【YOLO 系列】基于YOLO V8的高速公路摄像头车辆检测识别系统【python源码+Pyqt5界面+数据集+训练代码】

摘要：

基于YOLO V8的高精度高速公路摄像头车辆检测识别系统可用于公路上车辆的识别检测与定位，利用YOLO V8算法可实现图片、视频、摄像头等方式对不同车辆进行目标检测识别，另外支持结果可视化与检测结果的导出。本系统采用YOLO V8目标检测模型训练数据集，使用Pyqt5库来搭建页面展示系统，同时支持ONNX、PT等模型作为权重模型的输入。本系统支持的功能包括烟头训练模型的导入、初始化；置信分与IOU阈值的调节、图像上传、检测、可视化结果展示、结果导出与结束检测；视频的上传、检测、可视化结果展示、结果导出与结束检测；摄像头的上传、检测、可视化结果展示与结束检测；已检测目标列表、位置信息；以及推理用时。本博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。

优势：

高效实时检测：YOLO V8 以其高效的设计和优化算法，在高速公路等场景下能够实时准确地检测车辆，为交通监控和管理提供了迅速的响应能力。
单次推理多目标：YOLO V8 采用单次推理即可实现多目标检测，有效提高了车辆识别速度和效率，无需多次处理同一张图片，节省了计算资源和时间成本。
多类别识别能力：经过训练后的 YOLO V8 能够准确识别各种类型的车辆，适用于不同场景下的车辆识别需求。
灵活定制：YOLO V8 模型可根据实际需求进行定制和优化，例如针对特定场景或车辆类型进行训练，以提升检测准确性和适用性。

应用场景：

交通监控与管理：YOLO V8 可应用于高速公路、城市道路等交通场景，实现车辆的实时监控和管理，包括交通流量统计、违章检测等功能，提升了交通管理的效率和水平。
智能停车管理：利用 YOLO V8 进行车辆识别，实现智能停车场管理，包括车辆入场和出场自动识别、车位监控和管理等功能，提高了停车场的利用率和管理效率。
安全监控与预警：YOLO V8 可用于安全监控系统，及时发现交通事故、异常情况或可疑车辆，实现预警和应急处理，提升了道路交通的安全性和畅通性。
城市交通优化：通过分析 YOLO V8 检测结果，获取城市交通流量、拥堵情况等数据，为城市规划和交通优化提供决策支持，改善了城市交通运输环境，提升了城市交通系统的智能化水平。

一、软件核心功能介绍及效果演示

软件主要功能

支持图片、图片批量、视频及摄像头进行检测，同时摄像头可支持内置摄像头和外设摄像头；
可对检测结果进行单独分析，并且显示单个检测物体的坐标、置信度等;
界面可实时显示目标位置、检测结果、检测时间、置信度、检测结果回滚等信息;
支持图片、视频及摄像头的结果保存，将检测结果保持为excel文件；

界面参数设置说明

标签4 摄像头源/相机/网络源；
标签5 交并比阈值：目标检测时的iou参数，只有目标检测框的交并比大于该值，结果才会显示；
标签6 置信度阈值：目标检测时的conf参数，只有检测出的目标置信度大于该值，结果才会显示；
标签7 显卡选择：在进行推理时是否使用显卡，默认勾选（使用显卡）；
标签8 半精度选择：启用半精度（FP16）推理，可加快支持的 GPU 上的模型推理速度，同时将对精度的影响降至最低，默认不勾选（不适应半精度）；
标签9 图片推理尺寸: 在推理时将推理图片固定的尺寸；
标签10 数据集的配置文件：数据集在训练时的配置文件(.yaml);
标签11 训练好的模型：最终要进行推理的模型，一般选择最优的一个模型；
标签12 类别名：该项目的所有类别，可以方便在后续查看某一个类别。

视频演示

图片检测演示

点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹，操作演示如下：
点击表格中的指定行，界面会显示该行表格所写的信息内容。

单个图片检测操作如下：

Vehicle-图片

批量图片检测操作如下：

Vehicle-文件夹

视频检测演示

点击视频按钮图标，打开选择需要检测的视频，在点击开始运行会自动显示检测结果。再次点击停止按钮，会停止检测视频。
点击表格中的指定行，界面会显示该行表格所写的信息内容。

视频检测操作如下：

Vehicle-视频

摄像头检测演示

在选择相机中输入需要检测的摄像头（可以是电脑自带摄像头，也可以是外接摄像头，视频流等方式），然后点击摄像头图标来固定选择的推理流方式，最后在点击开始运行即可开始检测，当点击停止运行时则关闭摄像头检测。
点击表格中的指定行，界面会显示该行表格所写的信息内容。

