YOLO室内手持货币目标检测数据集-12480张

YOLO室内手持货币目标检测数据集大规模100比索硬币检测YOLO26 训练与评估 数据集基本信息目标类别 [‘0’, ‘1’, ‘10’, ‘11’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’]中文类别[‘100比索硬币’, ‘10比索硬币’, ‘50比索纸币’, ‘2比索纸币’, ‘5比索纸币’, ‘50比索硬币’, ‘2比索硬币’, ‘20比索纸币’, ‘10比索纸币’, ‘50比索硬币’, ‘100比索硬币’, ‘50比索纸币’]训练集11520 张验证集480 张测试集480 张总计12480 张 data.yaml 配置信息该数据集提供了data.yaml文件内容如下train:../train/imagesval:../valid/imagestest:../test/imagesnc:12names:[0,1,10,11,2,3,4,5,6,7,8,9]️ 标注可视化 数据集下载 立即下载完整数据集✅ 包含全部train / val / test图像与 YOLO 标签可直接训练。数据集详细介绍YOLO室内手持货币目标检测数据集是一个面向特定场景的计算机视觉数据集其名称和类别信息表明该数据集主要用于识别和定位在室内环境下由人员手持的各类货币。结合“手持”这一特征可以推测该数据集可能应用于智能安防、自动收银系统、金融设备检测等场景尤其适用于需要快速识别和分类不同面值或类型的货币的自动化系统。数据集的设计旨在支持YOLO等轻量级目标检测模型的训练与优化具备较强的工程应用价值。数据集包含总计12480张图像覆盖12个类别涵盖多种货币类型及其相关物品。从中文类别名称推测这些类别可能包括不同面值的纸币、硬币以及可能的货币包装物或辅助工具如钱夹、点钞机等。由于未提供具体类别名称可合理推断该数据集在设计时注重实际业务场景的多样性力求覆盖货币识别中的常见对象为模型提供丰富的特征学习样本。数据分布的广泛性有助于提升模型在复杂环境下的泛化能力。标注规范方面该数据集应采用标准的目标检测标注格式每张图像均配有边界框及对应的类别标签确保了数据的可用性和一致性。这种标注方式符合主流目标检测任务的需求便于直接用于YOLO系列模型的训练。同时考虑到应用场景的特殊性数据集可能对标注精度有较高要求例如货币的边缘、纹理等细节需清晰标注以提高模型的识别准确率和鲁棒性。该数据集的典型应用方向包括智能监控系统中对货币的自动识别、无人零售场景下的支付验证、以及金融设备的异常检测等。建议在实际落地时结合具体场景进行数据增强和模型调优尤其是在光照变化、遮挡干扰等复杂情况下进一步提升检测性能。此外可探索与其他传感器数据如红外、深度信息的融合以增强系统的稳定性和适用性。YOLO26 目标检测算法原理从工程角度看YOLO26 最有价值的改进就是干掉了 NMS 后处理这对部署来说省了太多事。端到端无 NMS 推理传统 YOLO 模型在推理后需要执行非极大值抑制NMS来去除冗余检测框这增加了后处理延迟和部署复杂度。YOLO26 默认采用一对一one-to-one检测头直接输出每张图像最多 300 个检测结果(N, 300, 6)完全省去 NMS 步骤推理流水线大幅简化。在 CPU 上的 ONNX 推理速度相比 YOLO11n 提升高达 43%。无 DFL 回归YOLO26 移除了分布焦点损失Distribution Focal Loss, DFL结构检测头更加轻量。边界框回归不再受限于预设的离散区间既降低了模型复杂度又保持了同等甚至更优的回归精度。Progressive Loss 与 STAL训练过程中通过渐进损失Progressive Loss将监督信号逐步从辅助头部转移到推理阶段的主头部。小目标感知标签分配STAL策略特别提升小目标的正样本标签覆盖率改善小物体检测性能。MuSGD 混合优化器创新性地将大语言模型常用的 Muon 优化器与 SGD 结合实现更稳定高效的训练收敛。相比纯 SGDMuSGD 在大 batch 训练时收敛更快且不易震荡。模型尺度与 COCO 性能YOLO26 提供 N/S/M/L/X 五种尺度模型mAP50-95CPU ONNX(ms)T4 TensorRT(ms)参数量YOLO26n40.938.91.72.4MYOLO26s48.687.22.59.5MYOLO26m53.1220.04.720.4MYOLO26l55.0286.26.224.8MYOLO26x57.5525.811.855.7MNano 版本参数量仅 2.4MCPU 推理速度比 YOLO11n 快 43%适合边缘设备和小数据集X 版本 mAP 达 57.5适用于对准确率要求极高的场景。双头架构设计YOLO26 检测模型内置两个检测头——一对一默认无 NMS输出 300 个检测框和一对多需 NMS输出 8400 个候选框。训练时一对多头作为辅助监督信号加速收敛推理时默认使用一对一头实现端到端输出。YOLO26 支持全部七大视觉任务检测、实例分割、语义分割、深度估计、分类、姿态估计和定向边界框检测OBB一个框架覆盖从 2D 检测到 3D 感知的完整需求。关键训练参数配置详解训练过程中最容易被忽视的参数其实是 patience——早停机制能帮你省掉大量无效训练时间尤其是小数据集上。