企业官网建设流程全解析

简介：面向毕业设计与课程论文写作需求，这份深度学习人流量检测方法论文资料提供了完整参考。论文以MobileNet-SSD轻量级模型为核心，详细阐述深度可分离卷积减小计算量、加速推断的原理，并完整覆盖六个实施环节：爬取婴儿车数据并结合VOC的person类别自制数据集、构建并训练模型、配置solver参数、Python编写数据输入/行人检测/跟踪/结果输出模块、视频监控下实时统计人流量。针对婴儿车多、行人移动慢的公园与文化广场场景设计实验，验证了模型在准确度、速度和体积上的优势，还讨论了疫情期疏散人群的应用价值。资源含1个docx文件，压缩包224KB，适合初学者、工程师与在校师生研读。目前已有81人学习下载。读者能从中获得论文组织框架、实验设计思路、35层模型细节、开发环境（Ubuntu16.04+Caffe）配置等知识，便于开展类似课题的写作与开发。

1. 基于深度学习的人流量检测方法：这个毕设题目到底在做什么

做毕设选择“基于深度学习的人流量检测方法”这个题目时，我最初的设想很简单：找个目标检测模型把画面里的人框出来，然后len(boxes)就是人数。真正和导师聊过之后才发现，要交差的远不止这些。需要认真回答的是三件事：密集遮挡下怎么不漏检、人数怎么算成连续值而不是单纯数框、以及用什么指标证明你的方法比传统红外对射和人工目测更可靠。这个题目本质是一套完整的计算机视觉工程课题，从数据标注、模型选型、训练调参到论文里的实验组织，每一步都直接决定毕设能不能拿高分。它很适合正在准备毕设或课设的学生，也适合想快速上手深度学习图像识别，并做出一个能跑的原型系统的开发者。

2. 人流量检测的技术选型：从检测到计数的四条路线

2.1 目标检测路线：用 YOLO 检测人头再数框

目标检测是人流量检测里最符合直觉的一条路：先定位画面里每个人，再统计定位结果。这里最常见的选择是单阶段检测器，因为双阶段检测器精度虽高但推理速度慢，做实时计数并不划算。YOLO 系列是出场率最高的模型，原因有三：端到端训练方便、社区资料足够多、部署到普通 CPU 上也不算吃力。如果你是从深度学习入门开始做这个题目，YOLO 是最容易在两周内跑通并看到结果的选择。

实际落地时，我更推荐把检测目标从“人体”换成“人头”。全身检测有个致命问题：人群里两个人站得近一点，预测框就开始互相交叉，后处理的 NMS（非极大值抑制）经常把其中一个人整个压掉。而人头是刚性目标，受衣服颜色、姿态变化影响小，被上半身遮挡的概率也低很多。训练时把标注框换成头部框，推理时统计 confidence 大于阈值的框数量，就得到人数。这里有两个参数值得记下来：confidence 阈值设在 0.25 到 0.5 之间，调低能捞回一部分遮挡目标，但误检也会变多；NMS 的 IoU 阈值在 0.5 到 0.65 之间，稍微偏高一点，能缓解相邻头框被合并成一个框的问题。

这条路线在场景稀疏时表现很好，在商场走廊、会议室出入口这类地方，计数误差通常能控制在 5% 以内。但一旦人群密度上来，框与框大量重叠，漏检率就会快速上升。在每平米 3 人以上的拥挤场景里，mAP 可能看着还可以，但用框数量当成人数，偏差到 20% 都不奇怪。所以论文里报指标时，检测路线最好把 mAP 和计数误差 MAE 两个指标一起放上去，只说其中一个容易被答辩老师抓到漏洞。

2.2 密度图回归路线：拥挤场景里的主流论文方案

密度图回归的思路是：不预测“哪里有一个人”，而是预测“每个像素附近站着多少人”。模型输出一张和输入分辨率接近的热力图，对整张图求和，就是总人数。这条技术路线在人群分析领域几乎是默认选择，尤其面向景区、车站、地铁站这类高密度场景时，检测路线普遍翻车，密度图反而稳定。

