企业官网建设流程全解析

简介：基于多列卷积（MCNN）的密集人群计数项目源码包，面向机器学习、人工智能及相关专业学生，适合课程设计、毕业设计或项目初期演示等场景，可帮助快速复现人群密度估计与计数模型，也适合作为进阶学习或二次开发的基础。资源以源码、文档、数据集、模型权重四位一体，共2000个文件：1985个npy数据文件、9个Python脚本、5个xml配置文件和1个md说明文档，压缩包约123MB。脚本分工清晰，dataloader.py实现数据预处理，train.py负责训练与测试，models目录提供两个结构略有差异的MCNN网络；数据涵盖ShanghaiTech和UCSD两套公开数据集，checkpoints目录存放训练好的权重，draft目录保留开发草稿，便于对照理解网络设计与调参过程。代码经作者测试通过，答辩评审平均分达96分，下载后按README说明修改路径即可运行；不熟悉环境配置时还可私信作者获得远程教学支持。目前已有96人学习下载，适合需要完整项目参考的学生直接使用或在基础上扩展。

1. 密集人群计数为什么值得用多列卷积

把一张人头攒动的景区照片丢给计算机，问它里面到底有多少人——这就是密集人群计数的任务。早年大家用检测器数人头，密集场景下遮挡严重，漏检率极高；后来转向回归密度图，让网络学会预测「每个像素附近有多少人」。但很快大家发现单列网络在这个任务上会集体翻车：前排的人占了几百个像素，后排的人只有十几个像素，同一张图里尺度差异大到网络顾此失彼。多列卷积这个思路正是冲着这种尺度差异来的——用不同感受野的卷积核并行提取特征，再把多路信息融合起来，相当于给模型配了一组不同焦距的镜头。这篇笔记把它从原理拆到代码，再给出一套能直接跑通的数据准备、训练、评估和排错路径，适合做课程设计或小规模项目的同学参考。

2. 多列卷积的结构原理与密度图生成：动手前先把两件事想清楚

2.1 多列卷积到底在解决什么问题

人群计数的难点可以总结成四个字：尺度变化。同一个场景里，离镜头近的人头部区域可能占据 (40\times40) 像素，而远处的人群头部区域可能只有 (5\times5) 像素。单列卷积网络无论怎么调卷积核尺寸，都很难同时兼顾这两类目标。多列卷积的思路是：并行使用多个不同感受野的卷积分支，每条分支负责一个尺度范围，最后把特征拼接起来。

常见的多列结构是三列，分别使用 (3\times3)、(5\times5)、(7\times7) 的卷积核。(3\times3) 分支擅长捕捉小尺度头部目标，(7\times7) 分支感受野更大，能覆盖中大型头部以及拥挤群体间的上下文关系。这种设计不需要引入额外的注意力机制或复杂模块，纯粹靠多分支结构扩大网络的表达能力，训练和数据准备相对简单，因此特别适合课程设计这种时间有限、算力有限的场景。

需要说明的是，多列卷积并不一定意味着参数量一定很大。三个分支在浅层并行，深层融合后再继续卷积，整体参数量大约只是单列网络的 2~3 倍。如果你的机器跑不动三个分支，也可以先做主分支 + 辅助分支的两列结构，效果往往也能明显超过单列基线。

2.2 从点标注到密度图：最关键的一步数据预处理

人群计数数据集里通常只给出每个头部的中心点坐标，而不是框。模型并不直接预测坐标，而是预测一张密度图，所以第一步必须把点标注转换成密度图。

密度图的核心思路是：在每个头部中心点位置放置一个高斯核，再把所有高斯核叠加起来。密度图在某个像素上的值，表示该位置附近有多少个人。对整张密度图求和，就能得到总人数。这种做法背后的假设是：每个人头在图像上是一个小区域，其中心附近概率密度最高，向外递减。

我在实际项目里见过不少同学直接用一个固定方差的高斯核，效果时好时坏。密集人群中头与头之间的距离差异极大，固定方差在小头密集场景下会把多个头的高斯核糊成一片。比较稳妥的做法是「几何自适应高斯核」：对每个人头，计算它到最近的几个相邻人头中心的距离，取平均值作为该处高斯核的标准差。这样人头密集的地方核更尖锐，稀疏的地方核更平缓。