参数默认值本项目设置含义model-yolo26n.pt预训练权重n/s/m/l/x 五种尺度epochs100150训练总轮数imgsz640416输入图像尺寸batch1664批次大小根据显存调整lr00.010.02初始学习率lrf0.010.01最终学习率因子lr0 × lrfmomentum0.9370.937SGD 动量weight_decay0.00050.0005权重衰减L2 正则化warmup_epochs3.03.0预热轮数warmup_momentum0.80.8预热期间动量初始值box7.57.5边界框回归损失权重cls0.50.5分类损失权重dfl1.51.5DFL 损失权重YOLO26 可置 0patience100-1早停轮数cos_lrFalseTrue余弦学习率衰减close_mosaic1010最后 N 轮关闭 Mosaic 增强optimizerautoSGD优化器选择ampTrueTrue自动混合精度训练freezeNone0冻结前 N 层骨干网络参数dropout0.00.1分类头 Dropout 率防过拟合损失权重的调参经验如果你发现模型总是把背景误检为目标FP 高优先降 cls 权重如果框的位置对但尺寸偏差大优先调 box 权重。学习率调参经验训练初期 loss 不下降 → 调大lr0或增加warmup_epochs训练后期 loss 震荡 → 降低lr0增大weight_decay验证集 loss 先降后升过拟合→ 增大dropout、weight_decay或减小epochs小数据集100张→lr00.001,weight_decay5e-4,dropout0.2大数据集1000张→lr00.01,weight_decay5e-4,batch32训练可视化与TensorBoardYOLO26 默认开启 TensorBoard 日志记录训练过程中可实时查看 loss 曲线和指标变化。在命令行执行tensorboard --logdir runs/detect/train即可打开 Web 看板每轮训练完成后自动刷新。训练结束后 results.png 生成的六合一曲线图是最直观的诊断工具——一眼就能看出是否过拟合、是否收敛、哪个 loss 在震荡。断点续训机制如果训练意外中断断电、OOM 等不用从头开始。YOLO 每轮保存last.pt恢复训练时指定modellast.pt并设置resumeTrue学习率和优化器状态都会从断点恢复训练曲线也和连续训练一样平滑。模型评估指标解读训完模型的 after-party 就是看评估结果——这些指标告诉你模型哪里强、哪里拉了、哪里需要再补数据。训练完成后YOLO26 训练器自动输出以下指标mAP50mAP0.5IoU 阈值为 0.5 时的平均精度均值反映模型粗粒度定位能力。mAP50 ≥ 0.90 表示定位效果很好。mAP50-95mAP0.5:0.95IoU 从 0.5 到 0.95 共 10 个阈值上取平均。更严苛反映精确定位能力是更具代表性的综合评价指标。Precision精确率检测结果中正确检测的比例。高 Precision 意味着虚警少。Recall召回率真实目标中被成功检测到的比例。高 Recall 意味着漏检少。F1 ScorePrecision 和 Recall 的调和平均数 2×P×R/(PR)综合衡量模型平衡性。Confusion Matrix混淆矩阵N×N 矩阵对角线为正确分类非对角线为误分类可定位类别间混淆情况。训练曲线分析train/box_loss单调下降 → 边界框回归正常收敛val/box_loss先降后升 → 过拟合风险应增大数据增强或减小模型metrics/mAP50(B)增长放缓趋于平稳 → 模型接近收敛上限train 持续降、val 持续升 → 严重过拟合建议减小模型或增大 dropout指标使用场景安全生产场景如安全帽检测→ 优先保证 Recall宁可多报不能漏报质检场景如缺陷检测→ 优先保证 Precision降低误检率减少人工复核量通用检测 → 均衡优化关注 mAP50-95 和 F1 ScorePR 曲线下面积就是 AP。但更重要的是曲线在不同 Recall 区间的表现Recall 0.5 时 Precision 暴跌说明模型太保守Recall 0.8 时 Precision 还行说明召回能力强。YOLO 系列算法演进史从 YOLOv1 的一刀切 7×7 网格到 YOLO26 的无 NMS 自适应检测头这条进化路线本质上是在不断移除人工设计的先验假设让模型自己学会判断。YOLOv1 (2015)将检测问题建模为单一回归问题直接在输出层预测边界框和类别概率。速度极快但定位精度较差。YOLOv2/YOLOv3 (2016-2018)引入 anchor box 机制、特征金字塔FPN和多尺度训练。YOLOv3 的 Darknet-53 骨干网络成为经典架构至今仍被广泛使用。YOLOv5 (2020)Ultralytics 在 PyTorch 上的实现带来了完善的训练框架、自动锚框聚类和数据增强 pipeline大幅降低了使用门槛。YOLOv8 (2023)统一了检测、分割、分类和关键点任务的框架引入 C2f 模块和无锚框anchor-free检测头。YOLOv9 (2024)提出 GELAN通用高效层聚合网络和 PGI可编程梯度信息同等参数量下精度提升显著。YOLOv10/YOLOv11 (2024)YOLOv10 首次提出无 NMS 端到端检测。YOLOv11 进一步优化骨干网络和训练策略在速度和精度之间取得新平衡。YOLO26 (2026)集历代之大成核心创新包括① 端到端无 NMS 一对一检测头 ② 无 DFL 的简化回归头 ③ Progressive Loss 渐进式监督转移 ④ STAL 小目标感知标签分配 ⑤ MuSGD 混合优化器。