企业官网建设流程全解析

1. 先把 VisDrone 摸清楚，别急着写转换脚本

用过 VisDrone 训练 YOLOv5 的人大概都有同一个体会：真正耗时间的不是敲训练命令，而是前面那段“数据到底长什么样”的摸索期。VisDrone 是一套无人机视角的目标检测数据集，图像全部由低空飞行平台俯拍采集，视角高、覆盖范围大、目标密集。这个数据集最核心的价值在于它把“高空小目标 + 极端密集 + 严重遮挡”这三件事一次性摆到了你面前，逼着你去处理普通街景数据集里根本不会遇到的场景。YOLOv5 这边生态成熟、配置直观、日志可读性好，很适合作为验证想法的第一站。

这篇文章面向三类人：刚把 YOLOv5 跑通 COCO、想换一个更有挑战性的数据集练手的朋友；手里有无人机航拍图、想快速搭一套检测流程的开发者；以及已经能训起来但对指标不满意、想搞清楚“为什么加了分辨率还是提不上去”的同学。我不打算讲 YOLOv5 的骨干网络结构，那是另一篇文章的事，这里只聊从原始压缩包到能出指标这一条链路上的具体操作、参数取舍和我自己踩过的坑。

1.1 十个类别和标注文件的真实结构

VisDrone 检测任务一共十个类别，顺序固定，这套顺序在后面写 yaml 和做可视化时都会反复用到：pedestrian、people、bicycle、car、van、truck、tricycle、awning-tricycle、bus、motor。注意pedestrian和people是两个不同的类，前者指在行走或站立状态下的行人，后者泛指人群聚集、坐卧、难以单独界定的个体，实际图像里这两类边界很模糊，是最容易混淆、AP 也往往最低的一对。

官方的标注文件是每张图对应一个同名.txt，里面一行一个目标，字段用逗号分隔，顺序是bbox_left, bbox_top, bbox_width, bbox_height, score, object_category, truncation, occlusion。这八个字段里，前四个是像素坐标，但注意它是从 1 开始计数的左上角坐标加宽高，不是右下角；score字段取 0 或 1，0 表示这块区域是“忽略区”，比如拍到天空、地面纹理、镜头遮挡产生的无意义区域；object_category取 0 到 10，0 同样是忽略标记，1 到 10 才对应上面那十个类；truncation是 0 到 1 的截断程度，occlusion是 0 到 2 的遮挡等级。

最容易出事的地方就在这里。很多人写转换脚本时只看object_category，忘了过滤score == 0，结果大批“忽略区”被当成真实目标塞进了训练集，模型被迫去学一些本来就不该被检测的区域，mAP 莫名其妙掉好几个点。我见过最典型的情况是有人反馈“训练 loss 一直在抖，收敛不了”，查下来就是忽略区没过滤。

1.2 三个容易被忽略的数据特征

第一个特征是图像尺寸不统一。VisDrone 的图并不是清一色 1920×1080，常见的有一批在 2000×1500 上下，也夹杂着 1344×756、2686×1512 这种尺寸。这意味着你绝不能硬编码图片宽高去做归一化，必须每张图单独用 PIL 或 OpenCV 读一次真实尺寸。硬编码的后果不是报错，而是标签全部偏移，而且偏移量不固定，训练时看起来 loss 在降，验证时框得莫名其妙。

第二个特征是目标尺寸分布极端偏小。VisDrone 里相当比例的目标框边长在 20 像素以内，甚至十几个像素。你可以自己跑一遍统计，把所有 W、H 算出来画个直方图，会发现峰值压在很低的区间。这个特征直接决定了后面的分辨率选择：在 640 输入下，一个 20 像素的框被缩放后只剩 6 个像素左右，卷积网络基本没法从 6 个像素里提取出有判别力的特征。

第三个特征是验证集很小，只有 548 张。这个数量在指标上会带来很大的抖动，一个 epoch 之间 mAP@0.5 上下波动两三个点是很正常的。更麻烦的是，你如果反复盯着这 548 张调超参，很快就会对这批数据过拟合，换到测试集上效果打折。我的做法是从训练集里再切一小块做本地验证，官方 val 集只在关键节点上评估一次。

提示：官方测试集的标注不公开，本地能拿到的只有 train 和 val。不要指望在测试集上做任何“本地调试”，所有对比实验都只能基于 val 或者自己从 train 里切出来的子集。