下面这段代码展示了如何把点标注转换成密度图，这是整个项目中我建议你第一个自己动手实现、并且反复检查的函数：

import numpy as np from scipy.ndimage import gaussian_filter def points_to_density_map(height, width, points): """ 把头部中心点标注转换为密度图。 points: shape (N, 2)，每行是 (x, y) 归一化坐标或像素坐标，这里约定为像素坐标。 返回: shape (height, width) 的 float32 密度图 """ density = np.zeros((height, width), dtype=np.float32) for i in range(len(points)): x, y = int(points[i][0]), int(points[i][1]) if x < 0 or x >= width or y < 0 or y >= height: continue # 越界点直接丢弃，否则会污染边界区域 # 计算该点到最近 k 个邻居的平均距离，作为自适应 sigma dists = [] for j in range(len(points)): if i == j: continue dx = points[j][0] - points[i][0] dy = points[j][1] - points[i][1] dists.append(np.sqrt(dx * dx + dy * dy)) if len(dists) == 0: sigma = 15.0 # 场景里只有一个人的兜底值 else: dists.sort() k = min(3, len(dists)) # 取最近 3 个邻居，通常够用 sigma = float(np.mean(dists[:k])) sigma = max(3.0, min(sigma, 20.0)) # 限制范围，防止核过于尖锐或过于发散 # 用 scipy 在密度图上叠加一个高斯核 # 这里用 gaussian_filter 对整个图操作一次会更快，但逐点叠加逻辑更清晰 x_idx = np.arange(width) y_idx = np.arange(height) gx = np.exp(-((x_idx - x) ** 2) / (2 * sigma * sigma)) gy = np.exp(-((y_idx - y) ** 2) / (2 * sigma * sigma)) density += np.outer(gy, gx) # 归一化可选：让全图积分等于总人数 total = density.sum() if total > 0: density = density * (len(points) / total) return density

这段代码有两点值得注意。第一，自适应 sigma 用了最近 3 个邻居的平均距离，这是实践中的常见折中：邻居太少则方差波动大，邻居太多则近景区域核被远处稀疏人群拉大，导致定位变糊。课程设计场景下这个 k 值不用调得太细，但你要理解它存在的意义。第二，最后做了一次整体归一化，保证密度图积分严格等于标注人数。这个归一化能有效防止网络在训练时学到「少预测一点」的偷懒解。

实际处理大批量数据时，逐点循环生成高斯核比较慢。更快的做法是先用 np.histogram2d 把点投影到一张计数图上，再用 scipy.ndimage.gaussian_filter 做一次卷积，效果等同于为每个点放置固定 sigma 的高斯核。但如果你想做自适应 sigma，就只能走逐点路线，建议提前离线生成所有密度图存成 npy 文件，而不是在 Dataset 里每次读取时都现算，否则训练速度会很难看。

2.3 数据集切分与加载：别把所有图都扔进训练集

人群计数模型很容易过拟合，因为数据集的图像往往来自少数几个固定场景，场景背景、拍摄角度和人群分布存在明显的重复模式。我见过有人把同一场景的连续帧既放进训练集又放进测试集，最终指标虚高，答辩时被老师一问就露馅。

正确做法是在图片层面按场景切分，保证同一场景的不同帧只出现在一个集合里。如果使用公开数据集，场景划分通常已经在文档中给出；但如果你自己收集数据，就要格外小心这一点。按 7/2/1 的比例划分训练集、验证集、测试集是常见做法，验证集用于监控训练过程中的过拟合，测试集只用于最终评估，平时不碰。

