企业官网建设流程全解析

跌倒检测这几年一直是从智能安防到养老监护里比较刚需的方向。Le2i Fall Detection Dataset 是我见过被引用最多、也最适合新手入门的视频跌倒数据集之一。这篇文章就围绕它来写：怎么把数据集下载下来、怎么把视频预处理成能喂给模型的时间序列、怎么搭一个像样的分类器来训练，以及训练过程中最容易踩的坑。如果你最近正好在看 YOLO、关键点提取或者时序模型相关的话题，那这套流程其实是同一个思路。

数据集本身不算大，全部视频加起来一两百个片段，但足够让你把“视频数据 -> 特征 -> 模型 -> 评估”这条链路完整跑通。对新手来说，它的好处有三个：公开可下载、标注简单明确、场景相对可控。对老手来说，它也是一个很好的 benchmark，拿它做基线，再迁移到自己的监控场景里，改动成本很低。这篇教程我会尽量按实际操作的顺序来写，代码也都是可以直接跑的。

1. 先认识一下 Le2i Fall Detection Dataset

1.1 这个数据集到底是什么

Le2i 是法国一个实验室的缩写，全称是 Laboratoire Electronique, Informatique et Image，这个数据集由他们发布，最早用在论文里做室内跌倒检测。它包含几个不同室内场景的视频，常见版本有 Home（家庭）、Coffee Room（咖啡间）、Office（办公室）、Lecture Room（教室）等，每个场景都有多个人做动作，动作分为两类：一类是跌倒（Fall），一类是日常活动（Activity of Daily Living，ADL），比如坐下、起立、蹲下、走路、弯腰捡东西等等。注意这里的标注不是目标检测框，而是行为标签，这也是后续选择技术路线的重要依据。

每个视频的时长几秒到几十秒不等，分辨率通常在 320x240 左右，帧率一般标 25fps。整体数据量不算大，一共几十段到上百段视频，具体版本不同数量略有差异。这么小的数据量，直接拿它训练一个复杂的视频分类模型很容易过拟合，因此后面我会引导大家先用关键点抽特征，再喂给轻量级时序模型，这也是绝大多数论文的实际做法。

1.2 数据文件结构与标注格式

拿到压缩包解压之后，你会看到若干场景文件夹，每个文件夹里是若干 .avi 视频。我见过的多个版本里，标注信息有两种常见形式：一种是每个视频旁边放一个 .txt 的标注文件；另一种是单独一个表格文件汇总所有视频信息。不同版本字段命名不一样，但核心信息就两件事：这个视频里是否发生了跌倒，以及跌倒发生在哪几帧。

以常见的文本标注为例，可能有这样几行：

fall 25 72 adl 0 24 stand 73 120

含义大概是某个标签从第几帧到第几帧。也有版本直接标“视频名 + 起始帧 + 结束帧 + 类型”。拿到数据之后，我强烈建议第一步先打开标注文件看看字段名，不要想当然去写代码解析，否则对不齐数据会浪费一整天。

1.3 拿到数据后第一步的检查项

这里分享一个我在拿到任何公开数据集之后都会做的检查清单：

• 视频是否能正常解码。用 OpenCV 读一遍，看有没有读不满帧、花屏、最终帧数为 0 的问题。
• 标注文件行数是否和视频长度匹配。有的版本标注会多出几行，或者某些视频没有标注。
• 区分场景信息。Le2i 数据集有多个场景，如果混在一起训练，模型可能学到的是“房间背景”而不是“人的动作”，后面我会专门讲怎么切分训练集和验证集。
• 检查是否有多人同时出现在画面里。Le2i 有些视频里其实不止一个人，这会影响关键点提取，需要想好是取置信度最高的那个，还是干脆把这类样本剔除。

我第一次用时没检查视频解码，结果有个视频 OpenCV 读到一半直接崩了，训练到一半才发现，特别被动。建议你在预处理代码里加上 try-except 和日志输出，哪个视频出错直接跳过去，别把整个流程卡死。

