单目3D初始代码

tools/scripts_for_gt/profiling/DATASET_ANALYSIS.md

@@ -0,0 +1,765 @@
+# YOLOv5-3D 训练数据集分析报告
+
+## 1. 数据集概览
+
+### 基本信息
+- **数据集划分**: 训练集 (train)
+- **总图像数**: 2,638,689 张
+- **总标注对象数**: 127,878,960 个
+- **平均每张图像对象数**: 48.5 个
+- **标签完整性**: 100% (无缺失标签)
+
+### 标注格式分布
+| 格式维度 | 对象数量 | 占比 |
+|---------|---------|------|
+| 6维格式 | 89,994,340 | 70.4% |
+| 50维格式 | 22,070,252 | 17.3% |
+| 18维格式 | 15,814,368 | 12.4% |
+
+---
+
+## 2. 类别分布与统计
+
+### 2.1 整体类别分布
+
+| 类别 | 对象数量 | 占比 | 3D标注数量 | 深度标注率 |
+|-----|---------|------|-----------|-----------|
+| vehicle (车辆) | 35,607,807 | 27.8% | 22,070,252 | 62.0% |
+| bicycle (自行车) | 10,658,936 | 8.3% | 6,368,673 | 59.8% |
+| pedestrian (行人) | 8,086,704 | 6.3% | 3,955,590 | 48.9% |
+| rider (骑行者) | 6,653,675 | 5.2% | 5,490,105 | 82.5% |
+| head (人头) | 14,610,038 | 11.4% | - | 0% |
+| wheel (车轮) | 12,895,577 | 10.1% | - | 0% |
+| plate (车牌) | 9,939,105 | 7.8% | - | 0% |
+| roadblock (路障) | 8,058,184 | 6.3% | - | 0% |
+| guideboard (指示牌) | 6,457,611 | 5.0% | - | 0% |
+| tl_border (交通灯边框) | 5,645,436 | 4.4% | - | 0% |
+| tsr (交通标志) | 4,957,683 | 3.9% | - | 0% |
+| tl_wick (交通灯灯芯) | 3,611,666 | 2.8% | - | 0% |
+| tl_num (交通灯数字) | 696,538 | 0.5% | - | 0% |
+
+**关键发现**:
+- 数据集包含13个类别，覆盖自动驾驶场景的主要元素
+- 仅4个类别有3D标注（vehicle, bicycle, pedestrian, rider）
+- 车辆类别数据量最大，占比接近28%
+- 辅助类别（head, wheel, plate）占比约30%
+
+---
+
+## 3. 目标密度分析
+
+### 3.1 每张图像对象密度
+
+| 统计量 | 对象数/图 | 类别数/图 |
+|-------|----------|----------|
+| 均值 | 48.5 | 7.9 |
+| 标准差 | 30.0 | 2.8 |
+| 最小值 | 1 | 1 |
+| 5%分位 | 8 | 3 |
+| 25%分位 | 25 | 6 |
+| 中位数 | 45 | 8 |
+| 75%分位 | 66 | 10 |
+| 95%分位 | 103 | 12 |
+| 最大值 | 252 | 13 |
+
+**分析**:
+- 图像平均包含48.5个对象，显示场景复杂度较高
+- 中位数45个对象，说明数据分布较为均衡
+- 最密集图像包含252个对象，对检测算法提出挑战
+- 平均每张图像包含8个类别，场景多样性好
+
+---
+
+## 4. 2D边界框特征分析
+
+### 4.1 主要交通参与者BBox统计
+
+#### Vehicle (车辆)
+| 维度 | 宽度(px) | 高度(px) | 面积(px²) | 长宽比 |
