尧图网页设计 
简介Traffic-Net 是一个面向计算机视觉与深度学习入门者的交通场景图像数据集可用于训练交通状态检测、实时监控与异常预警类模型适合具备一定 Python 与模型训练基础的学习者练手。资源包共 10 个文件以 6 张 jpg 示例图像为主另含 1 个 Python 脚本、1 个 json 类别配置、1 个 md 说明文档和 1 个 license 授权文件压缩包约 707KB体积轻便便于快速下载与本地加载。数据集第一版包含 4400 张图像覆盖事故、交通密集、火、稀疏流量四个类别每类 1100 张其中 900 张用于训练、200 张用于测试划分清晰可直接接入分类或检测流程。目前已有 686 人学习下载。借助该资源读者可省去自行采集与标注的成本快速搭建交通场景识别实验理解多类别图像数据的组织方式与训练测试划分逻辑并在此基础上扩展更多类别或迁移到实际监控分析任务中。1. 交通、火灾与事故图像数据集4400 张图怎么喂给深度学习模型做交通视觉项目的朋友大概率遇到过这种尴尬模型在公开数据集上跑得挺好一换到真实路口密集车流和稀疏车流的边界就糊了更别提把「车辆燃烧」误判成「傍晚反光」。Traffic-Net 这个数据集就是冲着这类场景来的——它把交通状态拆成四类事故、交通密集、火、稀疏流量每类 1100 张其中 900 张训练、200 张测试合计 4400 张。配套的Traffic-Net-master.zip里除了图像还有traffic_net.py、model_class.json、LICENSE和README.md等于把「数据 推理脚本 类别映射」打包好了。它适合谁做交通监控、事故预警、边缘端实时分析的 Python 工程师尤其是想快速验证一个分类或检测 pipeline 能不能跑通的人。下面我按「拿到包怎么拆、怎么接自己的训练代码、坑在哪」的顺序把这份资源拆开讲。2. 拆包与目录结构从 zip 到可训练的文件夹2.1 压缩包里到底有什么拿到Traffic-Net-master.zip后先别急着解压到桌面。我一般会建一个干净的工作目录比如~/work/traffic_net再解压避免路径里带中文或空格——后面 OpenCV 读图时路径有空格会直接报NoneType这是血泪经验。解压后你会看到这些内容文件/目录作用备注images/存放 1.jpg、2.jpg、3.jpg、4.jpg、traffic_net.jpg、video_image.jpg 等示例图用于快速验证推理脚本traffic_net.py推理/演示脚本依赖 Python 与深度学习框架model_class.json类别索引到类别名的映射事故、密集、火、稀疏LICENSE授权协议商用前务必读一遍README.md使用说明先读它再动手注意压缩包里给的images/只是少量示例图真正的 4400 张训练/测试图需要按数据集说明另行组织。很多人解压完发现只有几张图就以为下载错了其实是把「演示图」和「完整数据集」搞混了。2.2 把 4400 张图整理成 ImageFolder 能读的结构PyTorch 的ImageFolder要求每个类别一个子文件夹训练和测试分开。我一般会整理成下面这样这也是「作物病害图像数据集划分」那类任务通用的结构交通场景同样适用traffic_net/ ├── train/ │ ├── accident/ # 900 张 │ ├── dense/ # 900 张 │ ├── fire/ # 900 张 │ └── sparse/ # 900 张 └── val/ ├── accident/ # 200 张 ├── dense/ # 200 张 ├── fire/ # 200 张 └── sparse/ # 200 张整理完先数一遍确认每类数量对得上import os root traffic_net for split in [train, val]: for cls in sorted(os.listdir(os.path.join(root, split))): d os.path.join(root, split, cls) n len([f for f in os.listdir(d) if f.lower().endswith((.jpg, .png, .jpeg))]) print(f{split}/{cls}: {n})这段代码只做一件事遍历每个类别目录统计图片数量。参数root换成你自己的路径即可。如果某类数量明显偏少先别训练回去检查是不是解压时漏了文件或者类别名拼写不一致——ImageFolder是按文件夹名当标签的accident和Accident会被当成两个类。2.3 读一眼 model_class.jsonmodel_class.json决定了推理输出怎么翻译成人话。常见格式是{0: accident, 1: dense, 2: fire, 3: sparse}这种索引映射。训练前一定确认你的文件夹顺序和这个映射一致否则模型预测对了、你翻译错了等于白干。我一般会在训练脚本里直接加载它而不是手写类别列表import json with open(model_class.json, r, encodingutf-8) as f: class_map json.load(f) print(class_map)逻辑说明把 JSON 读成字典后续idx_to_name直接查表。