企业官网建设流程全解析

简介：面向目标检测与建筑安全管理的YOLOV5格式数据包，聚焦建筑工地安全隐患识别，覆盖安全帽、口罩等10个常见检测类别，适合训练施工现场人员安全监测、违规行为预警等模型。数据图像统一为640×640的RGB图片，已做mosaic增强（每张由四图拼接），可有效提升模型对小目标的泛化能力；整个数据集按yolov5目录结构组织，训练集2605张、验证集196张，每张图片均配有对应的txt标注文件，类别文本信息完整，拿到后可直接用于YOLOv5及其变体训练，无需额外转换或清洗。数据集包含接近真实工地环境的多样场景，四图拼接拓展了单张图像的上下文信息，有助于模型在复杂背景下保持稳定识别。压缩包共2000个文件，主体为1999个txt标签与1个可视化脚本show.py，压缩包大小148.9MB；脚本无需修改即可运行，随机传入一张图片就能绘制边界框并保存到当前目录，方便快速检查标注质量和模型效果。资源已有611人下载学习，适合需要现成工地安全数据集进行模型验证、算法调优或毕业设计开发的初学者和工程师，也能帮助开发者减少数据采集和标注的时间成本。

1. 建筑工地隐患检测的数据集困境：为什么YOLOv5目录格式比算法调参更值钱

拿YOLOv5目录格式做建筑工地安全隐患检测，最常见的误区是以为瓶颈在模型结构上，实际卡在数据上。我之前接过一个工地安全帽项目，客户给的4000多张图片里，光是「中文类名、txt空文件、标注框越界」这几类问题就折腾了两个晚上；等把目录格式和数据划分彻底理顺，YOLOv5的小模型还没调超参，精度就已经能落地了。

这篇想说的是：一套10类别的工地隐患数据集，难的不是拍照和标注，而是把原始标注转换成YOLOv5认可的images/labels双目录、归一化txt和data.yaml。做目标检测的人不少，愿意把数据当工程认真对待的人不多。整理出一套干净的数据集，比调三个月的参数都值钱。适合已经会跑YOLOv5的train.py，但被数据整理和隐藏的坑绊住的研究者或工程同学。

2. 先从10个类别和目录骨架下手：一套能直接喂给YOLOv5的标注规范

10类别听起来不多，但如果类别之间互相打架，标注员会崩溃，模型也会学到错误的相关性。设计类别时我只看三件事：能不能从单帧画面判定、类别之间是否互斥、样本是否容易收集。工地上的安全隐患类别很多，但落到单帧视觉能判定的，其实就那么几类。

2.1 先定10类：隐患类别怎么选才标得快、训得动

建筑工地安全隐患检测，圈内常见的做法是把「人员防护」和「环境危险」分开设计。人员防护类需要模型识别出「人」作为前提，否则「未戴安全帽」这种负类就没有参照物。下面这套10类是我在类似项目里常用的基础集合，覆盖了从佩戴检测到明火扬尘的大部分需求：

这套设计里最典型的手法是「person + 是否佩戴」的二元结构。如果只标no_helmet不标helmet，模型会把所有「没帽子的头」当正样本，却没机会认识「戴了帽子的头」，训练时正负样本严重失衡。把helmet和no_helmet都作为类别，标注员只需要盯住头，判断标准就清晰了，模型也能学到帽子和头之间的空间关系。这是反复试验后最稳的一种组织方式。

类别交叉的坑也在这里：一张图里同一个头，不能既出现helmet框又出现no_helmet框。标注规范里我会明确写一条——「同一个目标只允许出现在一个类别中，以遮挡更少、特征更完整的那帧为准」。另外，遮挡超过70%的目标不标注，标注框小于12像素的一律丢弃，这些规则看着苛刻，却能省下后面清洗数据的力气。

2.2 YOLOv5目录骨架：同名txt与归一化坐标

YOLOv5目录格式是官方训练流程约定俗成的结构，核心就是images和labels双目录一一对应。我从一开始就会把目录名全部设成英文小写，禁止中文和空格，因为后续在shell里转义、在Windows和Linux之间搬运，空格和中文都是定时炸弹。

site_safety/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml

images里放jpg图片，labels里放同名txt标注文件。比如images/train/camera1_00001.jpg对应labels/train/camera1_00001.txt。图片统一用jpg，一是opencv读取png会比jpg慢一些，二是很多手机拍摄的png带着EXIF旋转信息，转成jpg时顺手把方向矫正掉，能少踩一个坑。