+|-----|---------|---------|----------|-------|
+| 均值 | 85.4 | 73.2 | 16,238 | 1.41 |
+| 中位数 | 46 | 36 | 1,584 | 1.24 |
+| 5%-95%范围 | 10-318 | 8-295 | 98-90,168 | 0.56-2.83 |
+
+#### Pedestrian (行人)
+| 维度 | 宽度(px) | 高度(px) | 面积(px²) | 长宽比 |
+|-----|---------|---------|----------|-------|
+| 均值 | 25.0 | 70.1 | 3,434 | 0.44 |
+| 中位数 | 18 | 45 | 799 | 0.38 |
+| 5%-95%范围 | 8-64 | 16-216 | 144-12,792 | 0.21-0.80 |
+
+#### Bicycle (自行车)
+| 维度 | 宽度(px) | 高度(px) | 面积(px²) | 长宽比 |
+|-----|---------|---------|----------|-------|
+| 均值 | 58.4 | 77.3 | 7,135 | 0.82 |
+| 中位数 | 42 | 57 | 2,408 | 0.79 |
+| 5%-95%范围 | 16-161 | 20-222 | 357-33,600 | 0.39-1.36 |
+
+#### Rider (骑行者)
+| 维度 | 宽度(px) | 高度(px) | 面积(px²) | 长宽比 |
+|-----|---------|---------|----------|-------|
+| 均值 | 45.5 | 87.2 | 7,560 | 0.55 |
+| 中位数 | 30 | 56 | 1,680 | 0.49 |
+| 5%-95%范围 | 9-135 | 18-276 | 162-36,140 | 0.34-0.94 |
+
+**关键观察**:
+- 车辆BBox尺寸变化最大（标准差109.7px），反映远近距离差异
+- 行人长宽比约0.44，符合竖直站立特征
+- 自行车长宽比接近1，呈方形分布
+- 骑行者BBox比单独行人更大，符合"人+车"组合特征
+
+### 4.2 辅助检测目标BBox统计
+
+#### Head (人头)
+- 平均尺寸: 12×15 px
+- 中位数面积: 96 px²
+- 长宽比: 0.84 (接近圆形)
+
+#### Wheel (车轮)
+- 平均尺寸: 20×52 px
+- 长宽比: 0.42 (竖直椭圆)
+- 特点: 高度明显大于宽度
+
+#### Plate (车牌)
+- 平均尺寸: 28×13 px
+- 长宽比: 2.25 (横向矩形)
+- 特点: 典型的车牌横向特征
+
+---
+
+## 5. 3D标注深度分析
+
+### 5.1 深度分布统计
+
+#### Vehicle (车辆) - 22,070,252个3D标注
+| 深度范围 | 对象数量 | 占比 |
+|---------|---------|------|
+| 0-10m | 2,666,042 | 12.1% |
+| 10-20m | 3,437,999 | 15.6% |
+| 20-30m | 3,158,252 | 14.3% |
+| 30-50m | 5,195,185 | 23.5% |
+| 50-80m | 4,885,009 | 22.1% |
+| 80-120m | 2,720,248 | 12.3% |
+| >120m | 7,517 | 0.03% |
+
+- **平均深度**: 41.8m
+- **中位深度**: 36.1m
+- **95%分位**: 97.6m
+- **深度范围**: -8.5m ~ 128.9m
+
+#### Pedestrian (行人) - 3,955,590个3D标注
+| 深度范围 | 对象数量 | 占比 |
+|---------|---------|------|
+| 0-10m | 626,552 | 15.8% |
+| 10-20m | 1,024,844 | 25.9% |
