人工智能计算机视觉预训练模型系列第 8 期：口罩检测模型实测记录

口罩检测属于目标检测任务。相比只判断画面中“有没有人戴口罩”，目标检测模型还需要给出口罩或相关目标所在位置，这对后续的计数、告警、复核和视频流分析都很关键。 本次训练与测试使用 RTX 3080 显卡，数据集共包含 5621 张图片，约 1.2 万个目标。其中训练集包含 4830 张图片、约 1.0 万个目标；验证集包含 791 张图片、约 0.2 万个目标。 | 项目 | 内容 | | --- | --- | | 系列期数 | 第 8 期 | | 本期主题 | 口罩检测 | | 任务类型 | 目标检测 | | 显卡型号 | RTX 3080 | | 数据集规模 | 5621 张图片，约 1.2 万个目标 | | 训练集规模 | 4830 张图片，约 1.0 万个目标 | | 验证集规模 | 791 张图片，约 0.2 万个目标 | 下面是本次口罩检测任务的训练输入数据样例。可以看到，样本中存在不同角度、不同尺度和不同遮挡情况，这些因素都会影响模型对目标边界的定位稳定性。  验证预测样例更适合观察模型在批量图片上的框选效果。除了 Precision、Recall、mAP 等指标，检测框是否贴合目标、是否出现明显漏检或误检，也是判断模型能否进入工程验证的重要依据。 

YOLOv5s 是本期记录的第一种口罩检测模型。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。对于需要在视频流、摄像头网关或边缘设备中实时运行的视觉任务来说，这类轻量级模型的优势在于结构成熟、推理速度快、资源占用相对可控。 训练配置方面，YOLOv5s 的 batch size 为 64，训练 1104 个 epoch，总训练时间约 85 小时。评估结果中，Precision 为 0.95，Recall 为 0.97，mAP50 为 0.98，说明模型在本次口罩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 | 1104 | | 训练时间 | 85 小时 | | Precision | 0.95 | | Recall | 0.97 | | mAP50 | 0.98 | | 推理显存 | 368 MB | 下面是 YOLOv5s 训练过程中的损失与指标变化趋势。通过这类曲线，可以观察模型是否稳定收敛，以及训练后期指标是否趋于平稳。  推理性能方面，YOLOv5s 在 GPU 上单张图片推理 4.9 毫秒，后处理 1.1 毫秒，总计约 6.0 毫秒；在 CPU 上推理 75.2 毫秒，后处理 10.9 毫秒，总计约 86.1 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 4.9 ms | 1.1 ms | 6.0 ms | | CPU | 75.2 ms | 10.9 ms | 86.1 ms | 下面是本次测试使用的原始图片。对口罩检测模型来说，单张图片测试能帮助我们快速判断模型在真实画面中的定位效果。  YOLOv5s 的测试结果如下。可以结合原图一起观察检测框与目标区域的贴合程度，以及模型在具体样本中的识别稳定性。 

YOLO26s 是本期记录的第二种口罩检测模型。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，可用于口罩识别、人员规范检测和视频流分析等场景。 训练配置方面，YOLO26s 的 batch size 为 48，训练 1114 个 epoch，总训练时间约 71 小时。评估结果中，Precision 为 0.95，Recall 为 0.96，mAP50 为 0.97，整体检测效果保持在较高水平。 | 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 | 1114 | | 训练时间 | 71 小时 | | Precision | 0.95 | | Recall | 0.96 | | mAP50 | 0.97 | | 推理显存 | 366 MB | 下面是 YOLO26s 训练过程中的损失与指标变化趋势。对工程项目而言，训练曲线不仅用于展示结果，也方便后续复盘训练轮次、数据质量和模型收敛状态。  推理性能方面，YOLO26s 在 GPU 上单张图片推理 5.8 毫秒，后处理 2.1 毫秒，总计约 7.9 毫秒；在 CPU 上推理 102.6 毫秒，后处理 36.6 毫秒，总计约 139.2 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 5.8 ms | 2.1 ms | 7.9 ms | | CPU | 102.6 ms | 36.6 ms | 139.2 ms | YOLO26s 的测试结果如下。部署前还需要继续放到连续视频流、不同光照、不同摄像头角度和更复杂遮挡场景中验证稳定性。 

口罩检测看起来是一个明确的小任务，但真正落地时，模型需要同时面对人脸角度变化、画面模糊、多人重叠、光照差异和设备算力限制。指标高只是第一步，推理速度、显存占用和连续场景下的稳定性同样关键。 从本次记录可以看到，轻量级口罩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任务。对于出入口管理、公共空间巡检、工厂安全规范识别等场景，这类模型适合作为工程部署的起点，再结合现场数据持续优化。 如果你正在做口罩检测、人员规范识别或边缘 AI 部署，你最关心的是检测精度、实时速度、CPU 运行成本，还是复杂场景下的稳定性？欢迎把你的应用场景和最想解决的问题留下来，我们可以在后续文章里继续拆解。