每个txt文件的每一行就是一个标注目标，格式固定为五列：类别id、归一化中心点x、归一化中心点y、归一化宽、归一化高。比如一个安全帽标注出来长这样：

1 0.518229 0.413542 0.093750 0.159028 2 0.618229 0.413542 0.093750 0.159028

第一列的0、1、2是类别id，对应data.yaml里names列表的下标，不是类别名称。后面四个浮点数全部除以图片实际宽高做归一化，取值范围在0到1之间。yolo训练时拿到txt会结合实际加载的图片尺寸去还原框，所以txt里存的必须是比例值，写绝对像素坐标会直接导致训练崩掉。

2.3 data.yaml的写法与路径三种坑

data.yaml是YOLOv5读取数据集信息的入口，内容很短，但坑不少。一套工地数据集的data.yaml长这样：

path: ../site_safety train: images/train val: images/val test: images/test nc: 10 names: 0: person 1: helmet 2: no_helmet 3: vest 4: no_vest 5: smoke 6: fire 7: excavator 8: fall_zone 9: bare_wire

path字段在较新的YOLOv5版本里写法是相对data.yaml文件所在位置的路径；如果你用的版本不认path字段，就把train、val改成绝对路径，例如train: /data/site_safety/images/train。写绝对路径最省心，缺点是换机器要改文件，我一般写相对路径加path，同时把整个数据集目录和YOLOv5仓库放在同一级，路径关系就很好维护。

names列表的顺序一旦固定，后面所有txt里的类别id都对应这个顺序。中途加类别、调顺序，等于所有标注全部重来，这是血泪教训。另一个隐藏坑是names里不要写中文，即使代码能读，控制台输出和日志也会乱码，排查起来非常痛苦。

提示：环境准备建议用conda单独建一个yolov5环境（conda create -n yolov5 python=3.8），把数据集丢进去直接训练。yolov5训练自己的数据集，第一步不是调参，是先保证数据加载不出错。

3. 用三个脚本把零散标注整理成标准数据集：转换、划分与体检

原始标注不可能一开始就是YOLOv5格式。目标检测常用标注工具里，LabelImg保存的是VOC XML，labelme保存的是JSON，Roboflow在线工具导出的格式五花八门。第一步永远是转换，第二步是划分，第三步是体检。这三步都做完，数据才算真正「能训练」。

3.1 把labelme/BBox标注转成YOLO txt：转换脚本与边界裁剪

labelme标注界面灵活，既能画矩形也能画多边形，工地上截取不规则烟雾、明火，用多边形比矩形准得多。但YOLOv5只吃矩形框，所以转换时取多边形外接矩形。下面这段脚本我从第1次做数据集用到现在，改改类别列表就能复用：

import json from pathlib import Path # 顺序必须和data.yaml的names一致，这是铁律 CLASS_NAMES = ['person', 'helmet', 'no_helmet', 'vest', 'no_vest', 'smoke', 'fire', 'excavator', 'fall_zone', 'bare_wire'] def labelme_json_to_yolo(json_path: Path, label_out_dir: Path) -> None: with open(json_path, encoding='utf-8') as f: data = json.load(f) img_w, img_h = data['imageWidth'], data['imageHeight'] lines = [] for shape in data['shapes']: label = shape['label'] if label not in CLASS_NAMES: continue cls_id = CLASS_NAMES.index(label) xs = [p[0] for p in shape['points']] ys = [p[1] for p in shape['points']] x_min, x_max = min(xs), max(xs) y_min, y_max = min(ys), max(ys) # 边界裁剪：把拖出画面的框拉回来，避免越界 x_min = max(0, min(x_min, img_w)) x_max = max(0, min(x_max, img_w)) y_min = max(0, min(y_min, img_h)) y_max = max(0, min(y_max, img_h)) w, h = x_max - x_min, y_max - y_min if w <= 1 or h <= 1: # 太小或不可见的框直接丢 continue xc = (x_min + x_max) / 2.0 / img_w yc = (y_min + y_max) / 2.0 / img_h nw = w / img_w nh = h / img_h lines.append(f"{cls_id} {xc:.6f} {yc:.6f} {nw:.6f} {nh:.6f}") if lines: out_txt = label_out_dir / (json_path.stem + '.txt') out_txt.write_text('\n'.join(lines), encoding='utf-8')