参数上注意编码用utf-8避免类别名里有非 ASCII 字符时乱码。3. 用 Python 把数据集接进训练流程DataLoader 与增强3.1 为什么选 ImageFolder transforms 这套组合交通图像有个特点同一类里差异极大。稀疏流量可能是空旷高速密集流量可能是早晚高峰火和事故又常常同时出现。所以数据增强不能太温柔。常见做法是随机裁剪、水平翻转、颜色抖动三件套但要注意——水平翻转对「事故」类通常安全对带方向性的交通标志可能引入噪声这个数据集以场景为主翻转问题不大。from torchvision import datasets, transforms from torch.utils.data import DataLoader train_tf transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(p0.5), transforms.ColorJitter(brightness0.3, contrast0.3, saturation0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) val_tf transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) train_ds datasets.ImageFolder(traffic_net/train, transformtrain_tf) val_ds datasets.ImageFolder(traffic_net/val, transformval_tf) train_loader DataLoader(train_ds, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_ds, batch_size32, shuffleFalse, num_workers4)逻辑说明训练集做增强验证集只做 Resize 归一化保证评估可复现。参数上Resize((224,224))是给 ResNet 这类骨干用的如果你用更小的自定义 CNN可以降到 128batch_size32在 8GB 显存上跑 224 分辨率基本够用爆显存就降到 16num_workers在 Windows 上建议设 0否则容易卡在启动阶段。3.2 类别不均衡与「火」类的特殊性四类各 1100 张表面看是均衡的但真实场景里「火」和「事故」是长尾事件。训练时如果发现验证集上 fire 的召回率明显低可以考虑给 fire 类加权。常见做法是在损失函数里传weightimport torch from torch import nn # 顺序要和 ImageFolder 实际类别顺序一致 weights torch.tensor([1.0, 1.0, 1.5, 1.0]) criterion nn.CrossEntropyLoss(weightweights)逻辑说明weight越大该类误判的惩罚越重。参数怎么定先跑一轮不加权看混淆矩阵哪类漏检多就适当调高一般不超过 2.0否则模型会偏向把什么都判成 fire。这里只是示例实际权重按你的验证结果来。3.3 一个最小训练循环import torch from torchvision import models device cuda if torch.cuda.is_available() else cpu model models.resnet18(weightsNone, num_classes4).to(device) optimizer torch.optim.Adam(model.parameters(), lr1e-3) for epoch in range(10): model.train() for imgs, labels in train_loader: imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() loss criterion(model(imgs), labels) loss.backward() optimizer.step() print(fepoch {epoch} done)逻辑说明num_classes4对应四个类别weightsNone表示不加载预训练权重想更快收敛可以换成models.ResNet18_Weights.DEFAULT。参数上lr1e-3是 Adam 的常用起点loss 不降就降到 1e-4。这段代码只验证流程能跑通不追求精度。4. 推理与验证用 traffic_net.py 和示例图快速自检4.1 先跑通官方脚本再改traffic_net.py是包里自带的推理脚本配合images/里的 1.jpg 到 4.jpg、traffic_net.jpg、video_image.jpg 使用。我的习惯是先原封不动跑一遍确认环境没问题再动代码。常见依赖是torch、torchvision、opencv-python、numpy。如果你还没装 Python先按「python 安装教程」把 3.8 以上版本装好再pip install torch torchvision opencv-python numpy。python traffic_net.py --image images/1.jpg如果脚本没有参数化直接改里面的图片路径也行。