基于 YOLOv8 的交通标志识别系统（全套源码+数据集）

基于 YOLOv8 的交通标志识别系统

一、项目简介

本项目以清华大学与腾讯联合发布的 TT100K 数据集为基础，采用 YOLOv8n 模型完成交通标志的训练与推理，并基于 PyQt6 开发了一套完整的桌面端可视化识别系统。整个开发流程涵盖数据集构建与处理、模型训练与调优、系统集成与功能开发三个核心阶段，可识别限速牌、禁止标志、指示标志、警告标志等共 45 种常见中国交通标志。

二、数据集

2.1 数据集来源

TT100K（Tsinghua-Tencent 100K）由清华大学与腾讯联合发布，是目前规模最大的中国道路交通标志检测数据集之一，图片均来源于腾讯街景实拍，具备较强的场景多样性与实际应用价值。

2.2 数据规模

项目 数值
图片总数 约 100,000 张
单图分辨率 2048 × 2048 像素
含标志样本数 约 30,000 张
标注实例总数 约 100,000 个
本项目使用类别数 45 种
训练集 / 验证集 / 测试集 按官方划分

2.3 类别说明

本项目选取了数据集中频次较高的 45 种标志进行训练，按功能分为以下几类：

  • 限速系列（pl）：pl5、pl20、pl30、pl40、pl50、pl60、pl70、pl80、pl100、pl120
  • 禁止系列（p）：p3、p5、p6、p10、p11、p12、p13、p19、p23、p26、p27、pn、pne、pg
  • 限速解除（pm）：pm20、pm30、pm55
  • 指示系列（i）：i2、i2r、i4、i4l、i5、ip
  • 最低限速（il）：il60、il80、il100
  • 限高系列（ph）：ph4、ph4.5、ph5
  • 警告系列（w）：w13、w32、w55、w57、w59
  • 其他：pr40

2.4 数据预处理

原始数据集已转换为 YOLO 格式（每张图片对应一个 .txt 标注文件，格式为 类别 cx cy w h，坐标归一化至 0-1），目录结构如下：

TT100K-YOLO格式/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/
    ├── train/
    ├── val/
    └── test/

训练时还使用了以下数据增强策略，以提升模型在复杂道路场景下的泛化能力：

增强方式 参数
HSV 色调抖动 h=0.015, s=0.7, v=0.4
随机水平翻转 概率 0.5
随机缩放 scale=0.5
随机平移 translate=0.1
Mosaic 拼接 概率 1.0

三、模型训练

3.1 基础架构

选用 YOLOv8n（nano）作为骨干网络，在 ImageNet 预训练权重基础上进行迁移学习。YOLOv8n 参数量极小，推理速度快，适合部署在边缘设备或对实时性有要求的场景中。

3.2 训练参数

参数 值
基础模型 yolov8n.pt
训练轮次（epochs） 100
批次大小（batch） 16
输入分辨率（imgsz） 640 × 640
优化器 SGD
初始学习率（lr0） 0.01
最终学习率（lrf） 0.01
动量（momentum） 0.937
权重衰减（weight_decay） 0.0005
预热轮次（warmup_epochs） 3
预热动量（warmup_momentum） 0.8
早停耐心值（patience） 20
训练设备 GPU（CUDA）
混合精度（AMP） 开启
NMS IoU 阈值 0.7

3.3 损失函数

YOLOv8 的总损失由三部分加权构成：

  • Box Loss（边框回归损失）：权重 7.5，采用 CIoU，约束预测框与真实框的位置精度
  • Cls Loss（分类损失）：权重 0.5，交叉熵损失，衡量类别预测正确率
  • DFL Loss（分布焦点损失）：权重 1.5，对边框边缘分布建模，提升定位精度

3.4 学习率策略

训练前 3 个 epoch 执行线性 Warmup，使学习率从 0 平滑上升至 0.01；此后按余弦退火方式逐步衰减，最终收敛至接近初始学习率乘以 lrf 的数值，防止后期震荡。

四、训练指标

以下为模型在验证集上的最优指标（取各轮次峰值）：

指标 数值
mAP@50 73.3%
mAP@50-95 55.2%
Precision（精确率） 75.2%
Recall（召回率） 65.8%
  • mAP@50：IoU 阈值为 0.5 时的平均精度，反映模型整体检测能力
  • mAP@50-95：在 0.5~0.95 多个 IoU 阈值下的均值，评估定位精度更严格
  • Precision：所有预测为正样本中真实为正的比例，越高误检越少
  • Recall：所有真实正样本中被成功检测到的比例，越高漏检越少

训练从第 1 个 epoch 的 mAP50≈6.3% 出发，经过约 80 个 epoch 基本收敛，最终稳定在 mAP50≈73%，说明迁移学习与增强策略组合对该数据集适配良好。