+| 20-30m | 787,225 | 19.9% |
+| 30-50m | 955,993 | 24.2% |
+| 50-80m | 491,938 | 12.4% |
+| 80-120m | 69,038 | 1.7% |
+| >120m | 0 | 0% |
+
+- **平均深度**: 28.3m
+- **中位深度**: 23.7m
+- **最大深度**: 119.9m
+
+#### Bicycle (自行车) - 6,368,673个3D标注
+| 深度范围 | 对象数量 | 占比 |
+|---------|---------|------|
+| 0-10m | 1,343,418 | 21.1% |
+| 10-20m | 1,841,284 | 28.9% |
+| 20-30m | 1,363,130 | 21.4% |
+| 30-50m | 1,247,522 | 19.6% |
+| 50-80m | 521,347 | 8.2% |
+| 80-120m | 51,972 | 0.8% |
+
+- **平均深度**: 24.1m
+- **中位深度**: 20.0m
+
+#### Rider (骑行者) - 5,490,105个3D标注
+| 深度范围 | 对象数量 | 占比 |
+|---------|---------|------|
+| 0-10m | 776,346 | 14.1% |
+| 10-20m | 1,145,211 | 20.9% |
+| 20-30m | 896,225 | 16.3% |
+| 30-50m | 1,349,814 | 24.6% |
+| 50-80m | 990,871 | 18.0% |
+| 80-120m | 331,515 | 6.0% |
+| >120m | 123 | 0.002% |
+
+- **平均深度**: 34.6m
+- **中位深度**: 29.1m
+
+**深度分布特点**:
+- 车辆检测距离最远（均值41.8m），适合高速场景
+- 行人和自行车主要分布在近距离（<30m占比>60%）
+- 骑行者深度分布介于车辆和行人之间
+- 30-50m是所有类别的关键检测范围
+
+---
+
+## 6. 3D物体尺寸分析
+
+### 6.1 真实世界物理尺寸（米）
+
+#### Vehicle (车辆)
+| 维度 | 长度(m) | 高度(m) | 宽度(m) |
+|-----|--------|--------|--------|
+| 均值 | 4.89 | 1.82 | 1.99 |
+| 中位数 | 4.40 | 1.63 | 1.93 |
+| 5%-95%范围 | 4.11-8.52 | 1.50-3.29 | 1.81-2.75 |
+
+**分析**: 
+- 中位长度4.40m，符合轿车尺寸
+- 高度1.63m，典型轿车/SUV高度
+- 长度95%分位8.52m，包含货车/客车
+
+#### Pedestrian (行人)
+| 维度 | 长度(m) | 高度(m) | 宽度(m) |
+|-----|--------|--------|--------|
+| 均值 | 0.63 | 1.67 | 0.66 |
+| 中位数 | 0.62 | 1.68 | 0.65 |
+| 标准差 | 0.03 | 0.05 | 0.04 |
+
+**分析**: 
+- 高度1.67m，符合成人平均身高
+- 尺寸标准差极小，标注一致性好
+
+#### Bicycle (自行车)
+| 维度 | 长度(m) | 高度(m) | 宽度(m) |
+|-----|--------|--------|--------|
+| 均值 | 1.60 | 1.20 | 0.66 |
+| 中位数 | 1.59 | 1.18 | 0.65 |
+
+**分析**: 
+- 长度1.60m，典型自行车尺寸
+- 宽度0.66m，标准车把宽度
+
+#### Rider (骑行者)
+| 维度 | 长度(m) | 高度(m) | 宽度(m) |
+|-----|--------|--------|--------|
+| 均值 | 1.74 | 1.57 | 0.83 |
