基于yolo8的交通标志识别
前言
- 交通标志是辅助驾驶和道路监控需要“看懂”的基础信息,人工逐一核对既慢又容易遗漏。
- 本文介绍一种基于 YOLO8 的中国交通标志识别方法:输入一张交通标志图片,模型框出标志位置,并给出标志名称和置信度。
- 当前模型可识别 35 类交通标志,包括限速 10 类、禁令 18 类、让行 4 类,以及注意行人、注意儿童、注意自行车 3 类警告标志。
- 本项目使用的是裁剪好的交通标志图片,每张图通常只有一个标志,不适合直接用于整幅道路画面中远处小标志的检测。
- 整体流程主要分为两步。
- 第一步:把中国交通标志数据集转换成 YOLO 检测格式,以 YOLO8 预训练权重为起点进行微调训练。
- 第二步:加载训练好的
best.pt,对指定图片进行识别,输出标志的中文名称和置信度。
介绍
第一步:交通标志检测模型训练
YOLO8 环境配置
- 项目使用 Python 开发,模型训练和推理由 Ultralytics 完成。
- 依赖安装命令如下:
pip install -r requirements.txt
数据集准备与处理
- 项目使用中国交通标志数据集,共近六千张图片、58 个类别。记录了每张图片中标志的位置和类别。
- 按 7:2:1 划分训练集、验证集和测试集。
- 数据集里的图片是裁剪后的标志小图,宽度大多在 100 多像素,标志通常占画面的一半左右。
- 当前模型覆盖的 35 个类别,各组图片数量如下:
类别分组:限速标志;类别数:10;代表类别:限速5、限速40、限速120;训练集:926;验证集:270;测试集:144;合计:1,340
类别分组:禁令标志;类别数:18;代表类别:禁止驶入、禁止鸣笛、禁止掉头;训练集:1,231;验证集:348;测试集:177;合计:1,756
类别分组:让行标志;类别数:4;代表类别:停车让行、减速让行、会车让行;训练集:560;验证集:186;测试集:82;合计:828
类别分组:警告标志;类别数:3;代表类别:注意行人、注意儿童、注意自行车;训练集:39;验证集:10;测试集:1;合计:50
类别分组:合计;类别数:35;代表类别:—;训练集:2,756;验证集:814;测试集:404;合计:3,974
训练目标检测模型
- 项目使用
yolo8.pt作为初始权重,在交通标志图片上进行微调,训练 50 轮,输入尺寸为 640。 - 图片输入模型后,模型预测标志的边界框、类别和置信度。
- 在项目根目录运行
train.py即可开始训练,最佳权重保存为best.pt。
训练结果评估
- 精确率表示模型画出的框中,类别判断正确的比例;召回率表示所有真实标志中,被模型找出来的比例。
- mAP50 是检测任务的综合成绩:预测框和真实框重叠超过一半就算对,满分为 1。
- 本文使用测试集中这 35 类的 404 张图片验证了
best.pt,结果为:精确率 96.3%,召回率 91.1%,mAP50 为 0.975,更严格的 mAP50-95 也达到 0.95。 - mAP50-95 这么高,主要是因为标志在图中占比大、位置居中,框比较容易画准。
- 测试集中出现的 30 个类别里,有 25 个类别的 mAP50 达到 0.99 以上。
第二步:指定交通标志图片识别
加载检测权重
predict.py默认加载项目根目录中的best.pt,并从name_mapping.json读取每个类别的中文名称。
使用脚本识别图片
- 在项目根目录执行如下命令,识别指定图片中的交通标志:
python predict.py
- 脚本默认识别根目录下的
1.png,这是一张限速40 的标志图片。模型输出限速40,置信度为 0.95,识别正确。 - 返回结果包含中文名称、英文名称和置信度。在
predict_image中传入output_path参数,可以保存标注后的图片。
识别效果与适用范围
- 数据集中其余 23 种警告标志(如注意落石、注意施工),当前模型还不能识别,需要补充训练后才能使用。
总结
- 以上就是基于 YOLO8 的交通标志识别项目的主要实现流程:把中国交通标志数据集转换为 YOLO 格式,微调 YOLO8 检测模型,再用最佳权重对图片进行识别。
- 对已覆盖的 35 类标志,测试集 mAP50 为 0.975,召回率为 91.1%。
- 后续可以补充限速类和样本较少类别的图片,并用完整的 58 类数据重新训练,扩展到全部警告标志。
- 感兴趣的小伙伴可以联系我.