學生對小車控制提出了更好的要求，能否加入深度學習模型。

考慮到小車用matlab來做，yolo v5及以上版本都需要在pytorch下訓練，還是用早期版本來演示。

1 yolov4 調用

參考?trainYOLOv4ObjectDetector (mathworks.com)

name = "tiny-yolov4-coco";

% 需要安裝工具包，調用已訓練的yolo v4模型
detector = yolov4ObjectDetector(name);
disp(detector) 

analyzeNetwork(detector. Network) %網絡架構

%車檢測
img = imread("highway.png");
[bboxes,scores,labels] = detect(detector,img) %label中判斷有無目標對象
%車檢測
detectedImg = insertObjectAnnotation(img,"Rectangle",bboxes,labels);%插入bbox
figure
imshow(detectedImg)

%人檢測
I = imread("visionteam.jpg");
[bboxes, scores, labels] = detect(detector, I, Threshold=0.4)
detectedImg = insertObjectAnnotation(I, "Rectangle", bboxes, "person");
figure
imshow(detectedImg)

早期版本調用比較簡單。

2 yolov4 訓練

如果模擬小車進行車道保持，需要考慮行人、學校等環境，則需要對模擬的環境進行訓練，自己構建數據集，然后進行使用。

具體方式看 官網的介紹?

trainYOLOv4ObjectDetector (mathworks.com)

或者matlab中搜索?

Object Detection Using?YOLO?v4?Deep Learning

3 yolo v5 及以上版本訓練

AI 生成的，未測試。

3.1 安裝必要的軟件和庫

確保你的系統已安裝以下組件：

• MATLAB（建議R2021b或更高版本，支持Python接口）

• Python 3.8+（建議使用Anaconda管理環境）

• Ultralytics YOLOv11（通過pip安裝）

• PyTorch（支持CUDA的版本，如果使用GPU）

pip install ultralytics torch torchvision

3.2. 在MATLAB中配置Python環境

在MATLAB中設置Python解釋器路徑：

pyenv('Version', '你的Python路徑（如C:\Anaconda3\python.exe）');

驗證Python是否成功連接：

py.sys.version

3.3. 調用YOLOv11模型進行推理

使用MATLAB的py接口調用YOLOv11進行目標檢測

% 加載YOLOv11模型
model = py.ultralytics.YOLO('yolov11n.pt');  % 使用預訓練權重% 進行目標檢測
results = model.predict('test.jpg');  % 輸入圖像路徑% 獲取檢測結果
bboxes = results.xyxy[0];  % 邊界框坐標（x1, y1, x2, y2, conf, class）
disp(bboxes);

3.4. 訓練YOLOv11模型

YOLOv11的訓練通常在Python環境下進行，但可以通過MATLAB調用Python腳本實現：

(1) 準備數據集

確保數據集格式符合YOLO要求：

├─train
│ ?├─images
│ ?└─labels
└─valid
? ? ├─images
? ? └─labels

創建data.yaml文件：

train: ./train/images
val: ./valid/images
nc: 6  # 類別數
names: ['class1', 'class2', 'class3']  # 類別名稱

(2) 在MATLAB中調用訓練腳本

% 定義訓練命令
train_cmd = ['yolo detect train data=data.yaml model=yolov11n.pt epochs=50 batch=16 imgsz=640 device=0'];% 執行訓練
system(['python -c "from ultralytics import YOLO; model = YOLO(''yolov11n.pt''); model.train(data=''data.yaml'', epochs=50, batch=16, imgsz=640, device=0)"']);

在MATLAB中可視化訓練結果

訓練完成后，可以使用MATLAB加載訓練日志并繪制損失曲線：

% 讀取訓練日志（假設保存在results.csv）
data = readtable('results.csv');
plot(data.epoch, data.train_box_loss, 'b-', 'LineWidth', 2);
hold on;
plot(data.epoch, data.val_box_loss, 'r-', 'LineWidth', 2);
xlabel('Epoch');
ylabel('Loss');
legend('Train Loss', 'Validation Loss');
title('YOLOv11 Training Progress');

部署訓練好的模型（調用.onnx）

訓練完成后，可以導出模型并在MATLAB中加載：

% 導出ONNX格式（在Python中執行）
system('python -c "from ultralytics import YOLO; model = YOLO(''best.pt''); model.export(format=''onnx'')"');% 在MATLAB中加載ONNX模型
net = importONNXNetwork('best.onnx');

可以看出，在matlab中訓練yolo v5以上模型并不友好。