训练时还有一个容易被忽略的问题：图像尺寸。人群计数数据集里的图像分辨率通常较高，比如 (1024\times768)，直接整图送入网络，显存很容易被吃满。课程设计阶段最常见做法是按比例缩放到长边约 512 或 768 像素，再做随机裁剪。下面给出一个简化版的 Dataset 加载代码：

import torch from torch.utils.data import Dataset from PIL import Image import numpy as np import os class CrowdDataset(Dataset): def __init__(self, img_dir, gt_dir, size=(512, 512), train=True): self.img_dir = img_dir # 图像文件夹 self.gt_dir = gt_dir # 密度图 .npy 文件夹 self.size = size self.train = train self.img_names = sorted([f for f in os.listdir(img_dir) if f.endswith('.jpg')]) def __len__(self): return len(self.img_names) def __getitem__(self, idx): img_name = self.img_names[idx] img = Image.open(os.path.join(self.img_dir, img_name)).convert('RGB') gt = np.load(os.path.join(self.gt_dir, img_name.replace('.jpg', '.npy'))) # 统一缩放到固定尺寸，注意密度图也要同步缩放 img = img.resize(self.size, Image.BILINEAR) scale_x = self.size[0] / img.width scale_y = self.size[1] / img.height gt_img = Image.fromarray(gt.astype(np.float32)) gt = np.array(gt_img.resize(self.size, Image.BILINEAR)).astype(np.float32) # 因为密度图是"计数"语义，缩放后要乘面积比保持人数不变 gt = gt * (scale_x * scale_y) img = np.array(img).astype(np.float32) / 255.0 img = torch.from_numpy(img).permute(2, 0, 1) gt = torch.from_numpy(gt).unsqueeze(0) return img, gt

这里最容易被忽略也最关键的是最后一行乘法：图像缩放后，密度图必须乘上缩放系数的乘积，否则密度图积分代表的人数会变少。很多人的模型在验证集上人数预测系统性偏低，排查半天发现是这里出了问题。

DataLoader 里的 batch_size 和 num_workers 也要注意。课程设计的机器通常内存不大，num_workers 设成 4 到 8 就够，再高反而容易因为磁盘 IO 瓶颈出现卡顿。pin_memory 设为 True 能小幅提升 GPU 训练时的数据拷贝速度，顺手加上，没有坏处。

3. 搭建多列卷积模型并训练：从网络定义到 loss 曲线怎么看

3.1 三列卷积网络：用 PyTorch 实现一个能跑的基线模型

多列卷积网络的结构可以抽象成三个部分：共享输入、多分支特征提取、融合回归。下面给出的实现是课程设计里最常用的三列结构，每列卷积核尺寸不同，融合后接几层卷积回归密度图。

import torch import torch.nn as nn class MultiColumnCrowdNet(nn.Module): """ 三列卷积人群计数网络。 分支1: 3x3 卷积，负责小尺度头部 分支2: 5x5 卷积，负责中等尺度 分支3: 7x7 卷积，负责大尺度/上下文 最后 concat 融合，回归密度图。 """ def __init__(self): super().__init__() def branch(in_ch, h_dim, kernel): pad = kernel // 2 return nn.Sequential( nn.Conv2d(in_ch, h_dim, kernel, padding=pad), nn.ReLU(inplace=True), nn.Conv2d(h_dim, h_dim, kernel, padding=pad), nn.ReLU(inplace=True), nn.Conv2d(h_dim, h_dim, kernel, padding=pad), nn.ReLU(inplace=True), ) self.branch1 = branch(3, 32, 3) # 小感受野：捕捉小头目标 self.branch2 = branch(3, 32, 5) # 中感受野 self.branch3 = branch(3, 32, 7) # 大感受野 # 三个分支输出 concat 后通道数为 96 self.fuse = nn.Sequential( nn.Conv2d(96, 64, 1, padding=0), nn.ReLU(inplace=True), nn.Conv2d(64, 32, 3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(32, 1, 1, padding=0), ) def forward(self, x): f1 = self.branch1(x) f2 = self.branch2(x) f3 = self.branch3(x) feat = torch.cat([f1, f2, f3], dim=1) return self.fuse(feat)

这个网络有几个设计点值得展开说。第一，每个分支内部都用三层同尺寸卷积而不是直接堆不同尺寸，原因是单层大卷积核的参数量大且容易过拟合，叠三个小层既保证了深度，又让各分支能独立学习到对应尺度的纹理特征。第二，融合层第一层用 (1\times1) 卷积，作用是把三列特征在通道维度上做压缩混合，而不是简单相加——相加会损失各分支的独立信息。第三，最后一层卷积输出单通道密度图，中间没有加全局池化或全连接，因为人群计数要求输出和输入分辨率对齐，不能用分类网络那种全局特征。

