YOLO11-C3k2-MambaOut在工地PPE检测中的实战解析

在工地上管安全，真的不能只靠人盯着。

我做工业视觉这块有些年头了，最头疼的往往不是算法精度上不去，而是甲方的一句话：“我们装了摄像头，但还是要靠人盯屏幕，眼睛都快瞎了也拦不住违规。” 这句话背后，其实就是全天候、自动化的工人个人防护装备（PPE）佩戴检测需求。安全帽、反光衣，这两样东西在石化、建筑、电力巡检现场，就是保命符。用传统的图像识别做，光照一变、姿态一换，误报能烦死人；用YOLOv8这类老模型，精度和速度的平衡总觉得差口气。

最近我把一个实际交付的项目做了模型升级，核心就是用YOLO11-C3k2-MambaOut 这套组合来解决 PPE 检测和违规识别。项目跑了一阵子，效果很稳。这篇文章不聊虚的，直接把我从需求拆解到落地部署、调参、踩坑的过程拿出来分享一下，尤其是C3k2和MambaOut这两个模块在真实场景里到底带来了什么，给大家一个参考。

1. 项目核心需求与整体设计思路

先别急着谈模型结构，搞工程的第一件事是把需求问透。这个项目的甲方是某大型在建园区的施工总包，他们提供固定机位摄像头的 RTSP 视频流，要求实时识别两类核心违规：未佩戴安全帽、未穿反光衣。听起来简单，但细化下去全是坑。

1.1 现场工况带来的三个硬指标

第一，距离远、目标小。摄像头装在杆子上，覆盖几十米范围，工人肩膀以上的像素可能只有几十个点，这就是典型的小目标场景。第二，视角刁钻，俯视角度下安全帽的纹理信息很少，容易和背景里的圆形物体混淆。第三，光照剧变，工地室外有太阳直射、逆光、阴影交替，反光衣的荧光色在不同光照下的颜色偏移非常大。

基于这些，我对模型的要求定得很明确：mAP@0.5 要过 95%，mAP@0.5:0.95 要过 80%，单张 640x640 推理时间不超过 20ms（GPU），同时模型参数量不能太大，方便后续部署到现场的边缘盒子。这三个指标同时满足，其实不太容易。

1.2 为什么这次选了YOLO11而不是其他方案

之前我也试过两阶段的检测器，精度是高，但速度在边缘设备上跑不动。也试过YOLOv8，整体不错，但在小目标召回率上有些平庸。YOLO11出来以后，第一眼看到 C3k2 结构时，我就意识到它在保持轻量化的同时，对特征融合的利用率比 C2f 高不少。再加上我一直在关注Vision Mamba 这条技术路线，看到有团队把 MambaOut 模块塞进YOLO里做性能增强，这种组合很对我胃口——既有传统CNN的稳健，又有新结构对长距离特征的抓取能力。

整个方案从架构上分为三块：视频流接入与管理模块（负责 RTSP 拉流、断线重连、抽帧）、核心检测模型（YOLO11-C3k2-MambaOut，负责框出人、安全帽、反光衣）、违规判定逻辑模块（基于检测框做 IoU 匹配与逻辑规则判断）。

方案选型的核心逻辑，是解决“稳定”二字。工地上网络波动大，摄像头码率不稳，模型再强，输入流断了也是白搭。这个后面部署部分细说。

2. 核心模型拆解：C3k2与MambaOut模块在检测任务中的实战意义

好多朋友问我，YOLO11 不是已经有 C3k2 了吗，你再加个 MambaOut 进去，是不是为了蹭热度？还真不是。原因下面细说。

2.1 C3k2结构解决了PPE检测的什么问题

C3k2 是 YOLO11 在 backbone 和 neck 部分替换掉 C2f 的关键模块。它的核心变化，是把原来 C2f 中复杂的多分支结构收敛了一下，同时利用类似 C3k 的 kernel size（比如 3x3）卷积来提取特征。

在 PPE 场景里，C3k2 带来的直观感受是特征的错位信息更敏感。安全帽的特征是顶部反光曲面加上帽檐的直线边缘，这些特征在高维空间里的组合非常微妙。C3k2 通过深度可分离卷积对高维特征做更充分的交互，让模型在拟合时更容易捕捉到帽檐与外轮廓的强边界，顺带减少了一些参数冗余。

另一个关键是，C3k2 中卷积核尺寸的选择和感受野有关。我们最终在 backbone 用到的是 C3k2，在 neck 部分用了 C3k2-Faster 这种变体。Faster 版本引入了一种部分卷积的设计，把计算成本压低，但保持了多尺度特征的流动性。对于反光衣这种常常只有局部出现在画面里的目标，neck 层的特征传递质量直接影响召回率。

2.2 MambaOut模块是不是噱头？它到底在加什么能力

很多人看到 MambaOut 以为是把状态空间模型（SSM）硬搬进来。其实 MambaOut 的思路更巧妙：它把 Mamba 这种结构拆解为堆叠的 MLP 与残差连接，验证了单纯的“Out”部分（即无状态空间约束的 MLP 路径）在大规模视觉任务上也能work。