跑通后你会看到类似accident: 0.87的输出。这一步的价值在于确认model_class.json的映射和脚本里的类别顺序一致。4.2 自己写一个批量验证脚本官方脚本通常只处理单张图实际项目要批量看混淆矩阵。下面这段把验证集跑一遍输出每类准确率import torch from sklearn.metrics import classification_report model.eval() y_true, y_pred [], [] with torch.no_grad(): for imgs, labels in val_loader: imgs imgs.to(device) preds model(imgs).argmax(dim1).cpu().numpy() y_pred.extend(preds) y_true.extend(labels.numpy()) print(classification_report(y_true, y_pred, target_names[k for k, _ in sorted(class_map.items(), keylambda x: int(x[0]))]))逻辑说明argmax(dim1)取最大 logit 作为预测类classification_report直接给出每类 precision/recall/f1。参数上target_names从model_class.json按索引排序生成保证名字对得上。如果某类 f1 低于 0.6回去看第 3 章的加权和增强策略。4.3 用示例图做「肉眼回归」images/里的traffic_net.jpg和video_image.jpg适合当冒烟测试。每次改完预处理比如换了归一化参数先拿这几张图跑一遍看输出类别有没有突变。这招在调参时特别省时间——不用等完整验证集跑完几秒钟就能发现「归一化写错了」这种低级错误。5. 避坑与排查这份数据集最容易翻车的五个地方5.1 现象训练 loss 正常下降验证准确率卡在 25%原因四分类随机猜就是 25%说明模型没学到东西。最常见的是标签错位——ImageFolder按文件夹名排序生成标签而model_class.json的索引顺序可能不同。解决打印train_ds.class_to_idx和model_class.json逐项比对不一致就重命名文件夹或重写映射。5.2 现象OpenCV 读图返回 None报image is empty原因路径含中文、空格或图片实际是损坏的。解决统一用英文无空格路径读图后加assert img is not None批量检查用PIL.Image.open(f).verify()扫一遍。5.3 现象显存爆了报 CUDA out of memory原因batch_size太大或num_workers太多导致内存碎片。解决先把batch_size降到 16 或 8num_workers在 Windows 上设 0仍不够就把输入从 224 降到 128或者换resnet18这种轻量骨干。5.4 现象fire 类几乎全被预测成 accident原因火和事故在图像上高度相关燃烧的车既是火也是事故模型分不清。解决检查标注是否互斥训练时给 fire 加权增强里加随机遮挡逼模型关注火焰颜色和形态而不是整场景。5.5 现象验证集准确率很高实际视频里频繁误报原因4400 张图覆盖不了真实路口的全部光照和天气。解决把video_image.jpg这类真实帧加入验证或者自己抽帧补充困难样本别只看测试集数字要拿真实视频做回归。6. 进阶技巧把四分类模型改成事故检测触发器的三个动作第一个动作是「置信度阈值 滑动窗口」。交通监控不需要每帧都报警我一般设fire和accident的置信度阈值到 0.75连续 5 帧命中才触发能压掉大量单帧误报。第二个动作是「类别合并做二阶段」先用四分类筛出「非稀疏」再在子集上跑一个二分类事故 vs 正常这样第二阶段样本更聚焦小模型也能跑得动。第三个动作是「导出 ONNX 上边缘设备」torch.onnx.export之后用 onnxruntime 推理CPU 上单帧能压到几十毫秒适合没有 GPU 的现场盒子。import torch dummy torch.randn(1, 3, 224, 224).to(device) torch.onnx.export( model, dummy, traffic_net.onnx, input_names[input], output_names[logits], opset_version11, dynamic_axes{input: {0: batch}} )逻辑说明dynamic_axes让 batch 维度可变方便现场按帧数调整opset_version11兼容性较好。导出后用onnxruntime加载喂同样的归一化输入对比 PyTorch 和 ONNX 的输出差异超过 1e-3 就要查算子支持问题。验证方法上我习惯留一个「后悔药」每次训练完把权重、model_class.json、预处理参数一起打包存档命名带日期。因为交通场景的误报往往在换季、换摄像头后才暴露没有存档就没法复现当时的环境。从那以后我每次上线前都强制走一遍「示例图冒烟 验证集混淆矩阵 真实视频抽帧」三步少一步都不敢发版。希望帮到你。本文还有配套的精品资源点击获取 交通火灾事故图像数据集Traffic-Net：4400张图训练与推理实战
