目录前言为什么选毫米波雷达热图？数据准备：从原始雷达数据到热图推荐数据集雷达热图生成代码YOLOv10改进：适配雷达热图的输入修改后的模型配置 (yolov10_radar.yaml)Anchor重新聚类完整训练流程环境配置数据集格式转换开始训练推理和部署实测效果和改进思路前言先说说我自己的情况。去年冬天接了一个项目，要在雨雾天气下做车辆和行人检测。一开始我想得很简单，直接用摄像头加YOLOv8不就完了？结果现实狠狠打了脸——大雾天、雨夜、强光逆光这些场景，纯视觉方案根本扛不住。后来我尝试用毫米波雷达做目标检测，发现雷达点云稀疏得可怜，行人有时候就一两个点，分类简直做梦。直到有一次看到一篇论文把雷达数据投影成热图，然后用图像检测网络来做，我突然觉得这条路子好像能行。这篇文章就是我折腾了大半年的成果——把毫米波雷达的3D点云转成BEV（鸟瞰）热图，然后用YOLOv10做检测器。实际测试下来，雨雾天气下检测率能从纯视觉的60%左右提升到90%以上。老实说，网上关于毫米波雷达和视觉融合的教程很多，但纯雷达热图的方案讲得细的没几个。所以我把整个流程、踩过的坑、代码都整理出来了，希望后来者少走点弯路。为什么选毫米波雷达热图？先说为什么不选纯视觉。有一天下小雨，我在测试路段开着车，摄像头采集的画面里，行人打伞走过