脚本逻辑是逐条读取JSON里的shapes，把多边形的所有顶点坐标投影到(0, img_w)和(0, img_h)之间，再做归一化。边界裁剪不是可选项：标注员在放大拖拽时很容易把框拖出画布几像素，不裁会导致中心点或宽高的归一化数值大于1或者为负，训练时要么报错要么出现莫名其妙的框。

类别名不在CLASS_NAMES里的标注会被直接跳过。这一步有意为之，防止原始标注里混入了「head」这类和类别表对不上的标签；如果不跳过，这些框会全部落到id=0的person上，整个数据集就被污染了。转换完成后，检查labels目录里的txt数量和json数量对得上，差太多就说明大部分标注框被过滤了，需要回去看标注质量。

3.2 划分train/val/test：按场景分组而不是随机打散

划分数据集是数据工程里最常见的「后悔药」入口。很多教程教随机划分，工地项目这么干会吃大亏。工地数据大多来自摄像头连续视频抽帧，同一个场景的相邻帧长得几乎一样，随机划分时train和val里会混入高度相似的画面，val精度虚高，一换到新工地直接打回原形。

我一般按场景分组：文件名前缀如果是camera1_00001.jpg这种结构，就取camera1作为场景ID，保证同一个摄像头的所有帧只进一个集合。这样才能让val真正模拟「没见过的工地」。

import random import shutil from pathlib import Path SRC_IMAGES = Path('labeled_imgs') # 待划分的jpg目录 SRC_LABELS = Path('labels_all') # 上一步转换出的txt目录 OUT = Path('site_safety') # 数据集根目录 RATIO = {'train': 0.75, 'val': 0.15, 'test': 0.10} groups = {} for img_path in SRC_IMAGES.glob('*.jpg'): scene_id = img_path.stem.split('_')[0] # 取前缀作为场景ID groups.setdefault(scene_id, []).append(img_path) gids = list(groups.keys()) random.seed(42) random.shuffle(gids) num_val = max(1, int(len(gids) * RATIO['val'])) num_test = max(1, int(len(gids) * RATIO['test'])) val_gids = set(gids[:num_val]) test_gids = set(gids[num_val:num_val + num_test]) train_gids = set(gids[num_val + num_test:]) for split_name, gid_set in [('train', train_gids), ('val', val_gids), ('test', test_gids)]: img_out = OUT / 'images' / split_name lbl_out = OUT / 'labels' / split_name img_out.mkdir(parents=True, exist_ok=True) lbl_out.mkdir(parents=True, exist_ok=True) for gid in gid_set: for img_path in groups[gid]: shutil.copy(img_path, img_out / img_path.name) txt_path = SRC_LABELS / (img_path.stem + '.txt') if txt_path.exists(): shutil.copy(txt_path, lbl_out / txt_path.name)

设定随机种子random.seed(42)是为了让划分结果可复现，换台机器重跑能拿到完全一样的train/val集合。比例上train:val:test我取75:15:10，test只在最后评估用，平时训练完全不碰它。

划分的另一个细节是「整个场景一起进val」。假设有两个摄像头对着同一个工地不同角度，它们在画面上完全不重叠，但拍的是同一批工人、同一个危险区，这两个摄像头也算同源场景；条件允许时把同工地、同时段的数据归到同一组，甚至直接用「工地A训练、工地B验证」的跨域验证来评估，比任何随机划分都真实。

