fall_sq_v20260805 — 模型、用法與逐鏡頭門檻

一、模型

取得與規格

https://pub-478929a98a5c440cb22c2241c0bde314.r2.dev/fall_sq_v20260805/best.pt
SHA 檔案大小 17,011,733 bytes

二、用法

完整推論流程

步驟

1. 人員偵測 —— 用 person_yolo26m_v20260715，imgsz=1280、conf=0.25。
   1280 是固定值，不可改成偵測器的訓練尺寸 —— 場域遠景的人很小，用 640 會漏。
2. 裁切 —— 每個人的框四邊各外擴 15%，超出畫面就截斷。
3. 縮放 —— 直接 resize 成 384 × 384，不要保持長寬比、不要補邊。
4. 正規化 —— ImageNet 標準值。
5. 推論 —— 過模型取單一 logit，再過 sigmoid 得到 0–1 的分數。
6. 判定 —— 分數 ≥ 該鏡頭的門檻即判為「倒地」。門檻見第三節，每支鏡頭不同。

參考實作

import torch, timm
import torchvision.transforms as T
from PIL import Image
from ultralytics import YOLO

det = YOLO("person_yolo26m_v20260715.pt")
ck  = torch.load("best.pt", map_location="cpu", weights_only=False)
IH, IW = ck["img_size"]                       # (384, 384)

class FallNet(torch.nn.Module):
    def __init__(s):
        super().__init__()
        s.backbone = timm.create_model(ck["backbone_name"], pretrained=False,
                                       num_classes=0, global_pool="avg")
        s.dropout  = torch.nn.Dropout(0.3)
        s.cls      = torch.nn.Linear(ck["feat_dim"], 1)
    def forward(s, x):
        return s.cls(s.dropout(s.backbone(x)))

m = FallNet(); m.load_state_dict(ck["model_state"]); m.eval().cuda()

tf = T.Compose([
    T.Resize((IH, IW)),                       # 不保持長寬比
    T.ToTensor(),
    T.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]),
])

PAD = 0.15
def detect_falls(img_path, thr):
    im = Image.open(img_path).convert("RGB"); W, H = im.size
    r  = det.predict(img_path, imgsz=1280, conf=0.25, verbose=False)[0]
    crops, boxes = [], []
    for b in (r.boxes.xyxy.cpu().numpy() if r.boxes is not None else []):
        x1, y1, x2, y2 = b[:4]; bw, bh = x2 - x1, y2 - y1
        if bw < 8 or bh < 8:                  # 太小的框直接丟掉
            continue
        crops.append(tf(im.crop((
            int(max(0, x1 - bw * PAD)), int(max(0, y1 - bh * PAD)),
            int(min(W, x2 + bw * PAD)), int(min(H, y2 + bh * PAD))))))
        boxes.append((x1, y1, x2, y2))
    if not crops:
        return []
    with torch.no_grad():
        p = torch.sigmoid(m(torch.stack(crops).cuda())).float().cpu().numpy()[:, 0]
    return [(bx, float(s)) for bx, s in zip(boxes, p) if s >= thr]

三、門檻

三種設定，依現場需求選一種

同一個模型，門檻不同會得到完全不同的行為。三種設定都附「抓到率 / 誤報率」， 數字是在該鏡頭的考試用資料上實測的，不是估的。

上面是全體的數字，實際請用下一節的逐鏡頭門檻。 每支鏡頭的視角、人流、光線都不同，統一套一個值會顯著變差。

四、逐鏡頭

18 支達到可用標準

判定標準：建議設定下抓到率 ≥ 95% 且誤報率 ≤ 3%， 且考試用樣本雙邊足夠（倒地 ≥ 10、沒倒地 ≥ 20）。

未達標 3 支

五、限制

已知會影響效果的條件

六、這一版怎麼來的

訓練與驗證

考試用資料這一輪從 2,396 筆擴充到 5,220 筆， 原本三支完全無法評估的鏡頭補到只剩測試樣本不足的問題， 21 支鏡頭現在全部都有實測數字。