人工智能计算机视觉预训练模型系列第 11 期：打电话检测模型实测记录

打电话检测属于目标检测任务。它不仅要判断画面中是否存在打电话行为，还要通过检测框定位相关目标位置，方便后续做统计、告警、轨迹分析或人工复核。在园区管理、驾驶行为分析、服务现场质检、公共区域安全巡检等场景中，这类模型都有一定应用价值。 本期训练与测试使用 RTX 3080 显卡，数据集共包含约 1.7 万张图片、约 1.8 万个目标。其中训练集约 1.4 万张图片、约 1.4 万个目标；验证集约 0.2 万张图片、约 0.2 万个目标；测试集约 0.1 万张图片、约 0.2 万个目标。 | 项目 | 内容 | | --- | --- | | 系列期数 | 第 11 期 | | 本期主题 | 打电话检测 | | 任务类型 | 目标检测 | | 显卡型号 | RTX 3080 | | 数据集规模 | 1.7 万张图片，约 1.8 万个目标 | | 训练集规模 | 1.4 万张图片，约 1.4 万个目标 | | 验证集规模 | 0.2 万张图片，约 0.2 万个目标 | | 测试集规模 | 0.1 万张图片，约 0.2 万个目标 | 下面是本次打电话检测任务的训练输入数据样例。实际场景中的人物姿态、手机遮挡、画面角度和目标尺度都会影响模型学习效果，因此训练样本的多样性非常关键。  验证输入数据预测样例如下。相比只看指标，可视化结果更适合帮助我们观察检测框是否贴合目标，以及模型在不同人物姿态下是否保持稳定。 

YOLOv5s 是本期记录的第一种打电话检测模型。该模型包含 157 层网络，约 7M 参数，计算量为 15.8 GFLOPs，模型文件大小约 14 MB。它的特点是结构轻量、部署成本较低，适合对实时性和设备资源比较敏感的目标检测应用。 训练配置方面，YOLOv5s 的 batch size 为 64，训练 1197 个 epoch，总训练时间约 159 小时。评估结果中，Precision 为 0.96，Recall 为 0.96，mAP50 为 0.98，说明该模型在本次打电话检测数据集上具备较高的识别与定位能力。 | 项目 | YOLOv5s | | --- | --- | | 网络层数 | 157 层 | | 参数量 | 7M | | 计算量 | 15.8 GFLOPs | | 模型文件 | 14 MB | | batch size | 64 | | epoch | 1197 | | 训练时间 | 159 小时 | | Precision | 0.96 | | Recall | 0.96 | | mAP50 | 0.98 | 下面是 YOLOv5s 在训练过程中的损失与指标变化趋势。通过这类曲线，可以观察模型是否逐步收敛，也能为后续调整训练轮次、数据增强策略和样本质量提供依据。  推理性能方面，YOLOv5s 的推理显存占用为 368 MB。GPU 单张图片推理 4.1 毫秒，后处理 0.8 毫秒，总计约 4.9 毫秒；CPU 单张图片推理 72.2 毫秒，后处理 3.0 毫秒，总计约 75.2 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 4.1 ms | 0.8 ms | 4.9 ms | | CPU | 72.2 ms | 3.0 ms | 75.2 ms | 下面是本次测试使用的原始图片。对于打电话检测任务来说，测试原图可以帮助我们先理解画面中的人物动作、手机位置和背景干扰。  YOLOv5s 的测试结果如下。检测结果能够直观展示模型对打电话目标的定位效果，也方便进一步判断是否存在漏检、误检或框选偏移。 

YOLO26s 是本期记录的第二种打电话检测模型。该模型包含 260 层网络，约 10M 参数，计算量为 22.5 GFLOPs，模型文件大小约 20 MB。它同样面向目标检测任务，可用于手机使用检测、打电话行为识别和视频流智能分析等场景。 训练配置方面，YOLO26s 的 batch size 为 48，训练 1147 个 epoch，总训练时间约 146 小时。评估结果中，Precision 为 0.85，Recall 为 0.95，mAP50 为 0.97。从记录结果看，该模型在召回率和整体 mAP50 上保持了较高水平，适合继续结合具体业务场景做阈值和样本优化。 | 项目 | YOLO26s | | --- | --- | | 网络层数 | 260 层 | | 参数量 | 10M | | 计算量 | 22.5 GFLOPs | | 模型文件 | 20 MB | | batch size | 48 | | epoch | 1147 | | 训练时间 | 146 小时 | | Precision | 0.85 | | Recall | 0.95 | | mAP50 | 0.97 | 下面是 YOLO26s 在训练过程中的损失与指标变化趋势。对于行为类目标检测模型来说，训练曲线不仅用于展示模型状态，也能帮助我们复盘样本难度、类别边界和训练稳定性。  推理性能方面，YOLO26s 的推理显存占用为 366 MB。GPU 单张图片推理 5.3 毫秒，后处理 1.1 毫秒，总计约 6.4 毫秒；CPU 单张图片推理 96.1 毫秒，后处理 5.3 毫秒，总计约 101.4 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 5.3 ms | 1.1 ms | 6.4 ms | | CPU | 96.1 ms | 5.3 ms | 101.4 ms | YOLO26s 的测试结果如下。部署前还需要把模型放到更多连续视频流、不同摄像头角度、不同光照和不同人群密度的画面中继续验证。 

打电话检测看起来是一个很具体的视觉任务，但它背后代表的是一类常见需求：让 AI 从人类动作中识别出具有业务意义的行为。相比通用视觉理解，目标检测小模型的优势在于任务边界清晰、推理速度快、部署路径更明确，更容易进入真实项目。 从本期记录可以看到，打电话检测模型已经能够在较低显存占用和毫秒级 GPU 推理时间下完成目标检测。后续如果要进入实际应用，还需要结合场景继续优化数据集，例如补充远距离目标、侧脸姿态、遮挡场景、低照度画面和容易混淆的相似动作。 如果你正在做手机使用检测、行为识别或边缘 AI 部署，你更关心哪一类问题：复杂场景下的漏检、误检控制、CPU 推理速度，还是从图片测试走向视频流落地？欢迎把你的场景和难点留下来，后续我们可以继续拆解更贴近现场的模型优化思路。 > SEO 描述：本文记录第 11 期人工智能计算机视觉预训练模型：打电话检测模型，涵盖数据集规模、YOLOv5s、YOLO26s、mAP50、推理速度和可视化测试结果。