3.3 数据体检：用一段脚本扫出空txt、越界框和缺失标注

服务和训练任务排了半天，开机就崩，多数时候不是GPU问题，是数据里有脏文件。第3.3节这个脚本就是用来在训练前把脏数据全部揪出来。它检查三件事：图片有没有同名txt、txt里每一行是不是5列、类别id和归一化坐标是否越界。

def check_split(images_dir: Path, labels_dir: Path, nc: int): problems = [] for img_path in sorted(images_dir.glob('*.jpg')): txt_path = labels_dir / (img_path.stem + '.txt') if not txt_path.exists(): problems.append((img_path.name, '缺少同名txt')) continue lines = txt_path.read_text(encoding='utf-8').strip().splitlines() if not lines: problems.append((img_path.name, 'txt为空')) continue for line in lines: parts = line.split() if len(parts) != 5: problems.append((img_path.name, f'行格式错误: {line}')) break cls_id, xc, yc, w, h = map(float, parts) if int(cls_id) >= nc: problems.append((img_path.name, f'类别id越界: {cls_id}')) break if not (0 <= xc <= 1 and 0 <= yc <= 1 and 1e-6 <= w <= 1 and 1e-6 <= h <= 1): problems.append((img_path.name, f'坐标越界: {line}')) break for img_name, err in problems: print(f'{img_name}: {err}') return problems

体检脚本输出的「缺少同名txt」和「类别id越界」是两类致命伤：前者会让YOLOv5在训练中遇到「图片没有任何标注可加载」，后者会在数据加载时直接抛出IndexError。空txt不致命但也不该留在训练集里，它会让模型把这张图当纯背景处理；如果原图确实有目标，说明漏标了，需要补标而不是删除。

跑完脚本修复数据后，再跑一遍确认problems为空。这一步完成后，目录格式才算真正达到「能直接喂给train.py」的标准。

4. 首轮训练怎么验证数据质量：可视化检查、冒烟训练与增强边界

数据格式化之后，很多人急着开长训练，我建议先花半小时做三件事：画框看标注、跑一次短训练、检查增强设置。这三件事能提前暴露大多数数据问题，比跑完50轮再看结果省时得多。

4.1 标注可视化：把每张图上的框画出来人眼复核

数值体检能查出格式错，查不出语义错。框是不是偏移了、类别是不是标反了、漏标了几个目标，这些问题只有人能看出来。常见做法是写脚本把所有标注框画到图上，按类别抽检，每类随机看20到30个样本就够。

import cv2 import numpy as np from pathlib import Path class_names = ['person', 'helmet', 'no_helmet', 'vest', 'no_vest', 'smoke', 'fire', 'excavator', 'fall_zone', 'bare_wire'] def draw_yolo_boxes(img_path: Path, txt_path: Path, out_path: Path) -> None: img = cv2.imread(str(img_path)) h, w = img.shape[:2] rng = np.random.default_rng(2024) colors = rng.integers(0, 255, size=(len(class_names), 3)) for line in txt_path.read_text(encoding='utf-8').strip().splitlines(): parts = line.split() if len(parts) != 5: continue cls_id = int(parts[0]) xc, yc, bw, bh = map(float, parts[1:]) x1 = int((xc - bw / 2) * w) y1 = int((yc - bh / 2) * h) x2 = int((xc + bw / 2) * w) y2 = int((yc + bh / 2) * h) color = [int(c) for c in colors[cls_id]] cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, class_names[cls_id], (x1, max(0, y1 - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.imwrite(str(out_path), img)

画框用的宽高必须是cv2.imread读出来的实际尺寸，不是JSON里记录的尺寸。手机照片经过缩放、旋转后，文件头信息和实际像素可能已经不一致，用原始标注目录里的宽度直接乘坐标是很多踩坑的根源。框的坐标直接从归一化值还原到像素时，记得所有计算用浮点，最后再转int，否则精度损失会让框偏移好几个像素。

在无显示的服务器上，我会把每个类别抽出的检查图拼成一张大图再下载下来看，比一张张翻效率高得多。看到框和物体贴合、类别名称正确，再进行下一步。

4.2 首轮冒烟训练：epochs、batch-size、img该给多大

数据集检查完，第一轮训练我从来不用完整配置，而是跑一次「短冒烟」，目标只是确认数据加载链路通、loss正常下降。常见的完整训练命令长这样：

conda activate yolov5 cd yolov5 python train.py \ --data /data/site_safety/data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch-size 16 \ --epochs 50 \ --name site_safety_v1 \ --workers 4