2. 从原始标注到 YOLO 标签：转换脚本与目录搭建

YOLO 系列要求的标签格式是每行class_id x_center y_center width height，后四个值都是相对原图宽高归一化到 0 到 1 之间的小数。这个格式本身很简单，麻烦的是从 VisDrone 的绝对像素坐标、1-based 起始、附带忽略标记的格式转过去，中间每一步都要小心。

2.1 目录结构和文件命名

我建议养成一套固定的目录习惯，这样后面写 yaml、写脚本、换数据集都不用重新想路径。VisDrone 的原始图像命名类似0000006_00159_d_0000006.jpg，前面是序列号，中间是帧号，后缀是d。这种命名方式在不同序列之间有重复风险，但 VisDrone 官方已经保证了全局唯一，直接沿用原名即可，不需要重命名。

我用的目录结构大致是这样：

datasets/ visdrone/ images/ train/ val/ labels/ train/ val/ raw/ # 原始解压目录，保留不动 VisDrone2019-DET-train/ images/ annotations/ VisDrone2019-DET-val/ images/ annotations/

保留一份完整的 raw 目录很重要。我早期为了“干净”直接把原始标注删了，后来想统计遮挡分布、想按 truncation 过滤重做一遍，又得重新下一次压缩包，白等半小时。硬盘不紧张的话，原始数据一律别删。

2.2 转换脚本逐段拆解

下面这个脚本我在多个小目标数据集上复用，改一下类别表和文件名规则就能直接用。核心逻辑有四步：过滤无效标注、坐标归一化、越界裁剪、写入目标路径。

import os from pathlib import Path from PIL import Image CLASSES = [ "pedestrian", "people", "bicycle", "car", "van", "truck", "tricycle", "awning-tricycle", "bus", "motor" ] # occlusion=2 表示严重遮挡，这里保留但可随时调整策略 MAX_OCCLUSION = 2 # 小于这个像素面积的目标直接丢弃，避免出极端的退化框 MIN_AREA = 4 def convert_split(img_dir, ann_dir, dst_img_dir, dst_lbl_dir): os.makedirs(dst_img_dir, exist_ok=True) os.makedirs(dst_lbl_dir, exist_ok=True) stats = {"total": 0, "kept": 0, "skip_ignore": 0, "skip_tiny": 0} for ann_path in Path(ann_dir).glob("*.txt"): img_path = Path(img_dir) / (ann_path.stem + ".jpg") if not img_path.exists(): continue with Image.open(img_path) as im: W, H = im.size lines = [] with open(ann_path, "r", encoding="utf-8") as f: for raw in f: raw = raw.strip() if not raw: continue parts = raw.split(",") if len(parts) != 8: continue stats["total"] += 1 bx, by, bw, bh = [float(v) for v in parts[:4]] score = int(float(parts[4])) cat = int(float(parts[5])) occl = int(float(parts[7])) # 1. 忽略区过滤 if score == 0 or cat == 0: stats["skip_ignore"] += 1 continue # 2. 遮挡等级过滤 if occl > MAX_OCCLUSION: continue # 3. 退化框过滤 if bw * bh < MIN_AREA: stats["skip_tiny"] += 1 continue # 4. VisDrone 坐标是 1-based 左上角 + 宽高 x1 = bx - 1.0 y1 = by - 1.0 x2 = x1 + bw y2 = y1 + bh # 5. 越界裁剪 x1 = max(0.0, min(x1, W - 1)) y1 = max(0.0, min(y1, H - 1)) x2 = max(0.0, min(x2, W - 1)) y2 = max(0.0, min(y2, H - 1)) if x2 - x1 < 1 or y2 - y1 < 1: continue xc = (x1 + x2) / 2.0 / W yc = (y1 + y2) / 2.0 / H nw = (x2 - x1) / W nh = (y2 - y1) / H cls_id = cat - 1 # 1..10 -> 0..9 lines.append(f"{cls_id} {xc:.6f} {yc:.6f} {nw:.6f} {nh:.6f}") stats["kept"] += 1 stem = ann_path.stem # 图像可以做软链接省空间，这里直接复制 target_img = Path(dst_img_dir) / (stem + ".jpg") if not target_img.exists(): with open(img_path, "rb") as src, open(target_img, "wb") as dst: dst.write(src.read()) with open(Path(dst_lbl_dir) / (stem + ".txt"), "w", encoding="utf-8") as f: f.write("\n".join(lines)) return stats if __name__ == "__main__": root = Path("datasets/visdrone/raw") dst = Path("datasets/visdrone") for split, folder in [("train", "VisDrone2019-DET-train"), ("val", "VisDrone2019-DET-val")]: s = convert_split( root / folder / "images", root / folder / "annotations", dst / "images" / split, dst / "labels" / split, ) print(split, s)