简介Traffic-Net 是一个面向计算机视觉与深度学习入门者的交通场景图像数据集可用于训练交通状态检测、实时监控与异常预警类模型适合具备一定 Python 与模型训练基础的学习者练手。资源包共 10 个文件以 6 张 jpg 示例图像为主另含 1 个 Python 脚本、1 个 json 类别配置、1 个 md 说明文档和 1 个 license 授权文件压缩包约 707KB体积轻便便于快速下载与本地加载。数据集第一版包含 4400 张图像覆盖事故、交通密集、火、稀疏流量四个类别每类 1100 张其中 900 张用于训练、200 张用于测试划分清晰可直接接入分类或检测流程。目前已有 686 人学习下载。借助该资源读者可省去自行采集与标注的成本快速搭建交通场景识别实验理解多类别图像数据的组织方式与训练测试划分逻辑并在此基础上扩展更多类别或迁移到实际监控分析任务中。1. 交通、火灾与事故图像数据集4400 张图怎么喂给深度学习模型做交通视觉项目的朋友大概率遇到过这种尴尬模型在公开数据集上跑得挺好一换到真实路口密集车流和稀疏车流的边界就糊了更别提把「车辆燃烧」误判成「傍晚反光」。Traffic-Net 这个数据集就是冲着这类场景来的——它把交通状态拆成四类事故、交通密集、火、稀疏流量每类 1100 张其中 900 张训练、200 张测试合计 4400 张。配套的Traffic-Net-master.zip里除了图像还有traffic_net.py、model_class.json、LICENSE和README.md等于把「数据 推理脚本 类别映射」打包好了。它适合谁做交通监控、事故预警、边缘端实时分析的 Python 工程师尤其是想快速验证一个分类或检测 pipeline 能不能跑通的人。下面我按「拿到包怎么拆、怎么接自己的训练代码、坑在哪」的顺序把这份资源拆开讲。2. 拆包与目录结构从 zip 到可训练的文件夹2.1 压缩包里到底有什么拿到Traffic-Net-master.zip后先别急着解压到桌面。我一般会建一个干净的工作目录比如~/work/traffic_net再解压避免路径里带中文或空格——后面 OpenCV 读图时路径有空格会直接报NoneType这是血泪经验。解压后你会看到这些内容文件/目录作用备注images/存放 1.jpg、2.jpg、3.jpg、4.jpg、traffic_net.jpg、video_image.jpg 等示例图用于快速验证推理脚本traffic_net.py推理/演示脚本依赖 Python 与深度学习框架model_class.json类别索引到类别名的映射事故、密集、火、稀疏LICENSE授权协议商用前务必读一遍README.md使用说明先读它再动手注意压缩包里给的images/只是少量示例图真正的 4400 张训练/测试图需要按数据集说明另行组织。很多人解压完发现只有几张图就以为下载错了其实是把「演示图」和「完整数据集」搞混了。2.2 把 4400 张图整理成 ImageFolder 能读的结构PyTorch 的ImageFolder要求每个类别一个子文件夹训练和测试分开。我一般会整理成下面这样这也是「作物病害图像数据集划分」那类任务通用的结构交通场景同样适用traffic_net/ ├── train/ │ ├── accident/ # 900 张 │ ├── dense/ # 900 张 │ ├── fire/ # 900 张 │ └── sparse/ # 900 张 └── val/ ├── accident/ # 200 张 ├── dense/ # 200 张 ├── fire/ # 200 张 └── sparse/ # 200 张整理完先数一遍确认每类数量对得上import os root traffic_net for split in [train, val]: for cls in sorted(os.listdir(os.path.join(root, split))): d os.path.join(root, split, cls) n len([f for f in os.listdir(d) if f.lower().endswith((.jpg, .png, .jpeg))]) print(f{split}/{cls}: {n})这段代码只做一件事遍历每个类别目录统计图片数量。参数root换成你自己的路径即可。如果某类数量明显偏少先别训练回去检查是不是解压时漏了文件或者类别名拼写不一致——ImageFolder是按文件夹名当标签的accident和Accident会被当成两个类。2.3 读一眼 model_class.jsonmodel_class.json决定了推理输出怎么翻译成人话。常见格式是{0: accident, 1: dense, 2: fire, 3: sparse}这种索引映射。训练前一定确认你的文件夹顺序和这个映射一致否则模型预测对了、你翻译错了等于白干。我一般会在训练脚本里直接加载它而不是手写类别列表import json with open(model_class.json, r, encodingutf-8) as f: class_map json.load(f) print(class_map)逻辑说明把 JSON 读成字典后续idx_to_name直接查表。