睡岗检测数据集的100张图样本筛选策略：代表性图片挑选的工程经验

100张图训练一个能上线的睡岗检测模型？这不是天方夜谭，而是一场关于“选图智慧”的工程实践。

写在前面

睡岗检测，一个看似简单却极度考验小样本训练能力的目标检测场景。100张图片，8：1：1划分，如何训练出一个能稳定上线的模型？答案藏在数据筛选策略里。

2026年7月，我在一个工厂安防项目中遇到了这个经典困境——客户只提供了100张监控截图，要求一周内上线睡岗检测模型。面对如此袖珍的数据集，传统思路是“放弃治疗”或“加钱买数据”，但一套精准的样本筛选策略 + YOLO11，让我在不到100轮训练中拿到了可用的模型。

这篇文章不讲虚的，直接上实战——从数据集的选图逻辑、8：1：1划分的底层考量，到YOLO11内置增强与自定义增强的协同配置，再到模型导出、边缘部署与安全合规，完整复盘这100张图片背后的工程化思考。

这不是一篇纯理论文章，而是一份来自一线项目的“踩坑实录”。

一、为什么是100张？——小样本训练的底层逻辑

1.1 业务现实：数据稀缺是常态

在工厂车间、值班室、监控中心等睡岗检测场景中，获取大量高质量标注数据远比想象中困难。原因有三：

• 隐私合规：监控视频涉及员工肖像权，大规模采集需要层层审批，很多企业根本不愿意配合。
• 标注成本：睡岗行为需要逐帧标注边界框，1