基于 YOLOv8 的交通违规检测系统（全套源码+数据集）

1. 项目简介

本系统以 YOLOv8 为核心检测引擎，面向城市道路监控场景，实现对行人、非机动车、摩托车等目标的交通违规行为自动检测与分类。系统支持图片、视频、实时摄像头三种输入模式，并配有完整的 PyQt6 图形化操作界面，涵盖检测、统计、历史管理、指标可视化等功能，完整还原了深度学习项目从数据到系统的落地全链路。

可检测的违规类型：

类别 中文含义
Crossing_Violation 路口闯红灯
Crosswalk_Violation 斑马线违规
Helmet_Violation 骑行未戴头盔
Normal 正常合规行为
Passenger_Violation 非机动车违规载人
Pedestrian_Violation 行人综合违规
Trafficlight_Violation 不遵守交通灯信号

2. 深度学习开发流程

原始数据采集
    │
    ▼
数据标注（Roboflow）
    │
    ▼
数据增强与集成（翻转 / 旋转 / 亮度 / 裁剪 / 色调抖动）
    │
    ▼
数据集划分（训练集 4,666 张 / 验证集 390 张）
    │
    ▼
模型选型（YOLOv8s 预训练权重迁移学习）
    │
    ▼
超参数配置（优化器 AdamW / 学习率 / 批大小 / 数据增强策略）
    │
    ▼
模型训练（100 Epochs，GPU 加速）
    │
    ▼
训练过程监控（Loss 曲线 / mAP 曲线 / 学习率衰减）
    │
    ▼
模型评估（精确率 / 召回率 / mAP@50 / mAP@50-95 / F1）
    │
    ▼
最优权重保存（best.pt）
    │
    ▼
系统集成（PyQt6 UI + 多模态检测 + 历史管理 + 指标展示）

3. 数据集详情

3.1 基本信息

项目 内容
数据集来源 城市道路交通监控视频帧 + 静态场景图片
标注工具 Roboflow（在线标注与增强平台）
标注格式 YOLO 格式（.txt，归一化中心坐标）
检测类别数 7
训练集样本数 4,666 张
验证集样本数 390 张
总样本数 5,056 张
数据增强倍率 约 3 倍（每张原图生成 3 个增强版本）

3.2 类别定义

ID 英文类名 中文含义 场景说明
0 Crossing_Violation 路口闯红灯 非机动车 / 行人在路口闯红灯
1 Crosswalk_Violation 斑马线违规 不走斑马线或在斑马线处违规
2 Helmet_Violation 未戴头盔 骑摩托车 / 电动车时未佩戴头盔
3 Normal 正常合规 合规骑行或正常通行
4 Passenger_Violation 违规载人 非机动车超载乘客
5 Pedestrian_Violation 行人综合违规 行人闯红灯等综合性违规
6 Trafficlight_Violation 交通灯违规 不遵守红绿灯信号通行

3.3 数据来源构成

文件名前缀 内容说明
bicycle_N_jpg 自行车 / 电动车场景（正常）
bicycle_anormal-K-N_jpg 自行车违规场景（K=1~6 代表 6 种违规子类型）
bicycle_normal-K-N_jpg 自行车正常场景（多角度 / 多光照）
bicycle_no5_N_jpg 不戴头盔的骑行场景
motorcycle_N_jpg 摩托车场景
motorcycle_no5_N_jpg 摩托车不戴头盔
scooter_normal-K-N_jpg 踏板车多场景正常行驶
Passenger_N_jpg 违规载人
Pedestrian_ES_N_JPG 行人违规
T000XXX_...-mp4_XXXXXX_jpg 交通监控视频帧提取（含各类违规时刻）

3.4 标注格式说明

每个 .txt 文件与图片一一对应，每行记录一个目标：

<class_id> <cx> <cy> <w> <h>
  • class_id：类别编号（0~6）
  • cx, cy：目标中心点（归一化至 0~1）
  • w, h：目标框宽高（归一化至 0~1）

3.5 数据增强策略

通过 Roboflow 平台对原始图片实施以下增强，提升模型泛化能力：

  • 水平翻转（50% 概率）
  • 亮度与对比度随机扰动
  • 随机旋转与剪切
  • 色调（HSV）抖动
  • Mosaic 拼接增强（概率 1.0）
  • 随机擦除（概率 0.4）