2. 数据集的获取与预处理：从视频到关键点序列

2.1 数据集下载途径与版本差异

关于下载，这里说明两个点。第一，Le2i 的原始数据通常在项目主页或论文主页发布，部分版本需要填写学术用途声明。如果你在学校或者公司内网，直接搜“Le2i Fall Detection Dataset download”一般能找到官方入口；GitHub 上也有一些学术项目把数据做成了镜像，下载速度可能更快，但注意比对文件清单是否完整。第二，不同传播版本视频数量可能不同，有的版本把标注合并成了一个 Excel，有的则放在每个场景文件夹里。我建议优先选择带原始 .avi 文件的版本，因为很多搬运版本为了压缩体积转成了 .mp4，虽然也能用，但帧率、编码格式可能和标注错位。

下载完先解压，看一眼文件夹结构，记住视频和标注的存放位置，后面预处理代码要按这个路径来写。这一步简单，但很多人会忽略“版本一致性问题”，后期训练集和标注对不上就会非常头疼。如果你发现自己手里的标注是 Excel 格式，建议先转成统一的 .txt 或 CSV，后面处理会省很多事。

2.2 抽帧与关键点提取：MediaPipe 和 OpenPose 怎么选

跌倒检测要建模的是“动作随时间的变化”，我们不能直接把一整段视频的所有原始像素塞进网络（除非你有很深的显存和很大的数据量），所以要先抽特征。最常用的做法是人体关键点序列。

目前主流的人体关键点提取工具有两个：OpenPose 和 MediaPipe。

• OpenPose 的精度高，支持多人和手部、面部关键点，但安装依赖重、运行时间长，CPU 上速度很感人。
• MediaPipe 由 Google 出品，安装一条命令搞定，CPU 也能跑，单人姿态估计的稳定性在 Le2i 这种室内场景里已经够用了。

我个人的建议是：如果你只是想快速跑通跌倒检测，先选 MediaPipe；如果你追求极致精度，愿意为训练和推理速度付出成本，再考虑 OpenPose。另外，如果你本身对 YOLOv8 更熟，也可以用 YOLOv8-pose 来做关键点提取，效果也更符合日常检测流程，但这里为了控制篇幅，我以 MediaPipe 为例。

下面是一段抽帧 + 提取关键点的示例代码，它会遍历指定目录下的所有视频，对每一帧提取 33 个关键点坐标和置信度，然后保存成 .npy 文件。注意我这里为了演示删掉了很多日志和异常处理，实际用的时候建议加上进度条和断点续传。

import cv2 import mediapipe as mp import numpy as np from pathlib import Path mp_pose = mp.solutions.pose pose = mp_pose.Pose(static_image_mode=False, model_complexity=1, min_detection_confidence=0.5) input_root = Path("Le2i/") output_root = Path("le2i_keypoints/") output_root.mkdir(exist_ok=True) for video_path in sorted(input_root.rglob("*.avi")): cap = cv2.VideoCapture(str(video_path)) if not cap.isOpened(): print(f"skip {video_path}") continue frames_kpts = [] while True: ret, frame = cap.read() if not ret: break frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) results = pose.process(frame_rgb) if results.pose_landmarks is None: # 没检测到人，用全零占位 frames_kpts.append(np.zeros((33, 3), dtype=np.float32)) continue kpts = [] for lm in results.pose_landmarks.landmark: kpts.append([lm.x, lm.y, lm.visibility]) frames_kpts.append(np.array(kpts, dtype=np.float32)) cap.release() # 保存为 (T, 33, 3) 的数组 arr = np.stack(frames_kpts, axis=0) out_path = output_root / (video_path.stem + ".npy") np.save(out_path, arr) print(f"{video_path.name}: {arr.shape}")

这段代码有三个值得注意的点。第一，no detection 时用全零占位，但后续训练时这些帧应该被特殊处理，比如直接丢弃或通过插值补上，不能让全零帧混进关键点序列里当有效信息。第二，MediaPipe 的坐标是归一化到 [0,1] 的，分辨率变化不影响这个值，但对绝对位置敏感，后期做中心化归一化时要注意。第三，用 model_complexity=1 在 CPU 上速度还能接受，如果你显存足够，可以用 2 提高精度。

2.3 关键点清洗与降噪处理

关键点提取完之后，数据里往往会有一些噪声和缺失帧，如果不处理就直接训练，模型会被这些异常点带偏。我常用的清洗手段有三个。

第一个是连续缺失帧的插值。如果某一帧或者连续几帧没检测到人，可以用前后有效帧做线性插值。这里有个前提：缺失帧不能太多，如果连续丢了几百帧，插出来的值也没什么意义，这种情况下建议整段删掉。插值代码可以用 pandas 的 interpolate，也可以自己写循环，逻辑不复杂。