几个必须强调的点。第一，cls_id = cat - 1这一步看着不起眼，但如果漏了，整个类别标签会整体错一位，pedestrian变成people，car变成van，训练照样能跑、loss 照样会降，只是最后每类 AP 全是乱的，排查起来非常痛苦。第二，x1 = bx - 1.0这个减一是 VisDrone 特有的，因为它的坐标从 1 开始。第三，归一化用的是裁剪之后的框，不是裁剪前的，否则会出现大于 1 的坐标，YOLOv5 加载时会报越界警告。

跑完之后打印的统计信息值得看一眼。正常情况下一张训练集图片平均有几十个目标框，如果算出来平均只有一两个，那基本可以确定过滤条件写错了。

2.3 数据集 yaml 与首轮自检

转换完成之后写一份visdrone.yaml，放在项目的data/目录下：

path: ../datasets/visdrone train: images/train val: images/val nc: 10 names: ['pedestrian', 'people', 'bicycle', 'car', 'van', 'truck', 'tricycle', 'awning-tricycle', 'bus', 'motor']

path是数据根目录，train和val是相对路径，YOLOv5 会自动去对应位置找images/xxx，然后把路径里的images替换成labels去找标签。这个约定必须严格遵守，如果你把标签放在别的地方，框架找不到，只会静默地把这批图当作无标签负样本处理，训练时 loss 里的目标项一直是 0，很多人卡在这里。

自检我一般做两件事。第一件是随机抽十张图把标签画上去看一眼，红色的框是不是正好套在车和人身上，框的方向有没有整体偏移。第二件是跑一次极短的训练，--epochs 1 --batch 8 --img 640，看日志里train和val的实例数量是不是合理数量级。如果 val 的实例数比你预估的少了一个数量级，回去查转换脚本。

注意：如果你打算从 train 里切一部分做本地验证，记得在 yaml 里用绝对或相对路径明确指向切出来的那份，别直接改train字段，否则训练集少了却没人发现，指标对比全部失真。

3. 训练配置的取舍：分辨率、锚框与检测头

数据这一层理顺之后，接下来是决定上限的三个配置。它们的影响远大于学习率、权重衰减这些细节参数，前面没调好，后面再怎么炼丹都是徒劳。

3.1 输入分辨率是第一优先级

VisDrone 上我见过的最大误区就是“先用 640 跑通再说”。这个数据集的问题不是模型不行，是信息在缩放那一步就丢了。假设原图 2000×1500 缩到 640×480，缩放比大约是 0.32，一个原本 25×25 像素的汽车，进去只剩 8×8。8 像素在 P3 特征图（stride 8）上对应 1 个格子，到 P4（stride 16）上连半个格子都不到。也就是说，模型在语义层根本“看不见”这个目标。

把--img提到 1280，同样那个目标变成 16×16，在 P3 上占两个格子，才能被正常激活。公开评测里的量级大致是这样：YOLOv5s 在 640 输入下 mAP@0.5 落在二三十这个区间，换成 1280 通常能往上走七八个点甚至更多，提升幅度比换更大的骨干网络明显得多。这不是玄学，就是有效像素数量的问题。

代价也很直接：显存和耗时。1280 输入的张量体积是 640 的四倍，训练时激活值占用同步涨。以单卡 16GB 显存为例，YOLOv5s 在 1280 下 batch 大概只能开到 8 到 16，还要把--workers调低一点防止内存爆掉。如果显存更紧张，可以用--img 1024折中，1024 相对 640 的提升同样很可观。

3.2 重新聚类锚框

YOLOv5 自带的默认锚框是在 COCO 上用 K-means 聚出来的，九个尺度，从小到大的分布跟航拍视角完全不是一回事。VisDrone 里大量框集中在很小的尺寸区间，直接用默认锚框，匹配到的正样本 anchor 会严重偏大，回归目标偏差大，训练前期 loss 掉得很慢。