+| 中位数 | 1.73 | 1.58 | 0.83 |
+
+**分析**: 
+- 比自行车更高（1.57m vs 1.20m）
+- 宽度更大（0.83m vs 0.66m），包含人体
+
+---
+
+## 7. 姿态与朝向分析
+
+### 7.1 航向角（rot_y）分布
+
+| 类别 | 均值(rad) | 标准差 | 中位数 |
+|-----|----------|-------|-------|
+| Vehicle | -0.34 | 1.69 | -1.49 |
+| Pedestrian | -0.07 | 1.79 | -0.11 |
+| Bicycle | -0.16 | 2.10 | -0.03 |
+| Rider | -0.34 | 1.69 | -1.39 |
+
+**解读**:
+- 所有类别均值接近0，朝向分布较为均衡
+- 标准差较大(~1.7-2.1)，覆盖各个方向
+- 车辆和骑行者中位数-1.4rad，可能反映主要交通流向
+
+### 7.2 观测角（alpha）分布
+
+| 类别 | 均值(rad) | 标准差 | 中位数 |
+|-----|----------|-------|-------|
+| Vehicle | -0.30 | 1.76 | -1.24 |
+| Pedestrian | -0.10 | 1.77 | -0.30 |
+| Bicycle | 0.37 | 1.96 | 0.44 |
+| Rider | -0.28 | 1.81 | -1.29 |
+
+### 7.3 横向位置（lateral_x3d）分布
+
+| 类别 | 均值(m) | 标准差(m) | 中位数(m) |
+|-----|--------|----------|----------|
+| Vehicle | -2.56 | 13.21 | -2.56 |
+| Pedestrian | 0.10 | 12.35 | 3.11 |
+| Bicycle | 0.08 | 11.66 | 2.80 |
+| Rider | -0.87 | 11.47 | 0.78 |
+
+**分析**:
+- 车辆中位数-2.56m，偏向左侧（可能为对向车道）
+- 行人和自行车中位数为正，偏向右侧（路边）
+- 标准差10-13m，横向分布较广
+
+---
+
+## 8. 车辆面可见性分析
+
+### 8.1 面可见性统计（仅车辆类别）
+
+| 面向 | 可见率 | 平均分数 | 中位分数 |
+|-----|-------|---------|---------|
+| 前面 (front) | 93.2% | 0.318 | 0.000 |
+| 后面 (rear) | 90.8% | 0.510 | 0.698 |
+| 左侧 (left) | 68.1% | 0.241 | 0.145 |
+| 右侧 (right) | 68.1% | 0.148 | 0.000 |
+
+**关键发现**:
+- 前后面可见率>90%，侧面可见率~68%
+- 后面平均得分最高（0.510），可能因尾灯、车牌更易识别
+- 右侧得分最低（0.148），可能受摄像头安装位置影响
+- 中位分数显示: 后面>左侧>前面≈右侧
+
+---
+
+## 9. 数据质量评估
+
+### 9.1 Cut类型分布
+
+| 类型 | 对象数量 | 占比 |
+|-----|---------|------|
+| noncut (完整) | 20,252,105 | 91.6% |
+| cut_in (切入) | 1,175,262 | 5.3% |
+| cut_out (切出) | 642,885 | 2.9% |
+
+**总计**: 22,070,252个有3D标注的对象
+
+### 9.2 数据质量问题
+
+| 问题类型 | 数量 | 占比 |
+|---------|-----|------|
+| 缺失3D标注 | 23,122,502 | 18.1% |
+| 深度≤0（无效） | 19,236 | 0.02% |
+| 深度>200m（异常） | 0 | 0% |
+| BBox<8px（过小） | 21,474,341 | 16.8% |
+
+**质量评估**:
+- ✅ **优秀**: 无超远距离异常值（>200m）