五、可视化图说明

训练完成后，运行目录 runs/train/tt100k_yolov8/ 下会生成以下可视化文件：

文件名 含义
results.png 综合训练曲线，包含各损失与 mAP 随 epoch 的变化趋势
training_loss.png 训练集三项损失（box/cls/dfl）的变化曲线
validation_loss.png 验证集三项损失的变化曲线，曲线与训练集接近说明无明显过拟合
mAP_curves.png mAP@50 与 mAP@50-95 随训练进程的上升曲线
P_curve.png 不同置信度阈值下 Precision 的变化，反映误检风险
R_curve.png 不同置信度阈值下 Recall 的变化，反映漏检风险
PR_curve.png Precision-Recall 曲线，面积即 AP，越靠近右上角越好
F1_curve.png F1 分数随置信度变化的曲线，峰值对应最佳置信度阈值
confusion_matrix.png 混淆矩阵（绝对数值），展示各类别的预测分布
confusion_matrix_normalized.png 归一化混淆矩阵，按行归一化后更直观对比各类别准确率
labels.jpg 数据集标注分布图，含类别频次直方图与边框中心/尺寸热图
labels_correlogram.jpg 标注属性相关性矩阵，分析 cx/cy/w/h 之间的分布关系
learning_rate.png 三组参数组（pg0/pg1/pg2）的学习率调度曲线
box_loss_comparison.png 训练集与验证集 box_loss 的对比曲线
detection_metrics.png Precision、Recall、mAP 三条曲线并列展示
precision_recall_trajectory.png Precision 与 Recall 随 epoch 的轨迹对比
training_dashboard.png 训练全局仪表板，汇总所有关键指标
final_metrics_summary.png 最终最优指标的柱状图汇总
train_batch*.jpg 随机训练批次样图，含标注框，用于检查数据增强效果
val_batch*_labels.jpg 验证集真实标签可视化
val_batch*_pred.jpg 验证集模型预测结果可视化，与 labels 对比可直观判断检测质量

六、系统功能

识别系统基于 PyQt6 开发，采用深空蓝主题，提供完整的图形界面操作体验，包含以下六个功能模块：

图片识别：支持文件选择与拖拽导入，一键触发 YOLOv8 推理，结果以标注图、统计摘要表、详细数据表（含坐标、面积、置信度）及置信度分布直方图四种形式呈现，并可将标注图与识别结果分别导出为图片文件和 CSV 表格。

视频识别：加载本地视频文件后，可指定每 N 帧执行一次推理以平衡性能与帧率，实时渲染带标注的视频帧，右侧同步显示当前帧统计与累计检测数据，支持导出当前帧为图片。

摄像头识别：通过摄像头 ID 连接本地摄像头，实时推流检测，支持一键开关检测模式、截图保存，并可将本次会话统计写入历史记录。

检测历史：所有检测结果均持久化至本地 SQLite 数据库，历史页面支持按类型筛选（图片/视频/摄像头）、关键词搜索、导出 CSV 及清空操作，点击任一行可展开详细记录。

模型管理：可浏览并替换权重文件，异步验证模型是否可正常加载，支持动态调整置信度阈值、IoU 阈值、最大检测数等推理参数，保存后即时生效。

指标展示：自动读取 runs/train/tt100k_yolov8/results.csv，以交互式图表展示训练曲线（训练/验证损失、mAP、P/R）及最佳指标柱状图汇总。

七、技术栈

类别 技术
深度学习框架 PyTorch 2.x
目标检测模型 Ultralytics YOLOv8
图像处理 OpenCV
数据分析 Pandas、NumPy
可视化 Matplotlib、Seaborn
桌面 UI 框架 PyQt6
数据库 SQLite（内置）
运行环境 Python 3.9

八、项目结构

c108/
├── app.py                          # 程序入口
├── login_window.py                 # 登录/注册窗口
├── main_window.py                  # 主窗口（侧边栏 + 页面堆栈）
├── train_yolov8.py                 # 模型训练脚本
├── data_tt100k.yaml                # 数据集配置文件
├── requirements.txt                # 依赖列表
│
├── pages/                          # 各功能页面
│   ├── image_page.py               # 图片识别页
│   ├── video_page.py               # 视频识别页
│   ├── camera_page.py              # 摄像头识别页
│   ├── history_page.py             # 检测历史页
│   ├── model_page.py               # 模型管理页
│   └── metrics_page.py             # 训练指标展示页
│
├── utils/                          # 工具模块
│   ├── styles.py                   # QSS 样式定义
│   ├── database.py                 # SQLite 数据库操作
│   ├── detector.py                 # YOLO 推理线程（图片/视频/摄像头）
│   └── helpers.py                  # 公共工具函数
│
├── TT100K-YOLO格式/                # 数据集（YOLO 格式）
│   ├── images/train|val|test/
│   └── labels/train|val|test/
│
├── runs/train/tt100k_yolov8/       # 训练输出目录
│   ├── weights/best.pt             # 最优权重（默认加载）
│   ├── weights/last.pt             # 最后轮次权重
│   ├── results.csv                 # 各 epoch 指标记录
│   └── *.png / *.jpg               # 可视化图表
│
└── data/                           # 运行时生成（SQLite 数据库）
    └── app.db

九、启动教程

9.1 安装依赖

pip install -r requirements.txt

9.2 准备数据集（仅训练时需要）

将 TT100K 数据集整理为 YOLO 格式后，放置于项目根目录的 TT100K-YOLO格式/ 文件夹中，目录结构与 data_tt100k.yaml 中的配置保持一致。

9.3 训练模型（可选）

如需重新训练，运行：

python train_yolov8.py

训练完成后，最优权重自动保存至 runs/train/tt100k_yolov8/weights/best.pt。

9.4 启动识别系统

python app.py

默认账号：admin，密码：admin123（首次使用可直接登录，也可在登录页注册新账号）。

系统启动后自动加载 runs/train/tt100k_yolov8/weights/best.pt 作为默认模型，可在【模型管理】页面切换为其他权重文件。

本项目为个人原创，结构清晰，功能完整，适合计算机视觉方向课程设计、毕业设计和项目演示使用。有定制化需求可以评论或私信作者。

作者原创项目地址：michael-jay.pages.dev/projects.html

posted on 2026-08-03 00:56  Jay8059  阅读(3)  评论(0)    收藏  举报

导航