放到我们这个项目里，效果是实打实的。原本的网络在遇到人和脚手架混在一起、反光衣被钢管遮挡一部分的场景时，会因为局部特征不完整而漏检。MambaOut模块通过扩大感受野和强化远程依赖建模，让模型在决策时能捕捉到更广阔的上下文。

实操反馈就是：漏检率下降了不少，尤其是那种“半个身子被遮挡，只露出一个衣角”的工人，模型能根据周边人体关键点特征判断出这是个人且穿着反光衣。这种对上下文的利用，属于隐式的注意力机制，工程上非常好用。

2.3 模块集成之后的实际结构变化

我们在 YOLO11m 的基础上做了结构上的微调，其中最关键的是在骨干网络的第4层（最大特征分辨率较小的那一层）后叠加了一个轻量化的 MambaOut 模块，同时在检测头之前的 neck 部分引入了瓶颈注意力模块。

这里要特别提一个配置细节：C3k2 的 shortcut 连接和正则化。工地的视频流清晰度参差不齐，网络一旦深了，梯度流容易出问题。C3k2 的残差结构能解决梯度传递，但要注意在 MambaOut 模块中控制 dropout，我设置的是 0，防止过拟合的同时也保证推理阶段的确定性。

3. 数据集构建与标注细节：这是整个项目里最花时间的部分

如果只拿公开数据集来训，部署到现场十有八九会翻车。PPE检测的数据集市面上是有开源的，比如 SHWD 安全帽数据集，但那些数据普遍背景干净、视角单一。真实工地的场景多样性，必须靠自采数据来补。

3.1 数据采集策略与标注规范

我们花了两周时间，从现场 12 个摄像头截取了不同时间段（早晚低照度、正午强光、阴天）、不同天气（小雨、雾霾）的样本，一共筛选出 2.3 万张有效图片。标注类别设了 3 个：person、helmet、vest。这里有一个关键决定：没有单独设“未戴安全帽”这个类别，而是靠检测出 person 后与 helmet 做匹配来判定违规。

这么做的原因是，未戴安全帽是一个否定的状态，如果用单独的类去训练，模型很难学；而用正样本类去做逻辑判断，准确率和可解释性都更高。标注格式用的 YOLO 标准 txt 格式。

标注时要注意细节，不然模型会学歪：

• 被遮挡的目标一定要标注，哪怕只有一点点头部露出，也要画出框来。
• 像素极小的目标，比如 20 米外的背影，必须标出来。模型见多了，才知道小尺度长什么样。
• 反光衣的反光条不要单独标注，整体按 vest 区域框住即可。

3.2 数据增强与类别均衡处理

现场正样本（有戴帽、有穿反光衣）远远多于负样本（没戴帽），如果不做处理，模型会变得非常“保守”，倾向于把啥都预测成正样本，导致漏报安全隐患。我用的策略是：

• YOLO 自带的 Mosaic 增强，搞到每次迭代的最后一轮的 5% 关闭，防止过度增强导致语义漂移。
• 混合使用随机透视变换和 HSV 扰动，重点调高了 S（饱和度）的幅度，模拟雨天和阳光的色偏。
• 针对负样本不足的问题，我们从公开数据里裁剪出大量单独的“人”区域，合成到工地背景图中，相当于人工造违规样本。

最终训练集 2.1 万张，验证集 2000 张，测试集 2000 张，类别分布基本达到 1:1:1（person:helmet:vest）。

3.3 标注质量把关

标注这活最怕团队不统一。我定了一个坐标系的硬性规则：所有框必须贴边，即使用户只露出一只胳膊，框也要从胳膊的外缘画起，不能留白太多。因为MambaOut这类模块对特征的全局上下文很敏感，框与框之间的 IoU 噪声会直接影响正样本的分配质量，所以在这步多花点时间校验是很有价值的。

4. 模型训练细节与性能优化实录

进入训练阶段，反复调参是不可避免的。这里记录的是最终稳定下来的配置和中间踩过的坑。

4.1 训练超参数详解

用 2 张 GPU 并行训练，模型结构文件在 ultralytics/ultralytics/cfg/models/11/yolo11m.yaml 基础上修改。重点参数配置如下：

训练到第 200 轮左右时，我对比了三个版本的 backbone：原版 YOLO11m、只换 C3k2 不改 MambaOut、加上 MambaOut。直接列结果：

MambaOut 给精度带来约 1.5 个点的提升，推理时间多 3ms，这个代价在可接受范围内。最终模型 21.7M 的参数量放到边缘设备里，跑 30 FPS 没问题。

4.2 训练中的两个关键观察点

第一个是损失函数曲线的抖动。在 80 到 120 轮之间，box loss 出现过阶梯式下降，我开始以为是数据里有脏标注，排查后发现是因为 MambaOut 的 MLP 层在训练中后期激活模式发生了变化，导致梯度的分布陡变。解决办法是给 MambaOut 那一层单独加了梯度裁剪，设置 max_norm=0.8，曲线立马顺滑了。

