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.