关键设计演进总结Anchor-based → Anchor-freev8 起C3 → C2f → C3k2骨干模块持续优化多任务统一框架v8 起NMS 后处理 → 无 NMS 端到端v10/v26单一损失函数 → 多任务联合损失Box Cls DFLv26 可去 DFLYOLO26 训练步骤详解不管你用的是命令行还是 Python 脚本YOLO26 的训练接口都保持一致。下面用最常见的 CLI 方式演示完整流程。环境准备pipinstallultralytics yolo checks python-cimport torch; print(torch.cuda.is_available())命令行训练yolo detect traindatadata.yamlmodelyolo26n.ptepochs150imgsz416batch64device0lr00.02patience-1cos_lrTrueclose_mosaic10Python API 训练fromultralyticsimportYOLO modelYOLO(yolo26n.pt)resultsmodel.train(datadata.yaml,epochs150,imgsz416,batch64,device0,lr00.02,patience-1,cos_lrTrue,close_mosaic10,augmentTrue,ampTrue,workers8,)训练输出文件runs/detect/train/weights/best.pt验证集上 mAP 最高的权重runs/detect/train/weights/last.pt最后一轮保存的权重runs/detect/train/results.csv每轮 loss 和指标数据runs/detect/train/confusion_matrix.png混淆矩阵图runs/detect/train/results.png训练曲线图runs/detect/train/val_batch*_pred.jpg验证集预测效果图单张推理测试modelYOLO(runs/detect/train/weights/best.pt)resultsmodel(test_image.jpg)results[0].show()多 GPU 分布式训练yolo detect traindatadata.yamlmodelyolo26n.ptdevice0,1epochs100恢复中断的训练yolo detect trainmodelpath/to/last.ptdatadata.yamlresumeTrue部署与应用建议有了 12480 张图打底模型的底子已经比较扎实。部署时重点关注两个指标推理延迟P99 100ms和内存占用 500MB。modelYOLO(runs/detect/train/weights/best.pt)# NVIDIA GPU: TensorRT FP16model.export(formatengine,device0,halfTrue,workspace4)# 跨平台/纯 CPU: ONNXmodel.export(formatonnx,imgsz416)# Intel CPU: OpenVINO比 ONNX Runtime 快 15-30%model.export(formatopenvino,imgsz416)大规模部署架构如果需要在多台服务器上部署建议搭配 Triton Inference Server 做模型管理和负载均衡支持动态 batching 和模型版本热切换。YOLO26 的 ONNX/TensorRT 导出版本都可以直接接入 Triton 的模型仓库。通用训练经验12480 张图训练目标检测模型遇到的问题是典型的——数据不多不少精度不上不下。这种规模的数据集调参的边际收益其实很高。几个值得优先尝试的方向一是学习率的余弦退火。默认 YOLO26 用的是 cos_lr 衰减但周期很关键。如果训练 80 轮lr00.01搭配cos_lrTrue学习率会从 0.01 平滑降到接近 0。这个曲线比阶梯式衰减更适合中等数据集收敛更稳定。二是mosaic1.0时最后 10 轮关闭close_mosaic10。这个设置让模型在训练末期接触真实数据分布对部署时的精度很重要。很多人忽视这个参数训完发现部署精度掉了一大截。三是关注训练过程中的val_box_loss拐点。通常 30-40 轮附近会出现一个平台期如果 50 轮后仍无明显下降基本可以判断当前参数组合不够理想。训练注意事项一套数据集在 YOLO26 上能训到什么程度很大程度上取决于前期准备。以下是几个不依赖调参的提分方向。首先确认data.yaml里的路径和数据实际结构完全一致。不少训练失败的案例最后发现是路径映射错了模型在空目录上训练了一晚上。用yolo check datadata.yaml做一次预检能省掉很多心累。其次训练过程中打开 TensorBoardtensorboard --logdir runs/detect/train实时观看指标变化比事后看results.png高效得多。你能立刻发现某些参数设置不当导致的异常——比如 mAP 抖动剧烈、loss 突然飙升等。如果发现某个特定类别的 AP 始终上不去① 数一数该类最多有多少张样本少于 20 张的几乎注定 AP 低 ② 检查该类别的边界框标注——大框还是小框、遮挡标注是否完整 ③ 尝试减少其他类别的数量来平衡样本分布。这些比盲目调参管用。最后best.pt不一定真的是最优。有时候last.pt在真实场景下泛化能力反而更好因为 best 是按验证集 mAP 挑的验证集不一定代表真实分布。建议保存多个 epoch 的权重选出在实际场景下表现最好的。