第二个是小目标漏检的专项调优。光靠调主网络不够，我把检测头的输出尺寸做了调整，专门增加了一个针对小目标的预测头（P2 特征层），并从 neck 输出位置接了一个额外的 4 倍下采样分支。为了保持推理速度，只在部署时启用这个分支。

5. 违规识别逻辑与边缘端部署实战

模型训出来只是第一步，把它做成一个真正能产生安全价值的系统才是重点。

5.1 核心违规判定：从检测框到告警

模型输出的只是三类 Bbox，怎么判断是“违规”？我的逻辑遵照一个简单规则：

未佩戴安全帽 = 存在未与任何 helmet 框 IoU 匹配成功的 person 框

匹配规则是 IoU 大于 0.3 且 person 框的中心点落在 helmet 框的顶部或内部。这里有个陷阱：如果工人弯腰，头盔可能不在头顶，IoU 会变成 0。所以我在逻辑里加了基于人体关键点信息的前置判断：如果 person 框的头部位置（框的上部三分一区域）出现了遮拦物，就先不算违规，等姿势恢复后再判断。

未穿反光衣的判定就更直接了，只需要看 person 框与 vest 框的 IoU（阈值设在0.2）以及 vest 框中心点是否落在 person 框的区域中下部。

5.2 工程化部署：RTSP流处理与断线重连机制

现场接 16 路 RTSP 流，我用了多线程处理。这里要提醒：不要每个摄像头单独起一个火焰模型的进程，内存容易爆，我采用了一个共享 CUDA context 的并发推理方案，跑在带 8G 显存的嵌入式 GPU 上。

具体流程就是：拉流线程将帧放入环形队列 → 检测线程批量推理 → 后处理线程做上述违规逻辑判定 → 告警线程抓图并上报。中断自动拉起重连这一块也很关键，采用指数退避策略，并丢掉积压的帧防止延迟无限增大。

对过曝、极暗的环境，我在入口处做了自适应直方图均衡化，实测下来保证了夜间低照度下的召回率不低于 90%。

5.3 模型转换与加速

模型跑 PyTorch 原生还是慢。最后我导出为 ONNX，再用 TensorRT 加速。TensorRT 的 int8 量化在这个任务上踩了坑：安全帽的圆形边缘在 int8 下掉点严重，mAP 直接掉了 1.2%，最后退回来用 16 精度保存，速度依然比 PyTorch 快 2.3 倍，且精度无损。

若你们部署环境是英伟达 Jetson 系列，建议直接用 TensorRT 的 trtexec 工具转换，并记得开启动态 shape，方便处理不同分辨率的输入。

6. 常见问题与排查技巧：现场运行中的七大坑

这里把现场实施中遇到的真实问题和排查思路整理成速查表，希望能帮大家少走两周弯路。

6.1 调试中的经验补充分享

上面表格里有几条是常规文档里找不到的，展开多说一点。

关于重复告警：工地安全员最烦的就是同一问题刷屏，这种情况下他们对系统的信任度会直线下降。我用的方法很老但有效，给每个 track ID 设置一个“违规状态位”，只有当状态位从 false 变成 true 时才发告警；持续违规期间，每隔 5 分钟再报一次。这样既不会漏掉持续性隐患，也不会制造信息垃圾。

关于模型鲁棒性：最终版本我坚持使用了三个不同天气（晴天、阴天、雨天）采集的混合数据集训练出的一个统一模型，而不是分开训练再切换。统一模型的泛化力更好，而且部署时少了一层动态切换逻辑，简单可靠。

再有就是现场标注的持续采集：我建立了一个小闭环，安全员对系统的误报/漏报图片会随手打标回流，每月做一次增量训练。这个机制运行久了，模型对现场环境的适应力就越来越强，基本告别了环境变化导致的精度衰减。

7. 最后谈谈这套方案的边界与可扩展方向

这套 YOLO11-C3k2-MambaOut 组合，在 PPE 检测上确实打出了效果，但我得客观说一句：它并非万能。如果场景里工人密集到互相严重遮挡，或者有夜间无补光的情况，单靠视觉方案依然会力不从心，需要融合雷达或红外传感做多模态方案兜底。另外，当前方案只能感知“佩戴状态”，还不能完全判断“佩戴是否规范”，比如帽子歪到后脑勺、反光衣敞开不拉拉链，这类细节角度需要更细粒度的姿态估计模型来补足。

如果是想把这套东西往更深处扩展，我个人觉得有两个方向值得尝试。一个是把检测结果对接现场的智能广播系统，一旦发现违规，立刻在作业区域定向播报语音提醒，把“事后取证”变成“事中干预”。另一个是把违规记录与人员实名制闸机做联动，构建每天的安全积分体系，从管理层面倒逼工人养成习惯。

我把这套方案里的模型文件、训练日志和推理脚本整理了一下，已经放到了我的资源库里，需要的朋友直接拿走。后续我会针对 MambaOut 模块的结构细节单独写一篇解析，包括怎么调整 hidden_dim 和 depth 来适配更苛刻的边缘设备，以及如何使用知识蒸馏把 21M 参数的模型再压到 10M 以内，感兴趣的话可以持续留意。