相比空洞卷积类的单列网络，多列卷积在这种小规模课程设计任务上有两个实际优势：训练更稳定，不易梯度消失；对输入分辨率变化的鲁棒性更强。缺点是参数量大一些，后面我们会讨论怎么在显存有限时做裁剪训练。

3.2 损失函数与优化器：MSE 为什么是默认选择

人群计数最常用的损失函数是均方误差（MSE），也就是密度图每个像素上预测值与真实值的差的平方的均值。它直接衡量密度图的逐像素误差，对位置偏差比较敏感，也能很好地反映总人数偏差。L1 损失（MAE）也可以，但训练收敛后精度略差，且对密度图中大量零像素区域的惩罚不够平滑。

优化器我一般选 Adam，学习率从 (1e-4) 起步。课程设计的数据量通常不大，用 SGD 需要精心调学习率和动量，Adam 对大多数情况「一把梭」也能收敛。weight decay 设成 (5e-4)，可以缓解过拟合。

训练主循环的伪代码很直接，但有几个细节值得写清楚。每个 epoch 结束要在验证集上算一次 MAE，而不是只看训练 loss。训练 loss 持续下降但验证集 MAE 开始上升，就是过拟合的信号，此时可以提前停止。

model = MultiColumnCrowdNet().cuda() optimizer = torch.optim.Adam(model.parameters(), lr=1e-4, weight_decay=5e-4) criterion = nn.MSELoss() train_loader = DataLoader(train_set, batch_size=4, shuffle=True, num_workers=4) val_loader = DataLoader(val_set, batch_size=1, shuffle=False, num_workers=2) for epoch in range(30): model.train() running_loss = 0.0 for imgs, gts in train_loader: imgs, gts = imgs.cuda(), gts.cuda() preds = model(imgs) loss = criterion(preds, gts) optimizer.zero_grad() loss.backward() optimizer.step() running_loss += loss.item() * imgs.size(0) # 验证：计算 MAE（平均绝对误差，单位：人） model.eval() mae_total = 0.0 with torch.no_grad(): for imgs, gts in val_loader: imgs, gts = imgs.cuda(), gts.cuda() preds = model(imgs) pred_counts = preds.sum(dim=(1, 2, 3)) gt_counts = gts.sum(dim=(1, 2, 3)) mae_total += torch.abs(pred_counts - gt_counts).sum().item() print(f"Epoch {epoch}: loss={running_loss / len(train_set):.4f}, val_MAE={mae_total / len(val_set):.2f}")

batch_size 选 4 是基于 512×512 输入尺寸、显存在 8G 左右的假设。如果你的显卡只有 4G，可以把 batch_size 降到 2，同时把输入尺寸降到 384×384。注意 batch_size 缩小后损失函数的梯度噪声会变大，学习率也可以同比例下调到 (5e-5) 附近。

训练过程中有几条经验值得记下来。第一条，如果 loss 在前 5 个 epoch 内几乎不动，先检查密度图是否真的出现了明显的高斯分布，很多人倒在数据预处理这一步。第二条，如果 loss 下降很快但验证集 MAE 波动很大，几乎可以断定是数据划分有问题——测试集里混进了跟训练集相同场景的不同帧，模型在背答案。第三条，人群计数训练初始阶段预测人数会普遍偏小，因为网络需要先学会「从零开始激活密度图」，这一点不是 bug，耐心多跑几个 epoch。

3.3 显存不够怎么办：随机裁剪是课程设计的救命稻草

整图训练显存不够是几乎所有课程设计都会撞上的事情。与其把整张图压到很小的分辨率导致人头糊成一团，不如从原图和高斯密度图中随机裁剪若干 256×256 的 patch 来训练。这样做有两个好处：显存占用大幅降低，同时每个 patch 都是独立样本，相当于做了数据增强。

