10 月下旬的周汇报上，智能网联创新技术团队交出了本周的进展：从标注数据、训练模型、验证效果，到生成识别预览视频，一条完整的目标检测流程跑了下来。这项工作由缪玘纪承担。

起点是五个对打视频——1v1 到 1v6。团队用 LabelImg 逐帧框出两名队员，训练集 176 张、验证集 43 张，另外补了 22 张没有目标的背景图——地面和篮筐最容易被误检，加负样本是最直接的办法。

检测模型用 YOLOv8n。两类目标里，sry 的 mAP50 是 0.739、mql 是 0.732，整体 0.736；同一个目标上叠着的重复框交给 NMS 去掉，视频里框的抖动则靠 ByteTrack 稳住。

第二件事更难：人体关键点。团队搭起 COCO 17 个关键点的数据集，先用预训练模型自动标注、再人工校验，在 YOLO11n-pose 上迁移学习两个自定义类别，Pose mAP50 做到 0.686。中间踩过一个坑——标注脚本把可见性写成了整数，置信度全变成 0，模型怎么都学不出骨架；改成浮点之后，训练才走上正轨。

汇报的最后一部分是补基本功：不借助任何深度学习框架，用 NumPy 手写一个“1—8—1”的神经网络去拟合 sin(x)。代码从一堆语法错误改起，最关键的一处是梯度算错——该用 x.T 的地方写成了 h.T；改完之后，Loss 从 0.500 一路降到 0.008。

这一周跑通的流程，留下的不是单个模型，而是一套可复用的做法：数据怎么标、模型怎么调、错了从哪儿查，都留下了依据。后续项目可以从这里起步。