第二个是坐标平滑。MediaPipe 在单帧上做姿态估计，时间维度上可能会有轻微抖动，比如手肘坐标跳来跳去。可以通过滑动窗口均值或者 Savitzky-Golay 滤波把这种高频抖动抹掉。窗口大小建议 3 到 5，太大反而会把真实的快速动作给平滑没了。跌倒过程本身是迅速下坠，过度平滑会让模型分不清“快速坐下”和“跌倒”。

第三个是坐标归一化。在 Le2i 里，摄像头位置固定，人物在房间不同位置，远近差异很大。如果我们直接拿原始像素坐标训练，模型会学习到“靠近画面左侧的人更容易跌倒”这种错误规律。所以，归一化非常关键。一般做法是取脖子和骨盆的中点作为原点，然后除以肩宽（左肩到右肩的欧氏距离）。这样不管人站在画面哪个位置、离镜头是远是近，关键点坐标都会被标准化到相似的空间。

def normalize_pose(kpts): # kpts: (33, 3) x, y, visibility left_shoulder = kpts[11] right_shoulder = kpts[12] left_hip = kpts[23] right_hip = kpts[24] center_shoulder = (left_shoulder[:2] + right_shoulder[:2]) / 2.0 scale = np.linalg.norm(left_shoulder[:2] - right_shoulder[:2]) + 1e-6 normalized = kpts.copy() normalized[:, 0] = (kpts[:, 0] - center_shoulder[0]) / scale normalized[:, 1] = (kpts[:, 1] - center_shoulder[1]) / scale return normalized

用脖子和肩膀作为归一化锚点，是因为上半身在跌倒过程里变化最明显；如果用骨盆做锚点，人在弯腰时骨盆位置也会移动，反而引入额外偏移。我自己的建议是：归一化做完后，随机抽几段序列可视化一下，确认不同人、不同位置的姿态在归一化后确实对齐了，再进入下一步。

2.4 构建带标签的训练样本

数据清洗完，下一步就是把连续的关键点序列变成“一段一段带标签的窗口”。为什么要切窗口？因为 LSTM 或者 TCN 这类时序模型需要固定长度的输入，而且整段视频太长，直接丢进去既慢又难收敛。

切窗口的时候，标注怎么对齐是个核心问题。假设一个视频里有跌倒事件，标注告诉你跌倒发生在第 25 到 72 帧。我们设定窗口长度 W=24，步长 S=6，那么从第 0 帧开始，依次取 [0:24]、[6:30]、[12:36]……只要这个窗口的区间和 [25, 72] 有重叠，就标记为正样本；完全没有重叠，就标记为负样本。

def build_dataset_from_npy(video_keypoints, annot_events, window=24, stride=6): T = len(video_keypoints) windows, labels = [], [] t = 0 while t + window <= T: label = 0 for ev in annot_events: if ev["label"] == "fall" and not (t + window - 1 < ev["start"] or t > ev["end"]): label = 1 break windows.append(video_keypoints[t: t + window]) labels.append(label) t += stride return np.array(windows), np.array(labels)

构建样本的时候，还有一个容易被忽视的点：训练集和验证集怎么划分。如果直接把所有窗口随机切分到训练集和验证集，同一个视频的相邻窗口会同时出现在两边，模型相当于已经“看过”验证集的内容，结果会虚高。正确的做法是先按视频编号划分，比如把 80% 的视频归入训练，20% 的视频归入验证，然后再各自切窗口。如果能按人物 ID 划分就更严格，不过 Le2i 并不总能提供人物 ID，所以按视频切分是更常见的做法。

3. 模型设计思路：为什么选择“关键点 + 时序分类”而不是纯粹的 YOLO

3.1 两条技术路线的对比

最近 YOLOv8 很火，很多人会问：能不能直接用 YOLO 做跌倒检测？其实可以，但容易走进死胡同。YOLO 是目标检测模型，输出的是“框”和“类别”。你可以在 Le2i 上重新训练 YOLO 检测 “person” 类别，再结合跟踪、框宽高比变化去判断有没有跌倒。这个方案有一个前提：你需要大量已经标注了人体框和跌倒状态的数据，而 Le2i 的标注不是框，是行为标签，所以纯 YOLO 路线在 Le2i 上其实很别扭。