好在 YOLOv5 训练启动时会自动跑一次 anchor 检查，日志里会打出AutoAnchor相关的信息，如果它认为当前锚框跟数据不匹配，会提示重新聚类。你可以手动跑一次聚类，把结果写回模型配置：

python utils/autoanchor.py --data data/visdrone.yaml \ --weights yolov5s.pt --img-size 1280

聚完会得到九个（如果加了 P2 层就是十二个）新的宽高对，形如[12,15, 19,22, 27,31, ...]，前面的数字普遍比默认值小一圈，这是符合预期的。把这些值替换到models/yolov5s.yaml或者其他对应模型配置的anchors:字段下。注意顺序必须是从小到大排，因为 YOLO 是把锚框按面积排序后分给不同尺度的检测层的，顺序错了会导致小锚框配到 P5 上去，效果比不换还差。

这一步的收益不像分辨率那么立竿见影，但属于“几乎零成本、普遍有正收益”的操作，没有理由跳过。

3.3 加一个 P2 检测头值不值

YOLOv5 标准配置有三个检测头，分别接在 stride 8、16、32 的特征图上。对于 VisDrone 这种极小目标密集的数据集，社区里很常见的做法是再加一个 stride 4 的 P2 头。做法是把models/hub/目录下现成的 P2 版配置复制过来，调整一下nc和anchors，作为--cfg传入。

加了 P2 之后，理论上 8 到 16 像素的目标终于有了一个高分辨率的检测层可以负责。实测下来这种改造对小目标 AP 的提升确实存在，尤其是pedestrian、people、motor这几类小目标占比高的类别。

但代价必须说清楚。P2 特征图的分辨率是 P3 的两倍，通道数也不少，显存占用和计算量会上一个台阶。在同样的显存条件下，你可能被迫把 batch 降到 4 甚至 2，或者把输入尺寸从 1280 退回到 1024。这时候就出现一个权衡：1280 + P3 三头和1024 + P2 四头，哪个更好？我的经验是前者通常更稳，因为分辨率带来的信息增益是全局的，而 P2 头只对极小目标那一小部分样本起作用，还容易引入大量低质量正样本，让训练变得更不稳定。如果你的显存足够撑住 1280 + P2，那就两个都要；如果只能二选一，优先保分辨率。

4. 训练实操：命令、超参与过程监控

前面三步定下来之后，训练本身就相对机械了。这一节把命令拆开讲清楚每个参数为什么这么给，再聊聊增强策略和日志阅读。

4.1 完整训练命令与参数逐条解释

我常用的起手命令是这样：

python train.py \ --img 1280 \ --batch 8 \ --epochs 100 \ --data data/visdrone.yaml \ --weights yolov5s.pt \ --cfg models/yolov5s-p2.yaml \ --hyp data/hyps/hyp.visdrone.yaml \ --device 0 \ --workers 8 \ --project runs/visdrone \ --name exp_s_1280_p2 \ --exist-ok

--weights yolov5s.pt用的是 COCO 预训练权重。有人会问航拍视角跟街景差别那么大，预训练还有用吗？有用，而且很有用。浅层学到的边缘、角点、纹理响应是通用的，深层虽然语义有偏移，但整体收敛速度比从零开始快得多。我在 VisDrone 上做过对比，从零训练到同等 mAP 大概需要两到三倍的 epoch 数。

--hyp指向自定义的超参文件，这是很多人忽略的一步。YOLOv5 默认的 hyp 是针对 COCO 调的，直接套过来在 VisDrone 上不一定合适。我一般从默认文件复制一份，改几个关键项：初始学习率从 0.01 降到 0.005 左右（数据集小、batch 小，学习率太大会震荡），warmup_epochs从 3 提到 5（小数据集前期更脆弱，需要更长的预热），weight_decay保持 0.0005 不动。

--workers的设置要看你机器的 CPU 核数和内存。VisDrone 的图很大，1280 输入下每张图解码加增强的内存开销不小，workers 开太高容易触发 OOM Killer。8 是一个比较安全的起点，如果nvidia-smi显示 GPU 利用率长期低于 60%，说明数据加载是瓶颈，可以往上加；如果系统内存吃紧，就往下减。

--name里把关键配置都写进去，exp_s_1280_p2一眼能看出是 small 模型、1280 输入、带 P2 头。我吃过这个亏，跑了一堆实验，名字全是exp、exp2、exp3，回头根本分不清哪次对应哪个配置，只能翻日志。