+- ✅ **良好**: 负深度值极少（19,236个，0.02%）
+- ⚠️ **注意**: 18.1%对象缺失3D标注（主要为辅助类别）
+- ⚠️ **注意**: 16.8%对象BBox过小（<8px），可能影响训练
+
+---
+
+## 10. 数据集特点总结
+
+### 10.1 优势
+1. **数据规模大**: 260万+图像，1.28亿+标注对象
+2. **场景复杂**: 平均每图48.5个对象，涵盖13个类别
+3. **标注完整**: 100%图像有标签，无缺失
+4. **深度覆盖广**: 车辆0-120m全范围覆盖
+5. **3D一致性好**: 物体尺寸标准差小，标注质量高
+6. **朝向分布均衡**: 各个方向角度覆盖完整
+
+### 10.2 局限性
+1. **3D标注不全**: 仅4/13类别有3D标注
+2. **小目标多**: 16.8%的BBox<8px，可能影响检测精度
+3. **类别不平衡**: 车辆占28%，某些类别<1%
+4. **切边对象**: 8.2%的对象存在cut_in/cut_out情况
+
+### 10.3 应用建议
+
+#### 模型训练
+- **多尺度训练**: 应对10px-1900px的尺寸变化
+- **深度分段策略**: 
+  - 近距离(<30m): 重点优化精度
+  - 中距离(30-80m): 平衡精度与召回
+  - 远距离(>80m): 提升召回率
+- **数据增强**: 针对小目标(<8px)加强
+- **类别平衡**: 对低频类别采用重采样
+
+#### 评估指标
+- 按深度分段评估AP
+- 按对象尺寸分段评估
+- 重点关注30-50m范围性能
+
+#### 特殊处理
+- Cut对象（8.2%）: 建立专门评估集
+- 遮挡处理: 利用面可见性分数
+- 小目标: 考虑FPN或多尺度融合
+
+---
+
+## 11. 数据集扩充建议
+
+基于当前数据集的统计分析，针对模型性能提升和场景覆盖完整性，提出以下数据扩充建议：
+
+### 11.1 类别均衡优化
+
+#### 🎯 优先级1：低频类别数据增强
+
+当前类别分布极不均衡，建议扩充以下低频类别：
+
+| 类别 | 当前数量 | 占比 | 建议目标 | 扩充倍数 |
+|-----|---------|------|---------|---------|
+| tl_num (交通灯数字) | 696,538 | 0.5% | 2,000,000+ | 3x |
+| tl_wick (交通灯灯芯) | 3,611,666 | 2.8% | 6,000,000+ | 1.7x |
+| tsr (交通标志) | 4,957,683 | 3.9% | 8,000,000+ | 1.6x |
+| guideboard (指示牌) | 6,457,611 | 5.0% | 10,000,000+ | 1.5x |
+
+**扩充策略**：
+- 专门收集城市路口、高速公路、园区等交通信号设施密集场景
+- 增加夜间、雨天等特殊光照条件下的交通灯数据
+- 补充不同类型交通标志（限速、禁令、警告等）
+- 采集不同语言、格式的指示牌样本
+
+#### 🎯 优先级2：次要类别定向采集
+
+| 类别 | 当前数量 | 建议扩充场景 |
+|-----|---------|------------|
+| tl_border | 5,645,436 | 复杂路口、多车道场景 |
+| roadblock | 8,058,184 | 施工区域、临时路障、交通管制 |
+| head | 14,610,038 | 密集人群、学校区域、商圈 |
+| wheel | 12,895,577 | 大型车辆（货车、客车）轮胎 |
+| plate | 9,939,105 | 不同国家/地区车牌样式 |
+
+### 11.2 3D标注扩充计划
+
+#### 🎯 优先级1：当前有3D标注类别的深度补充
+
+**Vehicle (车辆)**
+```
+当前问题：
+- 超近距离(<5m): 仅占3.6% → 建议扩充到10%
+- 超远距离(>80m): 仅占12.3% → 建议特别关注80-120m范围
+
+扩充场景：