常见实现是把 VGG16 去掉全连接层当作特征提取前端，后面接几层空洞卷积。空洞卷积的作用很关键：它能在不缩小特征图的前提下扩大感受野，让模型在预测某个位置时同时看到周围更大的范围。最后用 1x1 卷积输出单通道密度图。训练时让模型输出的密度图去逼近真实密度分布，损失函数用均方误差。真实密度分布由点标注生成：标注时只在每个人头顶点一个点，再以这个点为中心铺一个高斯核。这样一个点就变成一个“软人头”，相邻的人头挨得再近，高斯峰也能区分开，这是密度图抗遮挡的根本原因。

给毕设选型时，我的建议是：如果题目默认场景是密集人流，优先选密度图路线。论文里还能顺带做创新，比如用不同空洞率的并行分支处理不同尺度的人头。MCNN 就是多列不同感受野的经典设计，做对比实验时拿它当 baseline 很合适。密度图的缺点是几乎不可解释，答辩时被问“为什么这个区域预测了 20 人”会很难答，所以一定要配合可视化热力图一起讲，用图说话。

2.3 全局计数回归与分割路线：适合做 baseline 和对比项

全局计数回归是最粗暴的做法：输入一张图，模型直接输出一个数字。实现上把 ResNet 的分类头换成一层线性回归即可，训练时用 MAE 或 MSE 做损失。它的推理速度极快，模型也小，但有两个硬伤：完全不可解释、没有任何位置信息。如果场景只需要一个总人数，比如统计一个房间当前有多少人，它够用；但论文一旦需要分析区域分布，它就顶不上。我的做法是把它作为对比表的第一列 baseline，用实打实的误差数据证明“直接回归丢失空间信息，计数不靠谱”，这比放着不用更有说服力。

分割路线则是把人群当作前景像素分割出来，再按面积或连通域估算人数，在非常拥挤的“人海”画面里表现不错。问题在于它需要像素级标注，标注成本高，而且人数多到一定程度后，分割面积和人数不再是线性关系。课设时间有限，不建议当主线，可以在消融实验里当一个分支变体提一下。这一条路线的价值更多是让论文的技术路线图显得完整，而不是真的去和密度图拼精度。

2.4 技术路线怎么定：先看数据长什么样，再选模型

选型最忌讳一上来就翻最新论文找最复杂模型，反而应该先抽 50 张场景图，肉眼判断几件事：画面里最多出现多少人、人头平均像素大小、相机是俯拍还是平拍、有没有大面积遮挡。下面这个表是我给历届学生用的判断依据：

确定主线之后再定对比模型：检测路线至少和 YOLOv5、YOLOv8 对比；密度路线至少和 CSRNet、MCNN 对比。这样论文里的技术路线图就有了一条推导链，而不是“我猜这个模型好用”。如果数据还没采集，先按这个表里的场景描述去拍素材，比盲目用公开数据集更贴近你的论文题目。

3. 用 PyTorch 跑通人流量检测最小流程：环境、数据与训练参数

3.1 深度学习环境配置：从 Miniconda 开始，先确认 CUDA 再装 PyTorch

环境配置是毕设里第一个劝退点。常见的可靠做法是先用 Miniconda 建一个独立环境，不要动 base 环境，否则装坏一个包会连带崩掉一堆东西。

conda create -n crowd python=3.10 -y conda activate crowd conda install pytorch torchvision pytorch-cuda=12.1 -c pytorch -c nvidia python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

python=3.10是兼容性相对稳定的版本；pytorch-cuda=12.1要和本机 NVIDIA 驱动支持的 CUDA 版本对应，不是随便填的。最后一行验证命令必须输出True，代表 GPU 可用。如果本地是纯 CPU 环境，把安装源换成 CPU 版即可，训练会慢不少，但能先把流程跑通、把指标算出来，之后再租服务器迭代。没有 GPU 又想快速实验的话，租一台带 GPU 的云服务器做训练是常见操作，本地只做推理验证，成本比想象中低。

装完先别急着装其他包，跑一次验证命令。报错大多是 CUDA 版本不匹配或者驱动太老，先把这两件事对齐，再装numpy、scipy、matplotlib。缺什么包在训练报错时再补，避免把环境搞成一个不可复现的黑匣子。每次重启电脑后先conda activate crowd再跑训练，这个习惯能省掉大量“刚才明明能跑现在报错”的排查时间。

