课程初级

界定问题

把模糊的产品构想转化为三行任务规格说明，并将业务规则保留在代码中，这样你无需重新训练就能修改规则。

许多停滞不前的计算机视觉项目，问题都在于一开始没有明确的问题。“检测不安全行为”听起来像一项需求，但标注人员无法为它标注，模型无法学习它，也没人能判断它何时有效。只需一个下午就能写出三行规格说明，解决这个问题——并确定你要训练什么任务、标注什么内容，以及报告哪项指标。

学习成果

写一份三行任务规格说明（输入、输出、决策），并将决策实现为读取 YOLO26 输出的代码。

快速通道

如果你已经熟悉相关内容，以下是简要版。

输入：来源、分辨率、帧率和场景。
输出：一种数据类型——标签、框、掩码、关键点或逐像素图；绝不能是动词。
决策：谁在什么情况下依据什么规则采取行动。
模型负责输出行。决策行则是你无需重新训练就能修改的代码。
先用真实输出测试规则再相信它：图像重叠不代表物理距离近。

实践操作

为什么要先写规格说明#

计算机视觉项目的步骤 0 至 4：打好基础、收集和准备数据、特征工程与模型开发、模型部署以及模型监控

计算机视觉项目的每个步骤，都从步骤 0 继承目标。问题模糊会导致数据集含糊不清、标注人员意见不一，指标也会衡量错了东西——而在步骤 2 再怎么训练，也无法弥补这一点。

三行内容#

任务规格说明由三句话组成，每行一句。每句话分别回答项目中不同角色会提出的问题：

行	回答的问题	较弱	较强
输入	模型能看到什么？	“摄像头画面”	“来自 12 个天花板摄像头的 1920×1080 帧，帧率为 5 fps”
输出	会返回什么数据？	“检测安全问题”	“`forklift` 和 `person` 的框，每个框都带有置信度分数”
决策	谁在什么情况下采取行动？	“提高安全性”	“当叉车和人员在 2 秒内相距不足 2 m 时，通知值班主管”

输出行需要格外谨慎，因为它的数据类型决定了任务：

Ultralytics YOLO 七项任务的输出并列展示：检测、姿态、分割、分类、OBB、语义分割和深度

整张图像对应一个标签，意味着分类；框意味着检测；轮廓意味着分割；关节点意味着姿态；旋转框意味着 OBB；每像素对应一个类别或距离，则意味着语义分割或深度估计。下一课会介绍全部七项任务。

示例：将模型与规则分开#

“我们想知道叉车在仓库地面上何时做出了危险行为。”

这句话描述的是一个项目，而不是一个任务。它混合了两项工作：找到叉车和人员，这是像素层面的工作；判断什么算危险，这是策略层面的工作。把它们拆开：

只有检测器才是模型。菱形部分是普通代码。你现在就可以尝试这种拆分：bus.jpg 中没有叉车，但一辆公交车和四个人就能完成相同的测试。第一版规则是：“当某人的框与车辆框重叠超过 30% 时发出警报”：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg", verbose=False)[0]

# The model's job ends here: a class, a box, and a confidence per object.
people = [b.xyxy[0].tolist() for b in result.boxes if result.names[int(b.cls)] == "person"]
vehicles = [b.xyxy[0].tolist() for b in result.boxes if result.names[int(b.cls)] == "bus"]

def share_inside(a, b):
    """Fraction of box a's area that lies inside box b."""
    w = max(0, min(a[2], b[2]) - max(a[0], b[0]))
    h = max(0, min(a[3], b[3]) - max(a[1], b[1]))
    return w * h / ((a[2] - a[0]) * (a[3] - a[1]))

# The decision rule is plain code: change the policy without retraining.
ALERT_SHARE = 0.30
for person in people:
    share = max(share_inside(person, v) for v in vehicles)
    print(f"person at x={person[0]:3.0f}: {share:4.0%} inside the bus box -> {'ALERT' if share > ALERT_SHARE else 'ok'}")

person at x= 49:  70% inside the bus box -> ALERT
person at x=223:  76% inside the bus box -> ALERT
person at x=670:  70% inside the bus box -> ALERT
person at x=  0:  62% inside the bus box -> ALERT