+✓ 停车场近距离场景（1-5m）
+✓ 高速公路远距离场景（80-150m）
+✓ 大型车辆（货车、客车、工程车）
+✓ 特殊车辆（摩托车、三轮车、农用车）
+```
+
+**Pedestrian (行人)**
+```
+当前问题：
+- 深度>80m的行人仅69,038个（1.7%）
+- 缺少远距离、小尺寸行人样本
+
+扩充场景：
+✓ 远距离行人（50-100m）
+✓ 特殊姿态（蹲、躺、骑）
+✓ 不同年龄段（儿童、老人）
+✓ 携带大型物品的行人
+```
+
+**Bicycle & Rider (自行车与骑行者)**
+```
+当前问题：
+- 深度>50m样本较少（bicycle: 8.2%, rider: 24.0%）
+- Rider的3D标注率82.5%，但Bicycle仅59.8%
+
+扩充需求：
+✓ 平衡Bicycle和Rider的3D标注率
+✓ 增加电动车、滑板车等新型交通工具
+✓ 补充远距离骑行样本
+```
+
+#### 🎯 优先级2：新类别3D标注添加
+
+建议为以下类别补充3D标注（按优先级排序）：
+
+1. **roadblock (路障)** - 8,058,184个对象
+   - 重要性：影响路径规划和避障决策
+   - 3D信息需求：位置、高度、宽度
+   - 建议标注率：50%以上
+
+2. **guideboard (指示牌)** - 6,457,611个对象
+   - 重要性：导航和车道保持
+   - 3D信息需求：位置、朝向、高度
+   - 建议标注率：30%以上
+
+3. **tsr (交通标志)** - 4,957,683个对象
+   - 重要性：合规驾驶决策
+   - 3D信息需求：距离、位置
+   - 建议标注率：40%以上
+
+### 11.3 深度分布优化
+
+#### 各类别深度扩充建议
+
+```
+Vehicle:
+├─ 0-10m:   12.1% → 目标15% (+77.8万样本)
+├─ 10-20m:  15.6% → ✓ 已充足
+├─ 20-30m:  14.3% → ✓ 已充足
+├─ 30-50m:  23.5% → ✓ 已充足（主要区域）
+├─ 50-80m:  22.1% → ✓ 已充足
+└─ 80-120m: 12.3% → 目标15% (+63.1万样本)
+
+Pedestrian:
+├─ 0-10m:   15.8% → ✓ 已充足
+├─ 10-20m:  25.9% → ✓ 已充足（主要区域）
+├─ 20-30m:  19.9% → ✓ 已充足
+├─ 30-50m:  24.2% → ✓ 已充足
+└─ 50-80m:  12.4% → 目标18% (+21.8万样本）
+    80-120m: 1.7%  → 目标5%  (+13.1万样本）
+
+Bicycle:
+├─ 0-10m:   21.1% → ✓ 已充足
+├─ 10-20m:  28.9% → ✓ 已充足（主要区域）
+└─ 50-120m:  9.0% → 目标15% (+38.2万样本）
+
+Rider:
+├─ 各区域分布相对均衡 ✓
+└─ 建议维持当前分布比例
+```
+
+### 11.4 小目标问题解决方案
+
+**当前情况**：21,474,341个对象（16.8%）的BBox面积<8px
+
+#### 策略A：高分辨率数据采集
+- 当前可能分辨率：1920×1080或更低
+- 建议扩充：2K (2560×1440) 或 4K (3840×2160)
+- 目标：将<8px占比降至10%以下
+
+#### 策略B：近距离场景补充
+```
+重点采集场景：
+✓ 停车场近距离场景（1-5m）
+✓ 低速城区道路（<40km/h）
+✓ 拥堵路况（车辆密集，近距离）
+✓ 人行道近距离行人
+```
+
+#### 策略C：数据增强策略
+```python
+针对小目标的训练增强：
+- Copy-Paste小目标增强
+- Mosaic数据增强倾斜（更多小目标）
+- 多尺度训练权重调整
+- FPN/PANET特征融合优化
+```
+
+### 11.5 场景标签补充建议
+
+#### 建议添加的场景元数据标签
+
+**1. 天气条件** (当前缺失)
+```yaml
+weather:
+  - sunny: 晴天
+  - cloudy: 多云
+  - rainy: 雨天 (小雨/中雨/大雨)
+  - foggy: 雾天
+  - snowy: 雪天
+  
+优先扩充：
+  - 雨天数据（建议占比20-30%）
+  - 雾天数据（建议占比5-10%）
+  - 夜间降雨组合场景
+```
+
+**2. 光照条件** (当前缺失)
+```yaml
+lighting:
+  - daytime: 白天
+    - morning: 早晨 (6:00-10:00)
+    - noon: 中午 (10:00-16:00)
+    - afternoon: 下午 (16:00-19:00)
+  - nighttime: 夜间
+    - dusk: 黄昏 (19:00-21:00)
+    - night: 深夜 (21:00-6:00)
+  - tunnel: 隧道
+  
+优先扩充：
+  - 夜间数据（建议占比30-40%）
+  - 黄昏/黎明过渡时段（建议占比10%）
+  - 隧道进出场景（建议占比5%）
+```
+
+**3. 道路类型** (当前缺失)
+```yaml
+road_type:
+  - highway: 高速公路
+  - urban_road: 城市道路
+  - suburb_road: 郊区道路
+  - parking_lot: 停车场
+  - residential: 住宅区
+  - industrial: 工业区
+  
+优先扩充：
+  - 停车场场景（近距离、多角度）
+  - 住宅区（复杂交通参与者）
+  - 高速公路（高速、远距离）
+```
+
+**4. 交通密度** (当前缺失)
+```yaml
+traffic_density:
+  - sparse: 稀疏 (<10 objects/image)
+  - medium: 中等 (10-50 objects/image)
+  - dense: 密集 (50-100 objects/image)
+  - jam: 拥堵 (>100 objects/image)
+
+当前分布：
+  - sparse: ~5%分位 (8 objects)
+  - medium: 25-75分位 (25-66 objects)
+  - dense: 75-95分位 (66-103 objects)
+  - jam: >95分位 (>103 objects)
+
+建议：增加极端场景
+  - 空旷场景（目标<5）
+  - 极度拥堵（目标>150）
+```
+
+**5. 遮挡程度** (当前缺失)
+```yaml
+occlusion_level:
+  - none: 无遮挡 (0-10%)
+  - partial: 部分遮挡 (10-50%)
+  - heavy: 严重遮挡 (50-80%)
+  - extreme: 极度遮挡 (>80%)
+
+建议采集：
+  - 多车并行场景（侧面遮挡）
+  - 大车遮挡小车/行人
+  - 护栏、植被遮挡
+  - 雨刷、车身部分遮挡
+```
+
+**6. 特殊场景标签**
+```yaml
+special_scenarios:
+  - construction_zone: 施工区域
+  - accident_scene: 事故现场
+  - school_zone: 学校区域
+  - crosswalk: 人行横道
+  - intersection: 十字路口
+  - roundabout: 环岛
+  - merge_lane: 汇入车道
+  - toll_station: 收费站
+  
+优先扩充：
+  - 施工区域（路障、锥桶）
+  - 学校区域（儿童、家长、慢速）
+  - 复杂路口（多方向、多目标）
+```
+
+### 11.6 边缘情况与困难样本
+
+#### Cut对象扩充（当前8.2%）
+
+```
+当前分布：
+- noncut: 91.6% (20,252,105)
+- cut_in: 5.3% (1,175,262)
+- cut_out: 2.9% (642,885)
+
+建议目标：
+- cut_in: 扩充到8-10% (+60万样本)
