1. 项目背景与核心价值红绿灯识别是智能驾驶和交通监控系统中的关键技术痛点。根据2023年行业报告约23%的自动驾驶事故与信号灯误判相关。传统基于颜色阈值的方法在逆光、雨雾天气下准确率不足60%而基于YOLO的深度学习方案可将准确率提升至95%以上。这个项目完整实现了从数据准备到GUI部署的全流程特别解决了三个行业难题小目标检测信号灯在远距离拍摄时可能只占图像0.1%面积实时性要求需在30FPS视频流中完成检测多状态识别需区分红/绿/黄灯以及熄灭状态2. 数据集构建与增强策略2.1 数据集来源与标注规范我们采用3053张真实道路场景图像包含城市道路65%高速公路20%复杂天气场景15%标注采用YOLO格式定义4个类别classes [red, green, yellow, off]标注时特别注意框体需完整包含灯罩和发光区域同一灯杆多个灯体分开标注遮挡超过50%的样本需剔除2.2 数据增强方案针对小目标特性设计增强策略transform A.Compose([ A.RandomResize(scale(0.5, 1.5)), # 尺度变化 A.RandomBrightnessContrast(p0.5), # 亮度对比度 A.MotionBlur(blur_limit7), # 运动模糊 A.Cutout(max_h_size20) # 模拟遮挡 ])关键增强参数尺度变化幅度±50%运动模糊核大小7x7随机遮挡块尺寸20x20像素3. YOLOv8模型优化实践3.1 模型选型对比测试不同YOLO版本在RTX 3060上的表现模型mAP0.5参数量(M)推理速度(ms)YOLOv5s0.897.212.3YOLOv8n0.923.28.7YOLOv8s0.9411.415.1最终选择YOLOv8n在精度和速度间取得最佳平衡。3.2 关键改进点注意力机制改进class CBAM(nn.Module): def __init__(self, c): super().__init__() self.channel_att ChannelAttention(c) self.spatial_att SpatialAttention()小目标检测层 增加160x160像素的检测头专门捕捉微小信号灯损失函数优化 采用WIoU替代CIoU提升小目标定位精度4. 训练细节与调参经验4.1 超参数配置lr0: 0.01 # 初始学习率 lrf: 0.1 # 最终学习率系数 warmup_epochs: 3 batch: 16 # 根据显存调整关键技巧使用余弦退火学习率前3个epoch冻结骨干网络启用Mosaic增强时batch需≥84.2 训练监控指标重点关注val/obj_loss检测框质量val/cls_loss分类准确性mAP0.5:0.95综合性能典型问题处理若cls_loss居高不下检查类别不平衡问题若obj_loss波动大调整anchor尺寸5. GUI界面开发与部署5.1 PyQt5界面设计核心功能模块class MainWindow(QMainWindow): def __init__(self): self.video_thread VideoThread() self.result_label QLabel() self.init_ui() def init_ui(self): self.setWindowTitle(交通信号灯检测系统) self.setGeometry(100, 100, 800, 600)5.2 性能优化技巧视频流处理# 使用多线程避免界面卡顿 class VideoThread(QThread): frame_signal pyqtSignal(np.ndarray) def run(self): while True: ret, frame cap.read() if ret: self.frame_signal.emit(frame)模型加速使用TensorRT加速开启半精度推理(fp16)批处理尺寸设为46. 实际部署问题排查6.1 典型场景问题逆光场景解决方案启用HDR预处理代码示例def hdr_correction(img): lab cv2.cvtColor(img, cv2.COLOR_BGR2LAB) l, a, b cv2.split(lab) clahe cv2.createCLAHE(clipLimit3.0, tileGridSize(8,8)) limg clahe.apply(l) return cv2.cvtColor(cv2.merge((limg,a,b)), cv2.COLOR_LAB2BGR)运动模糊解决方案增加时序一致性校验实现逻辑graph LR A[当前帧检测] -- B{与上一帧结果对比} B --|差异大| C[启用去模糊处理] B --|差异小| D[直接输出结果]6.2 模型量化实践在Jetson Nano上的优化对比精度mAP内存(MB)推理速度(FPS)FP320.9212508.2FP160.9168014.7INT80.8932022.3建议方案优先使用FP16对延迟敏感场景用INT87. 项目扩展方向多模态融合结合激光雷达点云数据接入高精地图信号灯位置先验边缘设备优化移植到K230芯片开发Android端应用异常检测识别损坏的信号灯检测违规闯红灯行为这个项目最让我意外的是小目标检测的数据增强策略——适度的Cutout增强反而提升了3%的mAP。在实际部署中发现保持检测框尺寸一致性比绝对精度更重要因此后期调整了NMS参数将iou_threshold从0.45降到0.4显著提升了连续视频中的稳定性。
)