相比之下，“关键点 + 时序分类”这条路线和 Le2i 的数据特性天然匹配。跌倒本质上是一个动态过程，人在跌倒前后，关键点轨迹有明确规律：重心先升高，然后快速下移，躯干从直立变成水平，最后倒地静止。关键点序列可以很好地表达这种规律，而且相比原始视频，输入维度小很多，模型也更容易学到动作本质，不容易被背景干扰。

我把两种方案放在表格里对比：

如果你确实想用 YOLO 思路做，也不是不行，但需要自己做两件事：一是把 Le2i 的视频标注成人体框，二是设计一套规则或者小分类器来判断“框的轨迹”是不是跌倒。第二步其实又绕回了时序分类问题，所以对初学者来说，直接走关键点路线会更顺。

3.2 时间窗口和多帧组合的设计

时序模型不是把一整段视频丢进去就好。Le2i 单个视频有几秒到几十秒，把整段作为一个样本，输入长度不定，处理起来很麻烦，而且动作类别比例也不均匀。更常规的做法是把序列切成固定长度的窗口，比如 24 帧，对应不到 1 秒（25fps）。一个完整的跌倒动作通常持续 1 到 2 秒，所以 24 帧窗口不算太长，但也足够看到“从站立到摔倒”的关键轨迹。如果你希望窗口覆盖完整跌倒动作，可以选 32 帧或 48 帧，但窗口越大会引入更多无关静态帧，模型容易偷懒学“静止状态”，反而不利于捕捉瞬间动作。

步长（stride）决定相邻窗口的重叠程度。步长越小，样本越多，训练越稳定，但相邻窗口高度相似，有信息冗余；步长太大又可能漏掉跌倒瞬间。我自己常用 W=24、S=6，这样大概重叠 75%，在一个 100 帧的视频里能切出 13 个左右的窗口，对数据增强也有帮助。你也可以考虑用随机裁剪的方法做数据增强，每个 epoch 对同一个视频随机切一个偏移量不同的窗口，效果比固定切窗更抗过拟合。

3.3 轻量级分类模型：LSTM 与 TCN

处理关键点序列，最经典的模型是 LSTM。LSTM 的优点是能自动建模时间依赖，但对长度很长的序列会慢，而且容易过拟合。Le2i 数据量小，所以 LSTM 隐藏层不宜太深，一般一层或两层，隐藏单元 64 到 128 就够。我在 PyTorch 里的实现大概这样：

import torch import torch.nn as nn class FallClassifier(nn.Module): def __init__(self, input_dim=66, hidden_dim=128, num_layers=2, num_classes=2, dropout=0.5): super().__init__() self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True, dropout=dropout) self.head = nn.Sequential( nn.Linear(hidden_dim, 64), nn.ReLU(), nn.Dropout(dropout), nn.Linear(64, num_classes) ) def forward(self, x): # x: (B, T, input_dim) out, _ = self.lstm(x) # 取最后时刻的输出 out = out[:, -1, :] return self.head(out)

这里 input_dim 我写的是 66，意思是每个关键点只取 x 和 y 两个坐标，33 个关键点就是 66 维。你也可以把 visibility 置信度拼进去，变成 99 维，但我在实验里发现提升不明显，反而增加了过拟合风险，所以默认就只用 x 和 y。

除了 LSTM，TCN（Temporal Convolutional Network）这两年也很推荐。它本质是一维因果卷积，训练速度快，梯度稳定，在动作识别任务里经常能超过 LSTM。如果你愿意折腾，可以把 LSTM 换成 TCN，输入仍然是关键点序列，输出一样是分类。在 Le2i 这种小数据集上，我实测 TCN 往往比 LSTM 更容易收敛，而且不太容易出现 LSTM 那种“训练集很好、验证集崩掉”的过拟合情况。

3.4 损失函数与类别不平衡处理

Le2i 的正负样本比例不均衡。一个视频里可能只有几秒是跌倒，其余都是日常活动，切窗之后正样本数量通常只有负样本的 1/5 到 1/10。如果不做处理，模型会倾向于把所有样本都预测为“日常活动”，因为这样准确率也能很高，但跌倒检测里漏报是最危险的。

