基于YOLO的智能車輛檢測與記錄系統
摘要
本報告總結了智能車輛檢測系統的開發工作，主要包括車輛數據標注、YOLO模型訓練及QT交互系統搭建三部分。通過使用專業標注工具完成車輛目標數據集的標注與預處理，基于YOLO模型構建車輛檢測算法并優化訓練流程，最終開發出具備實時檢測、結果統計及數據導出功能的QT應用系統。系統實現了對圖像、視頻及攝像頭實時畫面的車輛檢測，支持檢測置信度調節、檢測結果可視化與統計分析，滿足了車輛檢測場景的實際應用需求。
基于YOLO的智能駕駛車輛識別與記錄系統
一、數據標注工作
1. 數據采集與標注流程
- 數據采集：收集包含不同場景的汽車標注數據，包含
car
person
truck
bicycle
bus
traffic light
motorcycle
七類道路常見目標 - 標注工具：使用LabelImg工具進行手動標注，為每張圖像中的車輛目標繪制邊界框并標注類別，生成符合YOLO格式的標注文件（.txt），格式為
[類別索引, 中心點x, 中心點y, 寬度, 高度]。 - 數據清洗：剔除標注錯誤、模糊不清的圖像，確保數據集質量。
完整數據集獲取請聯系博客主
2. 數據預處理
- 數據集劃分：按8:1:1比例將數據劃分為訓練集（4000張）、驗證集（500張）和測試集（500張），保證數據分布均勻。
- 數據增強：通過旋轉、翻轉、亮度調整、高斯模糊等操作擴充數據集，提升模型泛化能力，最終訓練集數據量擴充至8000+張。
二、YOLO模型訓練工作
1. 模型選型與配置
- 模型選擇：基于YOLOv8n輕量級模型作為基礎架構，平衡檢測精度與推理速度，適合實時檢測場景。
- 參數配置：
- 輸入圖像尺寸：640×640像素
- 訓練批次大小（Batch Size）：16
- 最大訓練輪次（Epochs）：300
- 學習率策略：余弦退火衰減，初始學習率1e-3
- 數據增強策略：Mosaic、MixUp等YOLO原生增強方法
2. 訓練與優化過程
- 損失函數：使用YOLO原生的Bounding Box Loss（CIoU）、分類損失（CrossEntropy）和置信度損失（BCEWithLogitsLoss）組合優化檢測效果。
- 訓練監控：通過TensorBoard監控訓練過程，重點關注：
- 損失函數收斂情況（訓練損失與驗證損失）
- 檢測指標（mAP@0.5、精確率、召回率）
- 模型優化：
- 針對小目標車輛檢測效果不佳的問題，調整錨框參數以匹配車輛目標尺寸。
- 凍結骨干網絡進行遷移學習，提高訓練效率。
3. 模型評估
- 評估指標：在測試集上達到以下性能：
- mAP@0.5：92.3%
- 推理速度：在CPU（Intel i7-11700）上達到25 FPS，滿足實時性要求。
三、QT系統搭建工作
1. 系統架構設計
- 模塊劃分：
- 視頻輸入模塊：支持圖像、本地視頻、攝像頭三種輸入源
- 檢測處理模塊：集成YOLO模型推理，實時處理視頻幀
- 結果展示模塊：可視化檢測結果（邊界框、類別標簽），統計檢測數據
- 數據管理模塊：支持檢測結果保存（CSV、JSON、PDF報告）
2. 核心功能實現
- 實時檢測功能：
- 使用QThread實現多線程處理，避免UI卡頓，主線程負責界面渲染，子線程處理模型推理。
- 支持動態調整檢測置信度閾值，通過滑塊控件實時生效。
- UI交互設計：
- 采用現代化UI風格，使用卡片式布局、動畫按鈕提升交互體驗。
- 檢測統計面板包含總檢測數、類別統計及實時幀率顯示，通過QScrollArea解決多類別統計重疊問題。
- 結果導出功能：
- 支持將檢測結果保存為結構化數據（CSV、JSON），生成包含檢測可視化圖像和統計數據的PDF報告。
3. 技術難點與解決方案
- 問題1：檢測統計面板在多類別場景下出現內容重疊。
- 方案：為類別統計區域添加QScrollArea滾動組件，動態適應內容長度，優化布局管理邏輯，避免UI組件生命周期異常。
- 問題2：視頻流處理時UI響應卡頓。
- 方案：采用線程安全的信號-槽機制傳遞檢測結果，分離計算與渲染邏輯，確保界面流暢。
四、成果總結
- 數據層面：完成高質量車輛檢測數據集構建，標注數據千+張。
- 模型層面：基于YOLOv8n訓練的車輛檢測模型達到mAP@0.5=92.3%，滿足實時檢測需求。
- 系統層面：開發出功能完整的QT檢測系統，支持多源輸入、實時檢測、統計分析及結果導出，解決了UI布局重疊、線程安全等技術問題。
本系統可應用于交通監控、智能停車、車輛流量統計等場景，后續可進一步優化模型精度，擴展多目標檢測功能（如行人、交通標志等），提升系統實用性。