3.2 数据集准备：标注转成检测框和密度图两种信号

人流量检测的数据标注有两种形态。检测路线用矩形框标每个头，密度路线用点标每个头的中心。公开数据集方面，ShanghaiTech 分成 Part A 的密集场景和 Part B 的稀疏街道，UCF-QNRF 是难度更高的密集场景，做毕设选其中一个就能撑起完整对比实验。

以检测路线为例，把 VOC 格式的 XML 标注转成 YOLO 需要的 txt 格式时，核心工作是归一化坐标：

# voc2yolo.py：把XML里的框转成YOLO训练格式 import glob import xml.etree.ElementTree as ET def convert_xml(xml_file, out_txt, class_id=0): tree = ET.parse(xml_file) # 解析标注文件 root = tree.getroot() w_img = int(root.find("size/width").text) # 图像原始宽度 h_img = int(root.find("size/height").text) # 图像原始高度 lines = [] for obj in root.iter("object"): name = obj.find("name").text if name != "person": # 只保留人，忽略其他类别 continue box = obj.find("bndbox") x1, y1 = int(box.find("xmin").text), int(box.find("ymin").text) x2, y2 = int(box.find("xmax").text), int(box.find("ymax").text) # YOLO格式：类别 + 中心点归一化 + 宽高归一化 cx = (x1 + x2) / 2 / w_img cy = (y1 + y2) / 2 / h_img bw = (x2 - x1) / w_img bh = (y2 - y1) / h_img lines.append(f"{class_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}") with open(out_txt, "w") as f: f.write("\n".join(lines)) for xml in glob.glob("labels/*.xml"): convert_xml(xml, xml.replace(".xml", ".txt"))

这个脚本看起来简单，但坐标不归一化、宽高算反、类别名不匹配三个问题我都见过。写完先挑三张图，把转出来的坐标画回原图检查，确认框紧贴头顶边缘，再批量执行剩下的文件。批量转换前画图这步是血泪经验，至少能救回一整天的重标时间。

密度路线要生成训练用的真实密度图。点标注本质是坐标列表，每个点膨胀成一个高斯峰：

import numpy as np from scipy.ndimage import gaussian_filter def make_density_map(points, h, w, sigma=4): # points: 每个人头顶中心坐标的列表 density = np.zeros((h, w), dtype=np.float32) for x, y in points: # 防止标注点刚好落在图像边界外 x = min(int(x), w - 1) y = min(int(y), h - 1) density[y, x] = 1 # 高斯模糊把离散点变成连续的密度分布 density = gaussian_filter(density, sigma=sigma) return density

sigma这个参数直接决定训练目标。固定 sigma 适合人头大小接近的场景，比如固定机位的俯拍；如果是大角度平拍，近处人头大、远处人头小，固定 sigma 会让远处的小头目标学不到精细信号。论文里对这个参数很敏感，自适应 sigma 是很多改进工作的切入点，常见做法是让 sigma 和每个点到周围人头最近距离成正比，人头越密集的地方 sigma 越小、峰越锐利。

3.3 训练循环与超参数：密度图模型的完整最小训练代码

密度图模型训练不需要复杂后处理，一个最小训练循环长这样：

import torch import torch.nn as nn model = CSRNet().to(device) # 前端VGG16 + 空洞卷积 optimizer = torch.optim.Adam(model.parameters(), lr=1e-4, weight_decay=1e-4) criterion = nn.MSELoss() # 回归任务用均方误差 for epoch in range(200): model.train() for img, gt_density in train_loader: # 每个batch：图 + 真实密度图 img, gt_density = img.to(device), gt_density.to(device) pred_density = model(img) loss = criterion(pred_density, gt_density) # 密度图逐像素逼近 optimizer.zero_grad() loss.backward() optimizer.step() if (epoch + 1) % 10 == 0: mae = evaluate_mae(val_loader, model) # 验证集MAE print(f"epoch {epoch+1}, loss {loss.item():.4f}, MAE {mae:.1f}") if mae < best_mae: # 保存最优权重，相当于后悔药 torch.save(model.state_dict(), "best_csrnet.pt") best_mae = mae