参数上注意编码用utf-8避免类别名里有非 ASCII 字符时乱码。3. 用 Python 把数据集接进训练流程DataLoader 与增强3.1 为什么选 ImageFolder transforms 这套组合交通图像有个特点同一类里差异极大。稀疏流量可能是空旷高速密集流量可能是早晚高峰火和事故又常常同时出现。所以数据增强不能太温柔。常见做法是随机裁剪、水平翻转、颜色抖动三件套但要注意——水平翻转对「事故」类通常安全对带方向性的交通标志可能引入噪声这个数据集以场景为主翻转问题不大。from torchvision import datasets, transforms from torch.utils.data import DataLoader train_tf transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(p0.5), transforms.ColorJitter(brightness0.3, contrast0.3, saturation0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) val_tf transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) train_ds datasets.ImageFolder(traffic_net/train, transformtrain_tf) val_ds datasets.ImageFolder(traffic_net/val, transformval_tf) train_loader DataLoader(train_ds, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_ds, batch_size32, shuffleFalse, num_workers4)逻辑说明训练集做增强验证集只做 Resize 归一化保证评估可复现。参数上Resize((224,224))是给 ResNet 这类骨干用的如果你用更小的自定义 CNN可以降到 128batch_size32在 8GB 显存上跑 224 分辨率基本够用爆显存就降到 16num_workers在 Windows 上建议设 0否则容易卡在启动阶段。3.2 类别不均衡与「火」类的特殊性四类各 1100 张表面看是均衡的但真实场景里「火」和「事故」是长尾事件。训练时如果发现验证集上 fire 的召回率明显低可以考虑给 fire 类加权。常见做法是在损失函数里传weightimport torch from torch import nn # 顺序要和 ImageFolder 实际类别顺序一致 weights torch.tensor([1.0, 1.0, 1.5, 1.0]) criterion nn.CrossEntropyLoss(weightweights)逻辑说明weight越大该类误判的惩罚越重。参数怎么定先跑一轮不加权看混淆矩阵哪类漏检多就适当调高一般不超过 2.0否则模型会偏向把什么都判成 fire。这里只是示例实际权重按你的验证结果来。3.3 一个最小训练循环import torch from torchvision import models device cuda if torch.cuda.is_available() else cpu model models.resnet18(weightsNone, num_classes4).to(device) optimizer torch.optim.Adam(model.parameters(), lr1e-3) for epoch in range(10): model.train() for imgs, labels in train_loader: imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() loss criterion(model(imgs), labels) loss.backward() optimizer.step() print(fepoch {epoch} done)逻辑说明num_classes4对应四个类别weightsNone表示不加载预训练权重想更快收敛可以换成models.ResNet18_Weights.DEFAULT。参数上lr1e-3是 Adam 的常用起点loss 不降就降到 1e-4。这段代码只验证流程能跑通不追求精度。4. 推理与验证用 traffic_net.py 和示例图快速自检4.1 先跑通官方脚本再改traffic_net.py是包里自带的推理脚本配合images/里的 1.jpg 到 4.jpg、traffic_net.jpg、video_image.jpg 使用。我的习惯是先原封不动跑一遍确认环境没问题再动代码。常见依赖是torch、torchvision、opencv-python、numpy。如果你还没装 Python先按「python 安装教程」把 3.8 以上版本装好再pip install torch torchvision opencv-python numpy。python traffic_net.py --image images/1.jpg如果脚本没有参数化直接改里面的图片路径也行。