4. 模型训练与调优

4.1 模型选型

采用 YOLOv8s（Small 规格）作为基础架构，在 COCO 预训练权重基础上进行迁移学习。选用 YOLOv8s 的原因：

  • 参数量适中（约 11M），平衡检测精度与推理速度
  • 支持端对端训练，无需复杂后处理
  • 原生支持 YOLO 格式数据集，接入成本低

4.2 训练参数配置

参数 值 说明
基础模型 yolov8s.pt COCO 预训练权重
训练轮数 (Epochs) 100 充分收敛
批大小 (Batch) 16 显存与速度平衡
输入尺寸 (imgsz) 640 × 640 标准 YOLO 输入分辨率
优化器 AdamW 自适应学习率，收敛更稳定
初始学习率 (lr0) 0.01 预热阶段起始值
终止学习率 (lrf) 0.01 余弦退火终点倍率
动量 (momentum) 0.937 Adam β1 参数
权重衰减 0.0005 L2 正则化，防止过拟合
预热轮数 3 前 3 轮线性预热学习率
混合精度 (AMP) 开启 加速训练、减少显存占用
数据加载线程 4 并行预处理加速
IoU 阈值 0.7 NMS 时判断重叠框的阈值
早停耐心 (patience) 100 与 Epochs 相同，不触发早停
随机种子 0 保证实验可复现

4.3 训练过程

  • 预热阶段（1~3 轮）：学习率从接近 0 线性增长至 lr0，防止早期训练震荡。
  • 主训练阶段（4~90 轮）：学习率按余弦退火策略逐步下降，Loss 平稳收敛，mAP 持续提升。
  • 精调阶段（91~100 轮）：关闭 Mosaic 增强（最后 10 轮），学习率降至极低，进一步精调边界框回归。
  • 最优权重：训练完成后自动保存 best.pt（验证集 mAP50 最高的权重）和 last.pt（最后一轮权重）。

4.4 最终训练指标（第 100 轮）

指标 数值
Precision（精确率） 0.844
Recall（召回率） 0.824
mAP@50 0.865
mAP@50-95 0.483
训练总时长 约 5,735 秒（≈ 95.6 分钟）

5. 训练指标说明

指标 含义
Box Loss 边界框回归损失（DFL Loss），衡量预测框与真实框的位置偏差，越小越好
Cls Loss 分类损失，衡量类别预测误差，越小越好
DFL Loss 分布焦点损失（Distribution Focal Loss），用于更精确地回归边界框坐标
Precision 精确率 = TP / (TP + FP)，预测为正样本中真正正样本的比例，越高越好
Recall 召回率 = TP / (TP + FN)，真实正样本中被正确检测出的比例，越高越好
mAP@50 在 IoU=0.5 阈值下的平均精度均值，通用检测精度指标，越高越好
mAP@50-95 在 IoU=0.5~0.95（步长 0.05）下的平均精度均值，更严格的精度评估，越高越好
F1 Score Precision 与 Recall 的调和平均，综合评估分类性能，越高越好
Learning Rate 学习率变化曲线，反映优化器调度策略（预热 → 余弦退火）

6. 可视化图表含义

系统内置和独立脚本共生成以下图表，均保存在 train_result/traffic_violation_v1/charts/ 目录：

图表文件 含义说明
01_box_loss.png 训练集与验证集的边界框回归损失对比曲线。两线同步下降表示模型正常收敛；验证集 Loss 明显高于训练集则提示过拟合
02_cls_loss.png 训练集与验证集的分类损失曲线。反映模型对 7 类违规行为的识别能力提升过程
03_dfl_loss.png 分布焦点损失曲线。DFL Loss 下降说明边界框坐标预测越来越精准
04_precision.png 精确率随训练轮次的变化。曲线上标注了最优精确率所在的 Epoch
05_recall.png 召回率随训练轮次的变化。与精确率共同评估检测的全面性
06_map50.png mAP@50 曲线，是最常用的目标检测综合评估指标，标注了最佳点
07_map50_95.png mAP@50-95 曲线，对定位精度要求更高，数值相比 mAP@50 偏低属正常现象
08_f1_score.png F1 综合得分曲线（由 Precision 和 Recall 计算得出），兼顾精确率与召回率
09_learning_rate.png 学习率衰减曲线。可观察预热阶段（前 3 轮快速上升）和余弦退火衰减过程

7. 系统功能介绍

系统采用 PyQt6 构建图形化界面，通过侧边栏导航切换以下六大功能模块：

7.1 图片识别

  • 支持拖拽或文件选择打开图片（JPG / PNG / BMP / WebP）
  • 一键执行 YOLOv8 检测，图上以中文标签 + 彩色边框标注结果
  • 统计卡片展示：检测目标总数、类别数、平均置信度、最高置信度
  • 双 Tab 展示：类别分布表 + 目标详细数据表（含坐标、面积）
  • 支持导出标注图片和检测结果 CSV 文件

7.2 视频识别

  • 打开本地视频文件（MP4 / AVI / MOV / MKV）
  • 可设置每 N 帧检测一次，兼顾速度与精度
  • 实时显示标注画面 + 进度条
  • 右侧实时统计当前帧目标及累计检测情况
  • 检测完成自动写入历史记录