4.2 数据增强参数该怎么调

YOLOv5 的增强项挺多，VisDrone 上不是每项都开得越大越好。

mosaic这一项需要重点说。它把四张图缩小后拼成一张，对普通数据集能显著提升小目标数量和上下文多样性，但对 VisDrone 这种本来就全是小目标的数据集，拼完之后每张子图被缩到原尺寸的一半，目标变得更小了。在 640 输入下开满 mosaic，很多目标会缩到三四个像素，基本等于噪声。所以我的建议是 1280 输入下保持默认的 1.0 但配合close_mosaic提前关闭，或者干脆把概率降到 0.5 左右；640 输入下反而不建议开满。

flipud垂直翻转我一般设成 0。无人机俯拍图像有明确的上下语义，天空在上、地面在下，垂直翻转后出现了物理上不合理的场景，虽然模型未必学得出来，但没有收益的事情不做。fliplr水平翻转设 0.5 没问题。

scale随机缩放默认 0.5，这个对 VisDrone 是有益的，能让模型见到同一目标在不同尺度下的样子。但因为原图本身目标就小，缩放的负向区间（缩小）要小心，缩过头目标直接消失。可以把scale调到 0.3 到 0.4 之间，减小向下缩放的比例。

hsv_h/s/v三个颜色扰动保持默认即可，无人机在不同光照时段拍的图色温差异大，颜色扰动对这个数据集是有实际意义的。degrees旋转默认 0，如果图像本身没有明显的方向先验，可以开到 5 到 10 度，但别开太大，旋转会让边界框变大、引入大量背景。

4.3 训练曲线和日志怎么读

YOLOv5 会把结果写到runs/visdrone/exp_xxx/下面，results.csv里逐 epoch 记录所有指标，results.png是汇总曲线。我通常先看三个东西。

第一个是train/box_loss和val/box_loss的走向。正常情况是前期快速下降，大概二三十个 epoch 后趋于平缓。如果 val 的 box_loss 在中后期开始往上翘，而 train 还在降，那是过拟合的信号。VisDrone 训练集六千多张，对 YOLOv5s 来说不算多，过拟合很常见，早停或者加强正则都是选项。

第二个是metrics/mAP_0.5的曲线。这条线在 VisDrone 上不会像 COCO 那样平滑上升，它会抖。我见过在 60 epoch 附近突然掉两个点又涨回来的情况，这种单点波动不要去调参，看趋势。判断收敛的依据是最近二十个 epoch 的峰值不再刷新。

第三个是各类别的 AP。YOLOv5 会在验证时打印每个类别的 P、R、mAP@0.5。VisDrone 上car、van、truck通常表现不错，awning-tricycle、tricycle、bicycle这几类往往很差，因为它们数量少、形态相似、目标又小。如果发现某一类 AP 接近 0，先别急着改模型，回头看看这类在训练集里到底有多少个实例，是不是样本太少导致的。

心得：训练初期最值得看的是锚框匹配情况。日志里会打印每个检测层匹配到的正样本数量，如果某一层的数字明显偏少，说明那层的锚框跟数据分布不匹配，重新聚类能解决。

5. 评估、推理与问题排查实录

模型训出来之后，评估和排查是另一半工作量。VisDrone 的指标解读跟 COCO 有一些不同，值得单独讲。

5.1 指标怎么看才有意义

YOLOv5 默认报告的mAP@0.5是 IoU 阈值 0.5 下的平均精度，mAP@0.5:0.95是 0.5 到 0.95 步长 0.05 的平均。VisDrone 上这两个数字差距会很大，前者可能三四十，后者只有二十上下，这很正常——小目标的定位精度天然就差，框稍微偏几个像素 IoU 就掉到 0.5 以下了。

对比实验时只用 mAP@0.5 会掩盖定位质量的变化。比如你换了更大的输入尺寸，mAP@0.5 涨了 3 个点，但 mAP@0.5:0.95 只涨了 0.5，说明模型找到了更多目标但框得不够准。反之如果后者涨得更多，说明定位质量有实质改善。我一般两个都记录，横向对比时一起看。

还有一个常见误区是拿不同输入尺寸下的结果直接对比。1280 训出来的模型在验证时也是按 1280 推理，640 训出来的按 640 推理，这个对比是公平的。但如果你把 1280 训的模型拿去做 640 推理，指标会掉得厉害，这不能说明模型差，只是训练和推理的尺度不匹配。

