摘要道路交通信号标志的自动检测是智能驾驶与交通管理系统中的核心环节。本文基于YOLOv8目标检测算法构建了一个涵盖21类常见交通信号标志的检测系统包括禁令标志、指示标志、警告标志及信号灯等。模型在包含1376张训练图像、488张验证图像和229张测试图像的自建数据集上进行训练与评估。实验结果表明模型在全类别上的平均精度mAP0.5达到0.959其中禁令类与指示类标志的F1值普遍超过0.93。混淆矩阵分析显示模型对静态标志的识别能力较强。引言随着自动驾驶技术与智能交通系统的快速发展交通信号标志的实时、准确识别成为保障行车安全与交通秩序的关键技术之一。道路交通标志种类繁多、外观差异大且在实际场景中常受到光照变化、遮挡、尺度不一等因素的影响给视觉检测算法带来了挑战。近年来基于深度学习的目标检测方法尤其是YOLO系列算法因其在检测速度与精度之间的良好平衡被广泛应用于交通标志检测任务中。本文选用YOLOv8模型针对21类道路交通信号标志构建检测系统旨在实现对常见标志的高效识别。目录摘要引言功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块背景数据集介绍训练过程训练结果总体性能评估1. 最终精度指标​编辑2. F1曲线F1_curve.png​编辑3. PR曲线PR_curve.png​编辑混淆矩阵分析confusion_matrix.png​编辑​编辑主要问题训练过程分析损失曲线精度/召回率曲线常用标注工具功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查背景交通信号标志作为道路信息传递的重要载体其自动化检测对于辅助驾驶、无人驾驶及道路巡检系统具有重要意义。传统的交通标志识别方法多依赖于手工设计的特征如颜色、形状、边缘等在复杂环境下的鲁棒性较差。随着深度卷积神经网络的发展基于目标检测的端到端识别方法显著提升了识别性能。YOLOv8作为当前YOLO系列的最新版本之一在保持高检测速度的同时进一步优化了特征提取网络与损失函数提升了小目标与多类别场景下的检测能力。然而在实际应用中交通标志检测仍面临诸多挑战例如信号灯在不同光照条件下的颜色失真、禁令标志与指示标志之间的形状相似性、以及远距离小目标的漏检等问题。因此基于YOLOv8构建一个涵盖21类标志的检测系统并对其训练结果进行系统分析有助于理解模型在实际交通场景中的行为特性并为后续的数据增强、模型结构调整及后处理策略优化提供实证基础。数据集介绍本系统所使用的道路交通信号标志数据集为自建数据集共包含21个类别具体类别如下text[bus_stop, do_not_enter, do_not_stop, do_not_turn_l, do_not_turn_r, do_not_u_turn, enter_left_lane, green_light, left_right_lane, no_parking, parking, ped_crossing, ped_zebra_cross, railway_crossing, red_light, stop, t_intersection_l, traffic_light, u_turn, warning, yellow_light]数据集共包含2093张标注图像划分为训练集1376张验证集488张测试集229张训练过程训练结果总体性能评估1.最终精度指标mAP0.5约0.83–0.84最后几个epoch稳定在0.83以上mAP0.5:0.95约0.70–0.71Precision (B)约0.83Recall (B)约0.822.F1曲线F1_curve.png全部类别最大F1值为0.93置信度阈值约0.51各类别F1普遍在0.88–0.99之间green_light、yellow_light、red_light的F1相对略低0.88–0.893.PR曲线PR_curve.pngmAP0.5 0.959全类别平均表现最好的类别do_not_enter、left_right_lane、ped_zebra_cross、traffic_light、warning0.995表现较差的类别red_light0.826yellow_light0.816green_light0.895混淆矩阵分析confusion_matrix.png主要问题背景误检严重很多类别将背景预测为自身如do_not_enter、do_not_stop等都有30个以上背景误检类别间混淆traffic_light被误检为red_light4次left_right_lane与enter_left_lane存在一定混淆部分类别漏检ped_crossing真实标签为1但预测为0训练过程分析损失曲线train/box_loss、train/cls_loss、train/dfl_loss持续下降无明显震荡 → 训练稳定val/box_loss、val/cls_loss、val/dfl_loss同样下降后期趋于平稳 → 无过拟合精度/召回率曲线Precision 和 Recall 在前30个epoch快速上升之后稳定在0.78–0.83之间召回率略低于精度→ 模型存在一定漏检但误检控制较好常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码