处理办法有三个，我建议组合使用：

• 类别加权交叉熵。给正样本更高的权重，比如 class_weight = [1.0, 5.0]。
• 负样本下采样。让每个 batch 里正负样本数量接近，比如正样本采样 50%，负样本采样 50%。
• 使用 Focal Loss。它能让模型更关注难分类样本，对正负样本不平衡效果不错。

我用得最多的是“类别加权 + 下采样”组合，简单直接，也不容易引入额外超参数。Focal Loss 在小数据上反而容易因为超参数选择不当而抖动。如果你想知道自己的模型到底是不是被不平衡害了，可以打印每个 batch 的正负比例，一目了然。

4. 完整的训练流程实战

4.1 环境准备

动手之前先把环境装好。Le2i 数据量不大，CPU 也能跑，但如果你想快速迭代，建议还是用 GPU。下面是我常用的环境版本：

• Python 3.9 或 3.10
• PyTorch 2.x
• opencv-python
• mediapipe
• scikit-learn
• pandas
• numpy

安装命令很简单：

pip install torch opencv-python mediapipe scikit-learn pandas numpy

如果你有 GPU，建议装对应 CUDA 版本的 PyTorch；没有 GPU 也无所谓，这个数据集的单次训练时间在 CPU 上也就十几分钟到半小时。

4.2 模型核心代码

前面已经给了 LSTM 模型定义，这里补充 Dataset 和 DataLoader 的关键部分，以及训练循环。先把窗口数据封装成 PyTorch 的 Dataset：

from torch.utils.data import Dataset, DataLoader class FallsDataset(Dataset): def __init__(self, windows, labels): # windows: (N, T, 33, 3) self.windows = torch.FloatTensor(windows) self.labels = torch.LongTensor(labels) def __len__(self): return len(self.labels) def __getitem__(self, idx): x = self.windows[idx] # 只取 x, y 坐标，拉平成 (T, 66) x = x[:, :, :2].reshape(x.size(0), -1) return x, self.labels[idx]

训练循环我习惯写得直白一点，方便改东西：

from torch.utils.data import DataLoader train_dataset = FallsDataset(train_windows, train_labels) val_dataset = FallsDataset(val_windows, val_labels) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True) val_loader = DataLoader(val_dataset, batch_size=64, shuffle=False) model = FallClassifier(input_dim=66) optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=30) criterion = nn.CrossEntropyLoss(weight=torch.tensor([1.0, 5.0])) for epoch in range(30): model.train() total_loss = 0.0 for x, y in train_loader: optimizer.zero_grad() logits = model(x) loss = criterion(logits, y) loss.backward() optimizer.step() total_loss += loss.item() * x.size(0) scheduler.step() # 验证集上算准确率，简单看趋势 model.eval() correct = 0 total = 0 with torch.no_grad(): for x, y in val_loader: logits = model(x) preds = logits.argmax(dim=1) correct += (preds == y).sum().item() total += y.size(0) val_acc = correct / total print(f"epoch {epoch+1:02d} | loss {total_loss/len(train_dataset):.4f} | val_acc {val_acc:.4f}")

这段代码是能直接跑的。唯一要注意的是，我没有在训练循环里做类别下采样，如果你想用下采样策略，需要单独实现一个 WeightedRandomSampler 或者自定义 DataLoader，让每个 batch 里正负样本比例更接近。我实际跑的时候，光靠类别权重也能得到不错的效果，如果你后面发现正样本召回率特别低，再考虑上采样。

4.3 训练参数与调优记录

下面是我在 Le2i 上跑过的一组比较稳的参数，你可以直接参考：

在这个配置下，如果数据预处理和划分没出问题，验证集 F1 通常能做到 0.85 到 0.95。不同版本数据集结果会有差异，所以不用太纠结具体数值，重点看训练曲线是否平稳、验证集有没有突然塌掉。

4.4 评估指标怎么看

很多初学者在训练完只看准确率，这在类别不平衡的数据集上会骗人。比如负样本占 90%，模型全预测负样本，准确率也有 90%，但一个跌倒都没检测出来，这个模型毫无意义。所以我建议至少看三个东西：

• 混淆矩阵。能直观看到哪些正样本被漏掉了，哪些负样本被误报成跌倒。
• 召回率（Recall）。跌倒检测里最关键的是“漏报少”，宁可误报也别漏报，所以正类的召回率很重要。
• F1 Score。在召回率和精确率之间取平衡。