裁剪时有两个坑。第一个坑是随机裁剪很可能裁到完全没有人的空白区域，这些 patch 中的密度图全为 0。这样的样本占比太高会让模型倾向于输出全零密度图。常见做法是设定一个阈值——如果裁剪 patch 中的人数少于某个最小值（例如 5 人）就重新裁，或者以中心点引导采样，优先裁人群密集的区域。第二个坑是 patch 之间的人头可能被截断，导致边界处的头部只露出一部分。这个问题可以通过以人头中心为圆心随机扰动裁切窗口来缓解，让部分被裁掉的人头仍然以完整高斯核进入 patch。

下面是一段实用的 patch 采样逻辑，放在 Dataset 的__getitem__之前比较合适：

def random_crop_pair(img_array, gt_array, crop_size=256, min_count=5): """ 从原图和密度图中同步裁剪 patch，保证密度图人数不少于 min_count。 """ h, w = img_array.shape[:2] for _ in range(20): # 最多尝试 20 次 x = np.random.randint(0, w - crop_size) if w > crop_size else 0 y = np.random.randint(0, h - crop_size) if h > crop_size else 0 img_patch = img_array[y:y+crop_size, x:x+crop_size] gt_patch = gt_array[y:y+crop_size, x:x+crop_size] if gt_patch.sum() >= min_count: return img_patch, gt_patch # 兜底：强制返回左上角 patch return img_array[:crop_size, :crop_size], gt_array[:crop_size, :crop_size]

训练时用裁剪的 patch，验证时仍然用完整图像做预测，两者不冲突。最终测试时模型看到的图像尺寸与训练时不一致也没关系，因为全卷积网络对输入尺寸没有限制。这样做的好处是可以随时换一张任意分辨率的图推理，而不用重新训练。

4. 评估与推理：MAE、MSE 和预测可视化到底怎么看

4.1 MAE 和 MSE：两个指标分别告诉你什么

人群计数的标准评估指标是两个：平均绝对误差（MAE）和均方误差（MSE）。MAE 衡量预测人数与真实人数之间的平均绝对差距，单位是「人」，直觉上最容易理解。MSE 是误差平方的平均再开根号，它对大误差的惩罚更重。举个例子：三张测试图真实人数分别是 100、200、300，预测分别是 105、190、310，那么 MAE = (5+10+10)/3 ≈ 8.33 人；MSE = sqrt((25+100+100)/3) ≈ 8.66 人。如果某一张图预测严重偏差，比如把 200 人预测成 150，MAE 只增加 50/3，而 MSE 会因为平方项放大这个错误。

课程设计报告中建议两个指标都列出，MAE 作为主要指标，MSE 说明模型的稳定性。老师在答辩时通常更关注 MAE，但也可能会问你对 MSE 的理解，能答清楚「MSE 对大误差更敏感，反映模型在极端拥挤场景下的稳定性」这一点会加分不少。一般来说，模型在测试集上的 MAE 如果显著小于训练集，说明测试集场景太简单或者与训练集有重叠；如果显著大于训练集，则是过拟合或场景差异太大。

4.2 推理脚本：从一张图到预测人数

推理流程和训练的前向过程一致，但有几个细节需要处理好。加载权重后要把模型设为 eval 模式，关闭 dropout 和 batch norm 的更新。输入图像要经过与训练时相同的预处理——缩放、归一化到 [0,1]。预测出的密度图每个值都是非负的浮点数，直接求和就是总人数。

def predict_count(model, image_path, device, target_width=1024): """ 对单张图片推理，返回预测总人数和密度图。 """ img = Image.open(image_path).convert('RGB') w, h = img.size # 按长边缩放，保持宽高比 if w >= h: new_w = target_width new_h = int(h * target_width / w) else: new_h = target_width new_w = int(w * target_width / h) img = img.resize((new_w, new_h), Image.BILINEAR) img_tensor = torch.from_numpy( np.array(img).astype(np.float32) / 255.0 ).permute(2, 0, 1).unsqueeze(0).to(device) model.eval() with torch.no_grad(): density = model(img_tensor) # shape (1, 1, H, W) count = density.sum().item() return count, density[0, 0].cpu().numpy()