跑通后你会看到类似accident: 0.87的输出。这一步的价值在于确认model_class.json的映射和脚本里的类别顺序一致。4.2 自己写一个批量验证脚本官方脚本通常只处理单张图实际项目要批量看混淆矩阵。下面这段把验证集跑一遍输出每类准确率import torch from sklearn.metrics import classification_report model.eval() y_true, y_pred [], [] with torch.no_grad(): for imgs, labels in val_loader: imgs imgs.to(device) preds model(imgs).argmax(dim1).cpu().numpy() y_pred.extend(preds) y_true.extend(labels.numpy()) print(classification_report(y_true, y_pred, target_names[k for k, _ in sorted(class_map.items(), keylambda x: int(x[0]))]))逻辑说明argmax(dim1)取最大 logit 作为预测类classification_report直接给出每类 precision/recall/f1。参数上target_names从model_class.json按索引排序生成保证名字对得上。如果某类 f1 低于 0.6回去看第 3 章的加权和增强策略。4.3 用示例图做「肉眼回归」images/里的traffic_net.jpg和video_image.jpg适合当冒烟测试。每次改完预处理比如换了归一化参数先拿这几张图跑一遍看输出类别有没有突变。这招在调参时特别省时间——不用等完整验证集跑完几秒钟就能发现「归一化写错了」这种低级错误。5. 避坑与排查这份数据集最容易翻车的五个地方5.1 现象训练 loss 正常下降验证准确率卡在 25%原因四分类随机猜就是 25%说明模型没学到东西。最常见的是标签错位——ImageFolder按文件夹名排序生成标签而model_class.json的索引顺序可能不同。解决打印train_ds.class_to_idx和model_class.json逐项比对不一致就重命名文件夹或重写映射。5.2 现象OpenCV 读图返回 None报image is empty原因路径含中文、空格或图片实际是损坏的。解决统一用英文无空格路径读图后加assert img is not None批量检查用PIL.Image.open(f).verify()扫一遍。5.3 现象显存爆了报 CUDA out of memory原因batch_size太大或num_workers太多导致内存碎片。解决先把batch_size降到 16 或 8num_workers在 Windows 上设 0仍不够就把输入从 224 降到 128或者换resnet18这种轻量骨干。5.4 现象fire 类几乎全被预测成 accident原因火和事故在图像上高度相关燃烧的车既是火也是事故模型分不清。解决检查标注是否互斥训练时给 fire 加权增强里加随机遮挡逼模型关注火焰颜色和形态而不是整场景。5.5 现象验证集准确率很高实际视频里频繁误报原因4400 张图覆盖不了真实路口的全部光照和天气。解决把video_image.jpg这类真实帧加入验证或者自己抽帧补充困难样本别只看测试集数字要拿真实视频做回归。6. 进阶技巧把四分类模型改成事故检测触发器的三个动作第一个动作是「置信度阈值 滑动窗口」。交通监控不需要每帧都报警我一般设fire和accident的置信度阈值到 0.75连续 5 帧命中才触发能压掉大量单帧误报。第二个动作是「类别合并做二阶段」先用四分类筛出「非稀疏」再在子集上跑一个二分类事故 vs 正常这样第二阶段样本更聚焦小模型也能跑得动。第三个动作是「导出 ONNX 上边缘设备」torch.onnx.export之后用 onnxruntime 推理CPU 上单帧能压到几十毫秒适合没有 GPU 的现场盒子。import torch dummy torch.randn(1, 3, 224, 224).to(device) torch.onnx.export( model, dummy, traffic_net.onnx, input_names[input], output_names[logits], opset_version11, dynamic_axes{input: {0: batch}} )逻辑说明dynamic_axes让 batch 维度可变方便现场按帧数调整opset_version11兼容性较好。导出后用onnxruntime加载喂同样的归一化输入对比 PyTorch 和 ONNX 的输出差异超过 1e-3 就要查算子支持问题。验证方法上我习惯留一个「后悔药」每次训练完把权重、model_class.json、预处理参数一起打包存档命名带日期。因为交通场景的误报往往在换季、换摄像头后才暴露没有存档就没法复现当时的环境。从那以后我每次上线前都强制走一遍「示例图冒烟 验证集混淆矩阵 真实视频抽帧」三步少一步都不敢发版。希望帮到你。本文还有配套的精品资源点击获取