085、安防监控行人属性检测：YOLO + 多属性分类 Head 的联合设计

085、安防监控行人属性检测：YOLO + 多属性分类 Head 的联合设计

一、从一次线上事故说起

去年秋天，某智慧园区项目上线第三天，凌晨两点报警系统疯狂触发——系统把穿红色雨衣的保洁阿姨识别成了“持械歹徒”。排查后发现，行人属性检测模块把“红色上衣”和“手持长条物体”两个属性同时误判了。更离谱的是，属性分类头输出的置信度居然都在0.85以上，模型对自己的错误判断非常“自信”。

这个bug让我意识到：在安防场景下，单纯把YOLO检测框和属性分类做成两个独立模型，或者简单地在检测头后面接一个全连接层做多标签分类，都会出大问题。前者延迟高、特征不共享，后者容易属性间相互干扰——比如“背包”和“挎包”同时激活，“男性”和“长发”打架。

二、多属性分类头的设计陷阱

先说说最直观的做法：在YOLOv8的检测头后面，接一个并行的分类分支，每个属性一个二分类输出。比如性别（男/女）、上衣颜色（红/蓝/黑/白…）、是否背包、是否戴帽、是否持物等。看起来简单，但实际调试时踩了三个坑。

坑一：属性间的不平衡。安防场景下，“男性”样本可能是“女性”的5倍，“不背包”样本是“背包”的10倍。如果直接对每个属性用BCE Loss，模型会倾向于预测多数类。我试过给每个属性单独设置正负样本权重，但调参调到头秃——因为不同属性之间的权重比例是动态变化的，比如白天女性多，晚上男性多。

坑二：属性间的相关性被忽略。“长发”和“女性”高度