这段代码里最关键的一步是放缩图像时保持了宽高比，而不是直接强制 resize 到正方形。原因很简单：强行拉伸会把人的形状变宽或变窄，改变头部的尺度分布，而模型的分支设计和训练数据都围绕特定尺度分布来学习，输入失真是导致推理误差的常见来源。

推理时只做一次前向，没有涉及梯度计算，所以千万记得包在torch.no_grad()里。不包的话，PyTorch 会为中间变量保存计算图，显存占用瞬间飙高，对推理场景完全没必要。

还有一个常见问题：预测的密度图里有极小概率出现负数。这是因为最后一层卷积没有经过激活函数，网络在极端输入下可能输出负值。这些负值会拉低总人数。处理办法是推理时对密度图做 ReLU 截断——np.clip(density, 0, None)。但注意训练时不能用截断，否则梯度会消失。

4.3 可视化核对：热力图叠加是判断模型质量的直观方式

数值指标只能告诉你「偏了多少」，但没法告诉你「为什么偏」。我习惯把每张测试图的预测密度图转成热力图，跟原图左右并排或半透明叠加，直接观察模型把人数「放」在了哪里。

可视化通常能暴露出三类问题。第一类是密度图落在背景区域而非人头区域，说明网络学会了「哪里有纹理就预测哪里」，而不是真正学习了头部特征。第二类是近景的人头密度被低估、远景的人头被高估，说明三列分支中不同尺度的特征融合权重不均衡。第三类是密度图呈条纹状或格子状，往往是因为训练时用的高斯核 sigma 固定且过小，密度图本身就呈网格状。

写一个简单的 matplotlib 可视化脚本，把原图、真实密度图、预测密度图三张图并排输出，每次调参后都跑一遍，比只看 loss 曲线和 MAE 数字要可靠得多。

5. 避坑指南：密集人群计数训练中的 5 个典型踩坑记录

5.1 训练 loss 降了，验证集 MAE 却纹丝不动

现象：训练集 loss 从 0.01 稳定降到 0.002，但验证集 MAE 始终在 40~60 之间波动，甚至略微上升。

原因：最常见的是数据划分没做场景隔离。验证集里有和训练集同场景的视频帧或相邻帧，模型「记住了」该场景的背景布局和人群空间分布，遇到新场景就原形毕露。此外，验证时采用的图像缩放比例与训练时不统一，导致密度图尺度错位，同样会让指标失真。

解决：重新按场景切分数据，保证同一场景的帧只属于一个集合。验证时固定使用 1024 像素长边缩放，和训练时预处理严格一致。检查密度图缩放时有没有乘以面积因子，这个因子漏掉会让人数系统性偏低。

5.2 预测总人数系统性偏低，而且低得很均匀

现象：多张测试图上预测人数都大约是真实人数的 60%~70%，比例稳定。

原因：几乎可以锁定为密度图缩放问题。训练时图像从 1024×768 resize 到 512×512，但密度图没有乘以对应的缩放面积因子，网络学到的是「缩小后的密度图」对应的计数，推理时自然系统性低估。另一个原因是密度图生成时归一化环节做错——用总人数除以了密度图总和，但密度图总和本身因为高斯核太小而偏小，导致真实密度被低估。

解决：回到points_to_density_map函数，检查叠加高斯核后总和是否等于标注总人数。不等的话，把归一化系数重新算一遍。这个 bug 的坑人之处在于 loss 依然能够收敛，因为网络始终在拟合一个自洽的错误目标。

5.3 显存不够，batch_size 调到 1 还是 OOM

现象：batch_size 已经降到 1，输入尺寸也压到 384×384，依然显存溢出或者训练速度极慢。

原因：三个并行分支的中间特征图都会保存在显存中用于反向传播，512×512 输入下三个分支的激活量加起来非常可观。另外很多人忘了把验证时创建的中间变量从计算图中分离。

解决：改用随机裁剪 256×256 patch 训练，显存占用会断崖式下降。把 batch_size 设成 8 都不成问题。验证时用torch.no_grad()并主动把不用的变量置空。还有一个容易忽视的优化——数据加载 worker 数量过多也会占用额外显存，如果 num_workers 设成了 8 以上，试着降回 4。