四次警报，全都误报：这些人在人行道上，位于一辆停着的公交车前方。检测器对每个框的判断都正确；规则错了，因为 2D 图像中的重叠并不意味着现实中的两个物体距离很近。既然规则是代码，修复方法也就是改代码。比较每个人的脚部接地点与公交车的车轮线：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg", verbose=False)[0]
people = [b.xyxy[0].tolist() for b in result.boxes if result.names[int(b.cls)] == "person"]
vehicles = [b.xyxy[0].tolist() for b in result.boxes if result.names[int(b.cls)] == "bus"]

def same_ground_line(person, vehicle, tolerance=40):
    """True when the person's feet are level with the vehicle's wheels and inside its width."""
    feet_x, feet_y = (person[0] + person[2]) / 2, person[3]
    return vehicle[0] < feet_x < vehicle[2] and abs(feet_y - vehicle[3]) < tolerance

for person in people:
    alert = any(same_ground_line(person, v) for v in vehicles)
    print(f"person at x={person[0]:3.0f}: feet y={person[3]:.0f}, bus wheels y={vehicles[0][3]:.0f} -> {'ALERT' if alert else 'ok'}")

person at x= 49: feet y=902, bus wheels y=751 -> ok
person at x=223: feet y=861, bus wheels y=751 -> ok
person at x=670: feet y=880, bus wheels y=751 -> ok
person at x=  0: feet y=871, bus wheels y=751 -> ok

每个人的脚都比车轮线低 110–150 像素，因此他们比公交车更靠近摄像头。无需重新训练，也无需重新标注：安全团队可以迭代规则，而检测器保持不变。生产环境版本会用经过标定的摄像头将脚部映射到地面坐标，并通过目标跟踪加入 2 秒持续时间判断——仍然是在相同的框上运行代码。

把策略从模型中剥离出来

主观词语——“不安全”“有缺陷”“可疑”“VIP”——应该写在读取模型输出的代码里。模型回答的是关于像素的问题。如果两位专家会对某个标签争论不休，这场争论就应该放进一条你可以版本化、测试和修改的规则中。

常见问题#

输出行应是一个动词

症状：规范写着“检测安全问题”或“理解场景”，标注人员却不知道该画什么。解决方法：将输出改写为带有命名类别的数据类型：“forklift 和 person 的边界框”。

无法明确指出的类别

症状：某个类别（如 suspicious_behavior 或 dangerous），两位标注人员对同一帧给出了不同标签。解决方法：用可见证据替代它——例如，一个人处于限制区域内，或一扇门被撑开——并将判断移到决策规则中。

输出是一句话或一项预测

症状：“描述正在发生的事情”（图像描述）或“预测叉车是否会撞到人”（预测）。解决方法：先定位物体，再在此基础上添加跟踪和运动规则。先构建检测器，再做预测。

从规格说明到成功标准#

规格说明指出模型做什么，但没有说明做到什么程度才算足够好，也没有说明漏报与误报相比代价如何。从业务目标出发这一节摘自《构建高性能 YOLO 数据集》，它会将规格说明转化为可衡量的目标。本课程之后的每一课都会回到你的三行内容。

试试看

为你自己的项目写一份三行规格说明——也可以设想一台需要标记货架空位的商店摄像头。每行只写一句话。然后列出决策行中模型无法从像素中看到的所有词语，并把决策写成一行针对模型输出的规则（伪代码也可以）。

完成条件

满足以下所有条件，即表示你已完成本课程。

输入行要写明来源、分辨率和帧率。
输出行要写明数据类型和具体类别，而不是动词。
把决策写成针对输出的规则，并确保所有主观词语都出现在规则中，而不是类别名称中。

显示解答

货架摄像头的规格说明：

输入：固定摄像头面向一条过道，每 60 秒拍摄一张 1920×1080 静态图像。
输出：product 和 empty_facing（没有商品的货架位置）的边界框，每个框都带有置信度分数。
决策：营业时间内，如果同一货架上的三个或更多 empty_facing 框连续出现在五张静态图像中，就创建补货任务。

模型无法看到的词语是补货任务、同一货架、连续出现在五张图像中和营业时间内。把它写成规则：

if count(empty_facing on shelf S) >= 3 in each of the last 5 stills and store_is_open(now):
    create_restock_task(shelf=S)

商店可以更改“3”、“5”或营业时间，而无需重新标注任何图像。

接下来做什么

下一课：Ultralytics YOLO 支持的七项任务，以及如何将你的输出行准确映射到其中一项。

登录以保存学习进度

Get Started