冒烟时可以把epochs压到10甚至5，其他参数保持不变，跑完看loss曲线有没有下降趋势。yolov5训练自己的数据集时，最容易翻车的不是模型而是数据加载：Windows下--workers设成大于0经常会导致卡死，我一般在Windows上直接设0，Linux服务器上设4或8。8G显存跑--batch-size 16 --img 640可能会显存溢出，直接降到8或4，别硬扛。

--img 640是性价比最高的默认值。如果工地摄像头是1080p，安全帽这种小目标在原图里可能只有30像素见方，640输入意味着特征图对应的尺寸又会缩小，训练会非常吃力。第一轮先用640把整个流程跑通，后续针对小目标问题再提到--img 1280。显存不够时，1280会把batch-size卡到4甚至2，这时候优先保img而不是batch。

看训练曲线有个简单判断：前10个epoch的box_loss明显下降，说明数据链路没问题；如果loss乱跳不降，先别调模型，回去看标注。训练结束后看val/box_loss比train高多少，差距过大基本就是过拟合，工地小数据集上最常见的现象，后面第5章展开讲。

4.3 数据增强的边界：mosaic、翻转、模糊不能照单全收

YOLOv5默认开启的增强很强，但工地场景有一些增强是「负优化」。我一般遵循一个原则：第一轮全默认，让模型先跑起来；等baseline有了，再逐步收紧增强配置。YOLOv5的增强参数在数据目录对应的hyp文件里，常用几个我会这么设：

mosaic是YOLOv5默认增强里影响最大的一个。它对小目标多、背景杂的工地数据有好处，能把4张图的上下文拼到一起；但mosaic=1.0意味着每张训练图都是拼接图，如果安全帽本身只有二三十像素，拼接后尺度变化太剧烈，模型容易学偏。第二轮训练我习惯把mosaic降到0.5。

上下翻转是另一个容易忽略的点。工地的摄像头全部高架俯视，flipud后的画面里地面在上、天空在下，这种样本在真实部署里永远不会出现，模型学到的是「带天空背景的地面」这种错误关联。YOLOv5默认的hyp里flipud一般是0，但如果你用的第三方配置开了它，建议直接关掉。

5. 避坑：建筑工地安全隐患数据集最容易翻车的5个地方

数据转换和划分本身不难，难的是排错。这一章写的是我做建筑工地隐患检测以来遇到的高频问题，每一条都按「现象、原因、解决」讲清楚，踩到直接照着修。

5.1 中文类别名导致的奇葩报错

现象：训练启动后立刻报UnicodeDecodeError，或者train.py日志里txt读取正常但类别显示乱码，val指标诡异。

原因：names里写了中文，比如安全帽。YOLOv5在数据加载、日志输出、结果绘图多个环节对字符串编码的处理并不一致，Windows控制台默认GBK，Linux默认UTF-8，两边一混就出问题。

解决：names全部用英文小写加下划线。helmet、no_helmet、fall_zone这类命名既友好又稳定，txt里存的是类别id，本来就不依赖names的显示。如果你已经标完且txt里写的是中文，别指望后续改名，直接重新转换一遍标注。

5.2 图片被翻转或旋转，标注却还是旧坐标

现象：训练loss正常下降，val精度也还行，但可视化检测时框的位置整体偏移，或者框永远贴着物体的一半。

原因：图片在采集后被翻转或旋转了，比如手机自动旋转存图、后期为了「正」把图手动转了一下，但txt坐标还是原图上的坐标。数据链路能读，语义全错了。

解决：在转化标注之前，先统一图片方向，再转换坐标。如果确实对已经标注好的图片做了水平翻转，txt坐标也要同步修正：水平翻转后中心点x坐标变成1 - xc，宽高不变。

# 水平翻转图片后，修正同名txt的坐标 for line in txt_path.read_text().strip().splitlines(): cls_id, xc, yc, w, h = line.split() new_lines.append(f"{cls_id} {1 - float(xc):.6f} {yc} {w} {h}")

这条是最容易发生的「黑匣子」式错误：怎么会loss正常下降？因为框的偏移是系统性的，模型照样能拟合一部分特征，等到了真实场景就原形毕露。每次做完图片变换，抽几张可视化是人眼复核的重点。

