale增强上限调低，避免小目标被缩得更小。如果还不行，考虑切图推理，把大图裁成小块分别检测再合并。

4.4 现象：推理速度远低于预期

原因可能是imgsz开太大、batch 设成 1 没吃满 GPU，或者用了 CPU 推理。解决：确认device=0，推理时batch设 8 或 16，用half=True开 FP16。如果部署在边缘设备，导出 ONNX 或 TensorRT 引擎，速度通常能翻倍。

4.5 现象：换一个摄像头就大面积误检

原因是训练数据场景太单一，模型学到了背景捷径。解决：训练集里混入不同角度、不同光照、不同背景的样本，至少覆盖目标部署环境的三种以上场景。这一步没有捷径，只能靠数据多样性。

5. 进阶技巧：把识别率再往上推一档

5.1 用关键点辅助判断打电话姿态

纯检测框在遮挡严重时容易失效。一个实用技巧是加一路人体关键点，判断手腕是否靠近耳部、手肘角度是否在通话区间。YOLOV11 本身支持 pose 任务，可以训一个 pose 模型，把关键点坐标和检测框做后融合：当检测到「手持打电话」框，且手腕关键点落在耳部附近，才最终判定。这样能把误检压下去一截，代价是推理多一路计算。

# 伪代码：检测框 + 关键点后融合 for box in det_boxes: if box.cls == 0: # 手持打电话 wrist = kpts[box.person_id]['wrist'] ear = kpts[box.person_id]['ear'] if dist(wrist, ear) < 0.15 * box.height: final_label = 'hand_call' else: final_label = 'play_phone'

逻辑说明：用归一化距离做阈值，0.15 倍框高是经验值，实际按场景微调。参数上，距离阈值太大会把玩手机误判成打电话，太小会漏掉真实通话。

5.2 难例挖掘和增量训练

上线后把误检和漏检的帧存下来，人工复核后加进训练集，每隔一段时间做一次增量训练。增量训练时学习率要比首次训练低一个量级，比如lr0=0.001，避免把已学好的特征冲掉。这个循环跑三轮，识别率通常能再涨 3 到 5 个百分点。

5.3 验证方法：别只看 mAP

mAP 是整体指标，落地要看单类 recall 和误报率。我的习惯是拿一段没参与训练的完整视频，逐帧跑，统计每类的漏检次数和误报次数，做成表：

这张表比任何单一指标都直观，哪类要补数据一目了然。

5.4 部署侧的一个小习惯

导出模型时同时存一份imgsz和conf的记录，写在模型同级的deploy.txt里。换人接手或者过几个月自己回头看，不用猜当初用的什么参数。这个习惯帮我省过好几次「后悔药」——模型效果不对时，先看参数记录，往往问题就出在推理分辨率和训练不一致上。

这套方案我从标注对齐到部署踩了不少坑，最深的教训是：行为检测的瓶颈从来不在模型结构，而在标注边界和数据多样性。把这两件事做扎实，YOLOV11 的识别率自然就上来了。希望帮到你。

本文还有配套的精品资源，点击获取