7.3 摄像头识别

  • 选择摄像头编号（0~10），一键启动
  • 实时采集画面并执行目标检测
  • 支持检测开关切换（不检测时仅预览）
  • 截图功能：保存当前帧至 screenshots/ 目录
  • 支持将本次会话结果保存至历史记录

7.4 检测历史

  • 汇总所有图片 / 视频 / 摄像头检测记录
  • 支持按类型筛选（图片 / 视频 / 摄像头）和关键词搜索
  • 点击记录查看详情（时间、模型、类别分布等）
  • 支持导出历史数据为 CSV 文件
  • 支持一键清空历史

7.5 模型管理

  • 支持浏览并切换不同的模型权重文件（.pt / .onnx）
  • 自动验证模型文件是否存在
  • 可视化调整推理参数：置信度阈值、IoU 阈值、最大检测数
  • 模型信息展示：路径、类别数、类别列表（中英文对照）

7.6 指标展示

  • 直接读取训练产生的 results.csv，内嵌 Matplotlib 图表
  • 训练曲线：Box Loss、Cls Loss、DFL Loss（训练 vs 验证）、综合性能曲线（mAP / P / R / F1）
  • 指标汇总：末轮关键指标统计卡片 + 综合性能柱状图 + 学习率衰减曲线
  • 支持重新加载数据刷新图表

7.7 登录 / 注册

  • 浅色渐变风格登录界面，支持账号注册
  • 密码 SHA-256 加密存储（data/users.json）
  • 注册成功后自动跳转登录页
  • 默认账号：admin / admin123

8. 项目技术栈

类别 技术 / 库
深度学习框架 Ultralytics YOLOv8（基于 PyTorch）
图形界面 PyQt6
图像处理 OpenCV-Python、Pillow
数据处理 Pandas、NumPy
可视化 Matplotlib（嵌入 PyQt6 的 QtAgg 后端）
数据增强 Roboflow 平台
数据存储 JSON 文件（历史记录、用户信息）
开发语言 Python 3.9
运行平台 Windows 10/11（支持 GPU 加速）

9. 项目结构

c139/
│
├── app.py                          # 程序入口，初始化 PyQt6 并启动登录窗口
├── login_window.py                 # 登录 / 注册窗口
├── main_window.py                  # 主窗口（侧边栏 + 页面堆栈）
├── train.py                        # 模型训练脚本
├── visualize_results.py            # 独立训练结果可视化脚本
│
├── config/
│   ├── train_config.py             # 训练超参数集中配置
│   └── label_map.py                # 英文类别名 → 中文显示映射表
│
├── core/
│   ├── detector.py                 # YOLOv8 检测器封装（中文标注绘制）
│   ├── history_manager.py          # 检测历史记录 CRUD & CSV 导出
│   └── user_manager.py             # 用户注册 / 登录 / 密码加密
│
├── pages/
│   ├── image_page.py               # 图片识别页
│   ├── video_page.py               # 视频识别页（多线程）
│   ├── camera_page.py              # 摄像头实时识别页（多线程）
│   ├── history_page.py             # 检测历史记录页
│   ├── model_page.py               # 模型管理 & 参数设置页
│   └── metrics_page.py             # 训练指标可视化页（嵌入 Matplotlib）
│
├── utils/
│   ├── styles.py                   # 全局 QSS 样式表（浅色渐变主题）
│   ├── widgets.py                  # 公共 UI 组件（StatCard / PageHeader / Card）
│   └── data_utils.py               # 数据集工具函数
│
├── datasets/
│   ├── data.yaml                   # YOLO 数据集配置（类别 / 路径）
│   ├── train/labels/               # 训练集标注文件（4,666 个 .txt）
│   └── valid/labels/               # 验证集标注文件（390 个 .txt）
│
├── train_result/
│   └── traffic_violation_v1/
│       ├── weights/
│       │   ├── best.pt             # 验证集最优权重（系统默认加载）
│       │   └── last.pt             # 最后一轮权重
│       ├── results.csv             # 逐轮训练指标记录
│       ├── args.yaml               # 训练参数快照
│       └── charts/                 # 生成的可视化图表（9 张）
│
├── data/
│   ├── history.json                # 检测历史记录（自动生成）
│   └── users.json                  # 用户账号数据（自动生成）
│
└── screenshots/                    # 摄像头截图保存目录（自动生成）

10. 快速开始

环境依赖

pip install -r requirements.txt

启动系统

python app.py

首次启动时系统会自动加载 train_result/traffic_violation_v1/weights/best.pt（若存在），若不存在请进入【模型管理】页面手动指定权重路径。

重新训练

在 config/train_config.py 中修改超参数后执行：

python train.py

生成训练可视化图表

python visualize_results.py

本系统完整实现了深度学习项目从数据构建 → 模型训练 → 结果评估 → 系统集成的全流程，适用于智慧交通、城市安防等应用场景的二次开发与功能扩展。

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 16:21  Jay8059  阅读(1)  评论(0)    收藏  举报

导航