5.3 小目标太多，模型学不动

现象：训练50轮，class loss还在0.5以上，安全帽和no_helmet这两类recall始终上不去，val曲线像一条死线。

原因：工地摄像头全是高位俯拍，一个工人全身只有100x100像素，头部可能只有15x15像素。目标检测模型下采样32倍后，15x15的头部只剩不到1个像素，特征几乎全丢。

解决：首先是输入尺寸从640提到1280，小目标特征能保留更多；其次是做图像切片，把1080p原图按2x2切成4张640的图分别训练；第三是控制训练集里「中近景」和「远景」的比例，宁可少放一些远距离小目标，也不要让小目标占据一半以上样本，否则模型被小目标淹没，中近景也学不好。小目标检测本来就是目标检测里的难点，靠数据增强救不回来，从采集和划分阶段就该控制难度分布。

5.4 val精度虚高，换工地就崩

现象：本地val的mAP烧到0.93，模型拿到另一个工地跑真实摄像头，精度掉到0.4以下。

原因：数据集划分时用了随机抽样，同一个摄像头同一时段抽出的连续帧，一部分进了train一部分进了val。模型在val上看到的画面和训练时几乎一样，泛化能力被严重高估。

解决：回到第3.2节的按场景分组划分，用摄像头ID或时间段作为分组键。更进一步，工地上有条件就用「工地A训练、工地B验证」的方式评估，模拟真实部署的场景迁移。val数据一旦划分好就不要动了，增补数据只往train里加，这样才能保证不同版本模型在同一个val上可比。

5.5 空txt、越界框和类别id越界

现象：训练中途报IndexError: index 10 is out of bounds for axis 0 with size 10，或者某个epoch卡在加载阶段不动。

原因：txt里写入了一个类别id=10，但data.yaml里nc=10，合法id只到9。这通常在标注时用了「0到10」的计数习惯，多标了一个类，或者转换脚本里类别表对不上。空txt文件则会让模型把有目标的图当背景训练，越界框会让计算损耗变成负数。

解决：直接跑第3.3节的体检脚本，把生成的问题清单全部过一遍。类别id越界的删除该行；坐标越界的把数值clip到合法范围；空txt连同对应的图片一起移出训练集，另放一个目录人工确认是否漏标。修复后再跑一次体检，直到输出为空为止。数据不脏，训练才不会半路翻车。

6. 让数据集自转起来：半自动标注、badcase回灌与版本管理

数据集做完第一版，训练出了baseline，事情才刚开始。工地场景几个月一变，今天没有明火，明天就可能出现焊接作业；模型在A工地好用，换到B工地可能被塔吊背景干扰。数据是持续投入的工程，不是一次性交付物。

6.1 用训练好的模型做半自动标注

第一版模型再弱，也比人工从零画框快。对新采集的工地图片，用best.pt跑一遍推理，生成的txt直接作为预标注：

python detect.py \ --weights runs/train/site_safety_v1/weights/best.pt \ --source /data/new_frames \ --save-txt \ --conf-thres 0.5

生成的labels在runs/detect对应目录下，人工在标注工具里打开图片时，只做框的微调和增删，而不是从零画。这一步能把标注效率提升两三倍。伪标签直接用是有风险的，conf低于0.5的框基本是误检，宁可不标也不要放进来污染数据。

6.2 用badcase回灌维护长尾场景

线上真实跑起来后，把漏检和误检的图片攒起来，按时间加机位命名归档，每周补标一次，加入train集重新训练。badcase只进train，绝不动val，这样每次改完数据后，拿同一份val评估，能清楚看到改动是正向还是负向。顺手把最终训练的best.pt换到目标检测流程里，整个闭环就转起来了。

6.3 数据版本的后悔药

数据目录改起来很快，改坏一个文件就白干好几天。我会在每次重新标注后，把images和labels打包成一个带版本号的zip存档，至少保留最近三个版本。data.yaml和文件清单一起放进git，改了什么类别、增了什么图片都有记录。没有版本管理的数据集就是一颗定时炸弹，等后悔的时候已经来不及了。

我自己的习惯是每次跑长训练前，先跑一遍第3.3节的体检脚本，再随机抽20张图画框肉眼过一遍，确认没问题才开机。这个习惯帮我避开了至少两次「图片旋转过但标注没同步」的事故。数据工程慢就是快，希望帮到你。

本文还有配套的精品资源，点击获取