5.4 密度图在极密集区域「一坨糊」，无法区分单个人头

现象：用固定 sigma 生成密度图时，密集人群区域的高斯核相互重叠严重，密度图看起来像一块均匀的亮斑，训练后模型在这个区域的分辨能力几乎为零。

原因：固定 sigma 适合稀疏场景，密集场景中头与头之间的实际距离远小于固定 sigma，高斯核把相邻头部信息糊在了一起。模型的预测结果自然也只有「这块大概有多少人」的模糊估计，没有精确到个位数的能力。

解决：改用几何自适应高斯核，每个头部用其到最近 3 个邻居的平均距离作为 sigma。不过要注意：自适应 sigma 在高密度区域会变得很小，此时高斯核叠加时如果密度图分辨率不够，会丢失部分能量。所以建议密度图与输入图像同分辨率，不要下采样。评估时可以专门把测试图按人群密度分组统计 MAE，你会发现在极密集区域 MAE 通常明显更大，这是任务本身的固有难点。

5.5 训练代码没问题，但不同显卡上结果差异很大

现象：同一份代码、同样的超参数，在 A 同学的显卡上训练 MAE 是 15，换了一台机器变成 25，大家都怀疑是随机种子没固定。

原因：PyTorch 的 CUDA 卷积在不同显卡架构上存在数值精度差异，float32 的累加顺序不同，结果会有微小偏差。但 MAE 出现巨大差异通常另有原因——两台机器上 CUDA 版本不同导致 cuDNN 选择了不同算法，或者数据加载时图像插值方式不一致。

解决：训练开始前固定随机种子，适当调低torch.backends.cudnn.benchmark = False来避免算法选择造成的微小抖动。如果换了机器训练结果仍然差异明显，先检查数据扩增、加载顺序和归一化方式是否完全一致。最强力的手段是保存并使用训练时的预处理函数，不依赖对方机器的代码版本。

6. 进阶验证技巧：用分块对比定位模型在哪类场景失效

训练结束后，除了整套数据集的 MAE 之外，我强烈建议你再做一个工作：把每张测试图横向切成左、中、右三块，或者按图像上下半部分划分，分别统计每块的预测人数与真实人数的差异。这一步能把「平均误差 20 人」这个大数拆解成「远景区域偏了 3 人、近景密集区域偏了 60 人」这样可操作的信息，让你知道下一步该往哪个方向调。

def patch_wise_analysis(model, image_path, density_map, patch_size=256): """ 把预测密度图和真实密度图按 patch 分块，统计每个 patch 的人数误差。 density_map: 模型预测的密度图（已还原到原始图像尺寸） true_density: 真实密度图（与图像同尺寸） """ h, w = true_density.shape errs = [] for y in range(0, h, patch_size): for x in range(0, w, patch_size): pred_count = density_map[y:y+patch_size, x:x+patch_size].sum() gt_count = true_density[y:y+patch_size, x:x+patch_size].sum() errs.append((x, y, gt_count, pred_count, pred_count - gt_count)) return errs

用这个脚本分析后，你会发现问题几乎永远是两类：第一类是在人或头特别密集的区域预测偏小——因为多列卷积的融合层把大尺度分支的特征权重压得太低；第二类是在带有类似人形纹理的背景区域预测偏大——比如树荫下的斑驳光影、密集的护栏花纹。知道了具体在哪类区域出错，调参才有方向。

如果密集区域误差偏大，增强大感受野分支的权重是最直接的调法：把 7×7 分支的卷积核从 32 个增加到 48 个，或者让融合层从concat改为加权求和。如果背景区域误报严重，则要回到数据预处理，把训练时的随机裁剪改为偏向含人群区域的采样，让模型更多看到「人」而不是「背景样式」。

我在自己的课程设计项目上走过不少弯路。最深刻的一条是：当你不确定是网络结构问题、数据问题还是训练问题的时候，先可视化预测密度图，再用分块误差定位，不要盲目调参。这套流程看下来可能觉得慢，但它的收敛速度实际上比玄学调参快得多。希望这篇笔记能帮你少踩几个坑，把时间花在真正有价值的地方。

本文还有配套的精品资源，点击获取