摄像头检测操作如下：

Vehicle-摄像头

检测结果保存

点击导出数据按钮后，会将当前选择的图片【含批量图片】、视频或者摄像头的检测结果进行保存为excel文档，结果会存储在output目录下，保存内容如下：

保存操作如下：

Vehicle-保存

二、环境搭建

创建专属环境

conda create -n yolo python==3.8

激活专属环境

conda activate yolo

安装torch-GPU库

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple "torch-2.0.1+cu118-cp38-cp38-win_amd64.whl"

安装torchvision-GPU库

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple "torchvision-0.15.2+cu118-cp38-cp38-win_amd64.whl"

安装ultralytics库

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

测试环境

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

此时就表明环境安装成功！！！

安装图形化界面库 pyqt5

pip install pyqt5 -i https://pypi.douban.com/simple/ 
pip install pyqt5-tools -i https://pypi.douban.com/simple/

三、算法原理

YOLOv8是一种前沿的深度学习技术，它基于先前YOLO版本在目标检测任务上的成功，进一步提升了性能和灵活性，在精度和速度方面都具有尖端性能。在之前YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。

YOLOv8目标检测算法具有如下的几点优势：

（1）更友好的安装/运行方式；

（2）速度更快、准确率更高；

（3）新的backbone，将YOLOv5中的C3更换为C2F；

（4）YOLO系列第一次使用anchor-free；

（5）新的损失函数。

YOLO各版本性能对比

网络结构

YOLOv8模型的整体结构如下图所示：

YOLOv8与YOLOv5模型最明显的差异是使用C2F模块替换了原来的C3模块；另外Head 部分变化最大，从原先的耦合头变成了解耦头，并且从 YOLOv5 的 Anchor-Based 变成了 Anchor-Free。

四、模型的训练、评估与推理

数据集准备

本文使用的 BIT-Vehicle车辆数据集，BIT-Vehicle数据集是国内车辆检测数据集，包含9850个车辆图像。数据集中有两个摄像头在不同时间和地点拍摄的大小为1600*1200 和1920*1080的图像。图像包含照明条件、比例、车辆表面颜色和视点的变化。

由于捕获延迟和车辆的大小，某些车辆的顶部或底部未包含在图像中。一幅图像中可能有一两辆车，因此每辆车的位置都被预先标注。数据集中的所有车辆分为6类：公共汽车(Bus)、微型客车(Microbus)、小型货车(Minivan)、轿车(Sedan)、SUV(SUV) 和卡车(Truck)。每种车型的车辆数量分别为558辆、883辆、476辆、5921辆、1392辆和822辆。

图片数据集的存放格式如下，在项目目录中新建VOCData目录，同时将图片放入 Images 目录下。

模型训练

数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，代码如下：

yolo detect train data=./VOCData/myvoc.yaml model=yolov8n.yaml pretrained=./weights/yolov8n.pt epochs=100 imgsz=640

from ultralytics import YOLO

# build from YAML and transfer weights model = YOLO('yolov8n.yaml').load('./weights/yolov8n.pt')

# Train the model
results = model.train(data='./VOCData/myvoc.yaml', epochs=100, imgsz=640)

训练结果分析

YOLOv8在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：

P_curve.png

通过查看 P_curve.png 图片，可以发现，该模型的精确率约为1.0，6个类别的精确度都在最后接近1，说明当前训练的模型是可用的。

results.png

通过查看 results.png 图片，可以发现，该模型在训练集和验证集上的损失都很低（box_loss、cls_loss、dfl_loss），并且 precision、recall、mAP50、mAp50-95 都很高，都在0.95以上。

训练 batch

验证 batch

模型推理

模型训练完成后，可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们通过使用该文件进行后续的推理检测。

图片检测代码如下：

yolo detect predict model=./runs/detect/train/weights/best.pt source=./img save=True device=0

from ultralytics import YOLO 

# Load a model 
model = YOLO('./runs/detect/train/weights/best.pt') 
# Run batched inference on a list of images 
model.predict("./img", imgsz=640, save=True, device=0)

执行上述代码后，会将执行的结果直接标注在图片上，结果如下：

关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、测试图片视频等相关文件，均已打包上传，感兴趣的小伙伴可以通过下载链接自行获取。

五、获取方式

本文涉及到的完整全部程序文件：包括 python源码、数据集、训练好的结果文件、训练代码、UI源码、测试图片视频等（见下图），获取方式见文末：

注意：该代码基于Python3.8开发，运行界面的主程序为GUI.py，其他测试脚本说明见上图。为确保程序顺利运行，请按照requirements.txt配置软件运行所需环境。