另外，VisDrone 的官方评测用的是一个特定的评估脚本，它对低矮目标、密集重叠的处理跟 YOLOv5 内置的 pycocotools 评估有一些细节差异。如果你的目标是对标公开榜单，最终结果应该用官方脚本再跑一遍，别直接拿训练日志里的数字去比。

5.2 常见问题速查表

下面这些是我在实际项目里遇到过、并且被问得最多的几个问题，整理成表方便对照。

表里最后两条值得展开说一下。VisDrone 一张图动辄上百个目标，NMS 阶段的计算量跟候选框数量是平方关系，推理变慢很正常。把置信度阈值从默认 0.25 提到 0.4 左右，能砍掉大量低分候选框，速度快不少，召回损失在可接受范围内。重复框的问题则往往出现在密集区域，两辆车贴得很近，IoU 天然就高，NMS 阈值设太高会把它们都留下，适当降低能缓解。

还有一个不那么常见但很折磨人的问题：训练时一切正常，推理时发现某些图的检测结果整体偏了一个方向。这通常是推理时的 letterbox 填充参数和训练时不一致导致的，检查一下推理脚本里--img-size是否跟训练时一致，以及是否用了--rect矩形推理。矩形推理会改变填充方式，如果训练时是方形填充、推理时是矩形，坐标还原就会错。

5.3 推理与可视化的两个实用技巧

推理命令本身很简单：

python detect.py \ --weights runs/visdrone/exp_s_1280_p2/weights/best.pt \ --source datasets/visdrone/images/val \ --img-size 1280 \ --conf-thres 0.35 \ --iou-thres 0.4 \ --save-txt \ --project runs/detect \ --name visdrone_val

--save-txt会同时把检测结果存成 YOLO 格式的 txt，方便后面做定量分析或者喂给下游任务。

第一个技巧是切片推理。原图两千多像素宽，直接缩到 1280 会损失细节。如果把原图切成四块甚至九块，每块单独送进网络推理，再把结果映射回原图坐标做一次全局 NMS，小目标的检出率会有明显改善。代价是推理时间成倍增加，而且块与块交界处的目标容易被切断，需要在切片时留一定的重叠区域。这套方案在对精度要求高、对速度不敏感的离线场景里很实用。

第二个技巧是按类别调阈值。全局一个置信度阈值对 VisDrone 不太公平，car这种大类模型很自信，0.35 就够；awning-tricycle这种小类分数普遍偏低，用同样的阈值会漏掉一大批。可以在后处理阶段给每个类别单独设阈值，大类严一点、小类松一点，整体 F1 会有改善。这不是什么高深技巧，但确实能立竿见影地改善可视化效果。

6. 我个人在几轮实验后的几点体会

折腾这个数据集断断续续有段时间了，说几个不太会写在文档里的感受。

关于分辨率和模型容量的取舍，我现在的默认策略是先把输入尺寸顶到显存允许的上限，再考虑换模型。同样一份显存预算，从 YOLOv5s 换到 YOLOv5m 带来的提升，往往不如把 640 提到 1024 来得直接。这个结论在别的数据集上未必成立，但在 VisDrone 这种小目标主导的场景里，信息量比参数量更稀缺。

关于验证集，548 张真的太少了，我后来的做法是从训练集里按序列切出大约 800 张做本地验证，跟官方 val 分开。序列切分很关键，同一段视频的相邻帧高度相似，随机切会把几乎一样的图分到训练和验证两边，指标虚高。按序列前缀切，才能真实反映泛化能力。

还有一个容易忽略的点是训练完成之后的权重选择。YOLOv5 默认保存best.pt和last.pt，best.pt是按验证集 mAP@0.5:0.95 挑的。如果你后面要做的是高召回场景（比如先粗筛再人工复核），那按 mAP 挑出来的模型未必最合适，可能要回头在results.csv里找一个召回更高的 epoch 对应的权重。这个细节值得在项目开始前就想清楚，评估指标应该对齐最终业务目标，而不是默认值。

最后提一个数据层面的思路：VisDrone 的十个类别里，pedestrian和people的语义边界本身就模糊，强行让模型区分这两类，往往会拉低整体指标。如果下游任务并不需要区分“走着的人”和“站着坐着的人”，把它们合并成一个行人类，其余八类保持不动，重新训一遍，mAP 通常会有肉眼可见的提升。这不算作弊，是对任务定义的合理简化，前提是你要清楚自己在做什么。