1. 项目概述交通信号灯识别是智能驾驶和辅助驾驶系统中的关键技术之一。作为一名长期从事计算机视觉开发的工程师我在实际项目中尝试过多种目标检测算法最终选择了YOLO系列作为基础框架。这套系统从数据采集到界面开发历时三个月期间踩过不少坑也积累了一些值得分享的经验。这个系统最核心的价值在于它不仅仅是一个算法demo而是包含了从数据标注到模型部署的完整pipeline。我在设计时特别注重实用性比如针对不同天气条件下的信号灯识别做了专门优化这在真实道路场景中非常关键。2. 系统架构设计2.1 整体技术栈选择系统采用经典的算法界面架构算法层基于YOLOv8的改进模型界面层PyQt5实现的交互式UI辅助工具自定义的数据标注工具和训练监控系统选择YOLOv8而非其他版本主要考虑三点推理速度比v5提升约15%对小目标检测效果更好官方提供的预训练模型更丰富2.2 核心模块交互流程系统工作流程分为四个阶段图像采集支持摄像头/视频/图片三种输入源预处理自动调整图像尺寸和色彩空间推理检测运行YOLO模型获取检测结果结果展示在UI界面标注信号灯状态注意在实际部署中发现BGR到RGB的转换环节容易被忽略这会导致约5%的准确率下降。3. 数据集构建3.1 数据采集方案我们收集了超过2万张包含交通信号灯的图像覆盖不同时段白天/夜晚各种天气晴天/雨天/雾天多种角度正面/侧面/仰视特别建议采集黄昏时段的图像这个时间点的光照条件最复杂对模型鲁棒性测试很有帮助。3.2 标注规范设计采用YOLO格式的标注但增加了两个特殊处理对闪烁状态的信号灯单独标注对部分遮挡的情况设置特定标签标注工具使用LabelImg改进版增加了以下功能快捷键快速切换标签类别自动保存标注进度支持多人协作标注4. 模型训练优化4.1 模型结构调整在YOLOv8基础上做了三点改进注意力机制增强class EnhancedAttention(nn.Module): def __init__(self, channels): super().__init__() self.query nn.Conv2d(channels, channels//8, 1) self.key nn.Conv2d(channels, channels//8, 1) self.value nn.Conv2d(channels, channels, 1) def forward(self, x): # 实现细节省略...多尺度特征融合改进损失函数加权调整4.2 训练技巧分享通过大量实验总结出几个关键参数配置参数推荐值说明初始学习率0.01使用cosine衰减策略批量大小16根据显存调整输入尺寸640x640兼顾速度和精度数据增强MosaicMixUp提升小样本识别训练过程中发现两个常见问题过拟合通过早停和权重衰减解决类别不平衡使用focal loss改进5. 系统实现细节5.1 环境配置要点推荐使用conda创建虚拟环境conda create -n traffic_light python3.8 conda install pytorch1.12.1 torchvision0.13.1 -c pytorch pip install pyqt5 opencv-python特别注意PyTorch版本过高可能导致CUDA内存泄漏建议使用1.12.x稳定版。5.2 核心代码解析检测逻辑的关键代码段def detect_traffic_light(image, model): # 预处理 img preprocess(image) # 推理 with torch.no_grad(): outputs model(img) # 后处理 results non_max_suppression(outputs) return parse_results(results)UI界面采用多线程设计防止界面卡顿class DetectionThread(QThread): signal pyqtSignal(np.ndarray) def run(self): while self.running: # 检测逻辑 self.signal.emit(result)6. 性能优化技巧6.1 推理加速方案实测在RTX 3060上可以达到35FPS优化手段包括TensorRT加速提升约40%速度半精度推理减少显存占用模型剪枝去除冗余计算6.2 实际部署问题在真实场景中遇到的典型问题及解决方案强光干扰解决方法增加HSV色彩空间过滤代码示例hsv cv2.cvtColor(image, cv2.COLOR_BGR2HSV) mask cv2.inRange(hsv, lower_red, upper_red)运动模糊解决方法使用卡尔曼滤波预测效果跟踪稳定性提升60%7. 扩展应用方向这套系统经过适当修改可以应用于交通违章抓拍系统自动驾驶感知模块智慧路口监控系统我在实际项目中尝试过将其与车牌识别系统结合构建了一个完整的路口监控解决方案。关键是要处理好不同模块间的数据同步问题建议使用消息队列如Redis作为中间件。开发过程中最大的收获是在计算机视觉项目中数据质量往往比模型结构更重要。花费在数据清洗和标注上的时间最终都会体现在模型效果上。建议至少分配40%的项目时间在数据准备工作上。