**摘要：**本文提出了一种适用于动态施工环境中的鲁棒目标检测主动学习框架，有效解决了标注数据有限及标注成本高昂的挑战。该框架将YOLOv10与加权自适应不确定性-多样性采样策略相结合，并采用迁移学习技术以缓解冷启动问题并加速模型收敛。其自适应融合机制能动态调整多种不确定性指标（分类置信度、类别熵和边界框方差）的权重，同时结合样本多样性特征来优先选取最具信息量的数据。实验表明，在第8轮训练时模型达到了mAP50=0.885、mAP50--95=0.730的性能指标。罕见类别的识别效果显著提升：圆形管道的mAP50从0.25升至0.60，石膏板从0.35升至0.65。相较于随机采样方法，该方法可降低30%-40%的标注工作量，充分展现了其在改进建筑构件识别算法开发方面的潜力------尤其适用于安全设备、建筑部件及施工工具等通常不可见的小型物体识别场景。
本文概述了一种融合不确定性-多样性采样与人工标注的主动迁移学习方法，旨在提升建筑环境中的目标检测效率。
所提出框架的架构流程图。
数据集中标注对象类的分布情况。
与最先进的目标检测模型进行比较。
与其他主动学习策略的比较结果。
**结论：**本文提出了一种稳健且高效的主动学习框架，用于动态建筑工地中的目标检测任务，该框架充分利用了YOLOv10的先进能力以及一种加权自适应不确定性多样性采样策略。