+- cut_out: 扩充到5-6% (+45万样本)
+
+采集重点：
+✓ 边缘车辆突然切入
+✓ 部分在frame外的行人
+✓ 图像边缘的骑行者
+✓ 半身出现的大型车辆
+```
+
+#### 困难样本专项采集
+
+**1. 遮挡场景**
+- 车辆互相遮挡（并排行驶）
+- 大型车辆遮挡后方小车
+- 护栏、树木遮挡
+- 行人/骑行者被车辆遮挡
+
+**2. 极端光照**
+- 强逆光（太阳直射镜头）
+- 夜间远光灯眩光
+- 隧道进出口光线突变
+- 玻璃反射/水面倒影
+
+**3. 相似目标混淆**
+- 骑行者 vs 电动车骑手
+- 自行车 vs 摩托车
+- 小客车 vs SUV
+- 行人 vs 路边广告牌人像
+
+**4. 特殊姿态与状态**
+- 侧翻/事故车辆
+- 蹲坐/倚靠的行人
+- 推行自行车的人
+- 多人拥挤场景
+
+### 11.7 数据采集优先级矩阵
+
+| 优先级 | 扩充内容 | 预期样本量 | 预期效果 |
+|-------|---------|-----------|---------|
+| ⭐⭐⭐⭐⭐ | 夜间数据 | +80万图像 | 提升夜间AP 15-20% |
+| ⭐⭐⭐⭐⭐ | 雨天/雾天数据 | +50万图像 | 提升恶劣天气鲁棒性 |
+| ⭐⭐⭐⭐⭐ | 交通灯/标志3D标注 | +500万3D标注 | 提升决策可靠性 |
+| ⭐⭐⭐⭐ | 远距离样本(>80m) | +100万对象 | 提升远距离召回率 |
+| ⭐⭐⭐⭐ | 近距离样本(<5m) | +80万对象 | 提升近距离精度 |
+| ⭐⭐⭐⭐ | 低频类别均衡 | +300万对象 | 平衡各类别性能 |
+| ⭐⭐⭐ | 遮挡场景 | +30万图像 | 提升遮挡处理能力 |
+| ⭐⭐⭐ | 边缘Cut场景 | +100万对象 | 提升边缘检测 |
+| ⭐⭐ | 高分辨率数据 | +20万图像 | 改善小目标检测 |
+| ⭐⭐ | 特殊场景标签 | 全量标注 | 支持场景自适应 |
+
+### 11.8 数据采集实施计划
+
+#### 阶段1：短期扩充（1-3个月）
+```
+目标：解决最紧迫问题
+1. 夜间数据采集（80万图像）
+2. 低频类别定向采集（200万对象）
+3. 远近距离补充（100万对象）
+4. 基础场景标签标注（100万图像）
+
+预期提升：整体mAP +3-5%
+```
+
+#### 阶段2：中期优化（3-6个月）
+```
+目标：全面质量提升
+1. 恶劣天气数据（50万图像）
+2. 3D标注扩展到新类别（500万标注）
+3. 困难样本专项采集（30万图像）
+4. 完整场景元数据标注（全量）
+
+预期提升：整体mAP +5-8%
+```
+
+#### 阶段3：长期完善（6-12个月）
+```
+目标：构建世界级数据集
+1. 边缘场景覆盖（corner cases）
+2. 多地域、多国家数据
+3. 高分辨率升级（4K）
+4. 时序数据采集（视频片段）
+
+预期提升：整体mAP +8-12%
+```
+
+### 11.9 数据质量控制建议
+
+#### 采集质量标准
+```yaml
+硬件要求：
+  - 分辨率: ≥1920×1080 (建议2K)
+  - 帧率: ≥15 FPS
+  - 动态范围: HDR优先
+  - 镜头畸变: <5%
+
+标注质量标准：
+  - BBox IoU一致性: >0.85
+  - 3D深度误差: <10%
+  - 朝向角误差: <15°
+  - 类别标注准确率: >98%
+```
+
+#### 质量验证流程
+1. 自动化检查（异常值、格式错误）
+2. 随机抽样人工复核（5-10%）
+3. 交叉验证（不同标注员）
+4. 模型验证（训练效果验证）
+
+---
+
+## 12. 数据统计来源
+
+- **分析模式**: original
+- **统计时间**: 基于完整训练集
+- **3D标注格式**: 包含深度、尺寸、朝向、位置等信息
+- **统计方法**: 基于百分位数的鲁棒统计
+
+---
+
+*本报告由自动化数据分析工具生成，统计数据来源于dataset_profiling_results_original/train/summary.json*