几个参数的常规取值要解释清楚。lr=1e-4是密度图回归的常见起点，比分类任务低很多，因为这里是直接回归像素级数值，学习率太大会导致 loss 乱跳；weight_decay=1e-4做轻量正则，防止空洞卷积的百万级参数过拟合。batch size 依显存定，8 到 32 都试过，显存不够就调小输入图分辨率，不要硬顶。200 个 epoch 是这类任务的常见上限，配合每 10 轮打印一次验证 MAE，能清楚看到模型是在收敛还是已经停滞。

检测路线的训练更省事，用 YOLO 系列自带命令就能跑：

yolo detect train data=crowd.yaml model=yolov8n.pt epochs=120 imgsz=640 batch=16 lr0=0.01 patience=20

imgsz=640是训练分辨率，小目标多就提到 1280，显存占用会翻倍；lr0=0.01是初始学习率，配合内置的余弦退火下降；patience=20表示验证指标连续 20 轮不涨就提前停，不用守着训练。yolov8n是 nano 版本，参数量小，课设环境带得动。训练结束后别急着收工，用验证集里误差最大的几张图跑一次可视化，确认模型不是靠运气蒙对的。

3.4 评估指标：MAE 和 MSE 这么算，论文里这么写

人流量检测的核心指标不是准确率，而是计数误差。最常用的是 MAE 和 MSE：

def evaluate_mae_mse(loader, model): device = next(model.parameters()).device mae = mse = total = 0 with torch.no_grad(): for img, gt in loader: pred = model(img.to(device)).sum().item() # 密度图求和 = 预测人数 gt_count = gt.sum().item() # 真实人数 mae += abs(pred - gt_count) mse += (pred - gt_count) ** 2 total += 1 return mae / total, (mse / total) ** 0.5 mae, mse = evaluate_mae_mse(val_loader, model) print(f"MAE {mae:.1f} / MSE {mse:.1f}")

MAE 是平均绝对误差，反映整体偏差；MSE 先平方再开根，会把个别误差极大的画面放大，所以论文里两个都报。检测路线会额外报 mAP，但 mAP 高不代表计数准，因为漏检和误检会互相抵消。我的习惯是把测试集按人数分成低密度、中密度、高密度三个子集分别算 MAE，这样能定位模型到底在哪种场景失效。

论文里写指标时，不要只给一个数字，加一句“高密度段误差明显高于低密度段，主要原因是遮挡加剧导致漏检”，这一段分析能让实验部分立得住。

4. 密集人群场景避坑记录：5 个踩过的坑

4.1 小目标人头漏检：远处的头在特征图里只剩一个像素

现象：测试集里画面远端的人群几乎全被漏掉，整体 MAE 比预期高出一大截。把预测结果画出来，近处的头框得很准，远处的头位置彻底空白。

原因：目标检测模型普遍做 8 倍以上下采样，一个 16x16 像素的头顶在特征图里只剩 2x2 个值，信息基本被卷积冲掉。密度图模型如果继续用固定 sigma，小头的能量太弱，回归值趋近于零。

解决：检测路线把输入分辨率从 640 提到 1280，并开启多尺度预测层；密度路线减少前端下采样次数，或者用空洞卷积维持特征图分辨率。这两个手段不能根治，但能把远端检出率拉回可用水平。论文里把远端场景单独拿出来做“尺度鲁棒性”分析，比报一个总 MAE 更有说服力。

4.2 严重遮挡导致框合并：NMS 把两个人按成一个计数

现象：两个人在画面里身体重叠、只露出两个头，检测结果只输出一个框。实际人数 2，模型输出 1，人工核查时还说不清错在哪。

原因：NMS 执行时，如果一个低分框和高分框的重叠面积过大，低分框会被直接抑制。头贴头时两个框的 IoU 可能超过 0.7，后处理默认参数把其中一个当成重复框删掉了。

解决：把 confidence 阈值从默认 0.25 降到 0.1 到 0.15，让更多被压制的低分框活下来；更靠谱的是换成 soft-NMS 或 WBF 加权框融合，这类后处理在密集目标场景里比单纯调 IoU 阈值有效得多。另外重申主线选择：对头挨头级别的遮挡，密度图路线天生比检测路线稳定，这是我对比实验后反复强调的一点。