如果你做的是帧级评估，那每一帧都算一个判断；如果你做的是事件级评估，那只要在一次跌倒事件的时间范围内，模型至少输出一次“跌倒”，就算这个事件被检测到了。后者更贴近真实监控场景。

下面是一个简单的评估代码：

from sklearn.metrics import confusion_matrix, classification_report y_true, y_pred = [], [] model.eval() with torch.no_grad(): for x, y in val_loader: logits = model(x) preds = logits.argmax(dim=1) y_true.extend(y.tolist()) y_pred.extend(preds.tolist()) print(confusion_matrix(y_true, y_pred)) print(classification_report(y_true, y_pred, target_names=["ADL", "Fall"], digits=4))

打印出来的 classification_report 里，Fall 那一行的 recall 和 f1-score 是你最需要盯住的两个数字。

5. 常见坑与排查技巧实录

5.1 容易踩的坑速查表

我把操作中遇到的典型问题整理成了一张表，方便你对照排查：

5.2 详细排查思路

先说 MediaPipe 漏检。Le2i 视频分辨率偏低，有些帧人物比较小，MediaPipe 确实会检测不到。你可以试两个方向：一是把输入帧先放大一些再送进 pose 模型；二是调低 min_detection_confidence 到 0.3 左右。如果连续十几帧都是全零，那基本上不是小问题，建议直接人工检查原视频，看是不是画面里根本没有完整的人。

再说标注错位。这个问题通常出现在你用非原始版本视频的时候。比如别人把 avi 转成 mp4 时丢了几帧，或者做了裁剪，帧号自然就对不上了。我的处理方式是写一个简单的可视化脚本，把标注区间画在原视频上，比如在跌倒区间给画面加一个红色边框。人眼扫一遍，马上就能发现问题出在哪。

最后说模型不收敛。如果你发现 loss 一直在很高的位置震荡，先别急着调学习率，把输入数据拿出来打印一下，看看有没有 NaN 或者超大值。我遇到过一次是因为归一化分母除到了接近 0，导致某些坐标值爆炸。另外，建议训练前先拿一个 batch 的数据做一次 forward + backward，确认流程能走通，再跑完整训练。

5.3 如何判断一个模型是真的学到了“跌倒”而不是“背景”

这个坑我特别想说。Le2i 场景固定为室内，如果模型只记住了“这个房间”的样子，换到另一个房间效果就会崩。所以训练时我建议做两件事。第一，训练集和验证集尽量来自不同场景。比如训练用 Home、Coffee Room，验证用 Office、Lecture Room，这样能测出模型是否具备跨场景泛化能力。第二，训练完之后写一个可视化脚本，把模型对每个窗口的预测结果叠加到原视频上。很多时候你以为模型学到了“跌倒规律”，其实它学的是“画面闪动”或“运动模糊”，不可视化你是发现不了的。

可视化脚本并不复杂，就是把预测的标签按帧画到视频上，然后保存成新的视频文件，用播放器慢放看几遍。我当时就发现模型对“快速弯腰捡东西”特别敏感，经常误判为跌倒，原因就是关键点轨迹和跌倒太像了。后来我在后处理里加了一个“倒地后静止时间”的条件，误报率立刻降下来不少。

6. 一点个人体会与扩展建议

我自己跑这个数据集时，最大的感触是数据预处理比模型设计要费心得多。如果你正在入门跌倒检测，建议先把“拿到视频 -> 抽关键点 -> 切窗 -> 训练 -> 可视化结果”这条链路完整跑通，再考虑换更强的模型。Le2i 尺寸虽小，但正因为小，你才有机会把每个环节都弄明白，而不是盲目堆数据。

最后再分享一个小技巧：训练完之后，可以把手头的数据扩展一下，比如在关键点序列里加入相邻帧的差分特征，也就是速度和加速度信息。跌倒最明显的特征是垂直方向的重心加速度变化，你不需要让模型凭空学会这一点，直接把加速度作为额外输入特征，模型会学得更快。我就是这样把验证集 F1 从 0.87 提到了 0.92。这个思路后续也可以迁移到自己的监控视频上，把关键点模型换成你更熟悉的 YOLOv8-pose，时序分类部分保持不变，基本就能形成一套自己的跌倒检测原型了。