4.3 透视形变：近处一个大头能顶远处五个小头

现象：相机平拍时，近处一个人占 200 像素高度，远处只占 20 像素。密度图模型把近处的人预测成一个大能量团，远处的人被忽略，总人数被低估。

原因：固定 sigma 的高斯核假设所有人头一样大，但透视让真实人头尺度跨度非常大。模型学到的密度峰面积和真实人头面积对不上，近处一个峰的能量能覆盖远处好几个头。

解决：密度图路线改用自适应高斯核，sigma 根据当前点和相邻人头距离动态计算，人头越密的地方 sigma 越小、峰越锐利。检测路线则开启多尺度训练，让模型在训练中见过各种尺度的人头。这步做完，高密度段的 MAE 通常能明显降下来，而且可视化热力图里近处和远处的峰值响应会均匀很多。

4.4 标注质量翻车：GT 不贴边，模型学到的“人头”是错的

现象：自己标了 500 张图，训练出来的模型在部分场景里把衣领、背包当成人头。把预测框画出来看，位置总是偏一个角。

原因：标注时偷懒，点标在肩膀、框松垮垮地包住肩部。模型拟合了一个错误分布，人头中心的标签和真实头部区域对不上。这个问题在标注阶段看不出来，到训练完才暴露，返工成本很高。

解决：定死一套标注规范再动手。检测标注要求框紧贴头的上下左右边缘，密度标注要求点落在头顶中心而不是后脑勺。标完前 50 张先抽样画图自检，找同学复核一遍，不一致的先改规范再继续。批量转换后也一定要画图抽查，不能只看 txt 文件格式对不对。这条如果踩中，代价是按千张计的标注时间。

4.5 训练震荡不收敛：loss 玄学背后是学习率和数据顺序问题

现象：loss 前 20 轮一直在 0.1 附近抖动，验证 MAE 卡在 80 上下不再下降。重新跑一遍，结果忽高忽低，像开盲盒。

原因：学习率对回归任务偏大，梯度在最优解附近来回震荡；数据加载器没有打乱，连续多个 batch 都是同一角度的画面，梯度方向被带偏。

解决：把初始学习率降到 1e-5 到 1e-4 区间，或者用带 warmup 的调度器，前 5 轮线性升到目标学习率。dataloader 打开shuffle=True，让每个 epoch 的数据顺序都不同。还有一条重要习惯：训练时每轮都保存当前最优权重，等全部跑完再回滚到 best epoch。这个后悔药机制配合 loss 曲线一起看，能省掉大量无效重训时间。

5. 论文实验怎么组织：数据划分、对比表和可视化

5.1 数据集划分：先定划分方案再写代码，防止数据泄漏

论文实验部分最容易被质疑的就是数据划分。常见做法是 6:2:2 拆成训练、验证、测试三份。但如果数据是自己采集的视频，按帧随机划分会出事：同一时刻的相邻帧几乎一模一样，模型在训练帧上见过相似画面，测试指标虚高，答辩时一抽视频帧就露馅。

可靠做法是按视频时间顺序切段，前 60% 的帧做训练、中间 20% 做验证、后 20% 做测试，保证同一时间段的人流不跨集合。使用公开数据集时，优先采用官方划分，没有官方划分的再按 6:2:2 随机切并固定随机种子。实验记录表至少包含三列：数据集名称、划分比例、样本数。这张表放在论文里，能让导师第一眼确认实验没有明显泄漏。

5.2 实验对比表：baseline、消融和关键指标缺一不可

对比表是实验结果部分的核心。以密度图路线为例，表格最少覆盖四条方法：直接全局回归、YOLO 检测计数、CSRNet 密度图、你自己的改进模型。指标列建议固定为 MAE、MSE、参数量、FPS。前两个是精度，后两个证明你的提升不是靠堆算力换来的。下面给一个占位模板，提交前把示例值换成真实跑出来的数字：

消融实验单独放一个小表，每次只改一个因素，比如固定 sigma 换自适应 sigma、有空洞卷积换无空洞卷积。这一段写作逻辑是：改进前精度差多少，加一个模块变好多少，每一行都要对应到正文的一句话，不要让读者猜这个表在证明什么。

5.3 可视化输出：密度图叠加图、检测框画法与视频截图

论文需要两组可视化：检测路线的画框图、密度路线的热力图。密度图可视化用 matplotlib 叠加，简洁代码如下：

import matplotlib.pyplot as plt fig, axes = plt.subplots(1, 3, figsize=(15, 5)) axes[0].imshow(img) # 原图 axes[0].set_title("Input") axes[1].imshow(gt_density, cmap="jet", alpha=0.6) # 真实密度图 axes[1].set_title("Ground Truth") axes[2].imshow(pred_density, cmap="jet", alpha=0.6) # 预测密度图 axes[2].set_title("Prediction") plt.savefig("density_vis.png", dpi=200, bbox_inches="tight")

cmap="jet"是密度图论文里最常用的色带，红到蓝对应高密度到低密度；alpha=0.6让热力图半透明叠加在原图上，位置关系一眼能看清；dpi=200保证放进论文不糊。保存时横排三张图按同一坐标尺度裁剪，方便盯着同一区域对比。检测框的画出直接调用模型自带绘图接口，记得在每张图左上角标出预测人数，答辩老师第一眼看的往往就是这个数字。

视频可视化比单图更有冲击力：抽一段测试视频的 30 帧，连续标出每帧的预测人数，画成时间折线图，再叠上人工标注的真实人数。时间序列对比比单张图更容易让评委相信你的模型是连续稳定的，而不是挑了几张简单的图来演示。

5.4 实验记录与可复现：固定随机种子和保存训练配置

论文写到最后，最怕的是补实验时发现复现不了当初的数字。常见原因是训练时没有固定随机种子，或者数据加载顺序每次都不一样。在训练脚本顶部加上：

import random import numpy as np import torch random.seed(42) np.random.seed(42) torch.manual_seed(42) torch.cuda.manual_seed_all(42)

固定随机种子之后，同一份代码和同一份数据集每次跑出来的指标在误差范围内一致，这会给论文增加可信度。另外把每次实验的训练命令、数据划分比例、最优权重路径一起存进一个 txt 文件，和实验结果表放在同一级目录。毕设周期长达几个月，回来续跑的时候最怕忘了当初用的是什么参数。这个习惯省掉的返工时间，比任何调参技巧都多。

6. 把模型从论文跑到真实场景：验证方法和一个实用技巧

论文实验做完，最后一步是证明模型真实可用。我最常用的验证手段是视频抽帧测试：找一段监控或手机拍的走廊视频，每秒抽一帧逐帧跑模型，把每帧人数连成一条时间线，和人工数出的结果对比。抽帧间隔不要小于 10 帧，否则相邻画面高度相似，测出来的指标虚高。但如果要验证模型稳定性，连续帧测试反而更好，能看出预测人数有没有来回跳。两种抽法配合用，一个测精度一个测稳定性。

测推理速度时记得先 warm up，模型前几次推理包含显存分配和算子预热，直接计时会把 FPS 算低：

import time for _ in range(10): # 预热，让算子完成初始化 _ = model(img) t0 = time.time() for _ in range(100): # 正式计时 _ = model(img) fps = 100 / (time.time() - t0) print(f"FPS: {fps:.1f}")

如果 FPS 不够用，最实用的技巧是把模型切到半精度推理，PyTorch 里通过model.half()和输入张量.half()两行代码就能开启，显存占用几乎减半，速度有明显提升。这不改变计数逻辑，但足以让演示时候画面不卡顿。需要留意的是半精度在部分旧显卡上精度会有损失，切换后重新跑一遍验证集 MAE，误差放大超过 5% 就退回单精度。

最后说一个个人习惯：每次跑完一组实验，把训练命令、数据划分、最优权重路径一起存进一个 txt 文件。毕设周期跨越好几个月，中间穿插课程和实习，回来继续实验时最怕的就是忘了当初用什么参数跑出的结果。这个习惯帮我省下的返工时间，比任何调参技巧都多。这个方向的技术不算新，但依然值得投入，希望这些经验能帮到你，在毕设和课设里少踩几个坑。

本文还有配套的精品资源，点击获取