深度学习基于YOLOV8 的训练智慧交通-yolo 车辆闯红灯目标检测数据集小目标检测类别区分-编程阁

智慧交通-yolo 车辆闯红灯目标检测数据集

【数据内容】
7049张图片，包含车、左转绿箭头、右转绿箭头、直行绿箭头、绿灯圆形、左转红箭头、红灯圆形、停车线、黄灯圆形等目标，图片清晰标注，适合目标检测模型训练

【格式支持】
数据集已标注好，支持yolo格式输出，直接可用

YOLO车辆闯红灯目标检测数据集 — 结构化信息表

字段	内容描述
数据集名称	车辆闯红灯目标检测数据集
图像数量	7,049 张
目标类别	车、左转绿箭头、右转绿箭头、直行绿箭头、绿灯圆形、左转红箭头、红灯圆形、停车线、黄灯圆形（共9类）
数据内容	包含城市路口典型场景下的交通灯与车辆状态图像，重点标注与闯红灯行为相关的关键视觉元素
图像质量	图片清晰，分辨率高，标注精准，适合用于目标检测模型训练
标注格式	已完成标注，支持 YOLO 格式输出（`.txt`标签文件，每行格式：`class_id center_x center_y width height`，归一化坐标）
数据用途	适用于交通违规检测、智能监控、信号灯识别、车辆行为分析等计算机视觉任务
使用建议	可直接用于 YOLO 系列模型（如 YOLOv5/v8/v11）的训练与推理；建议结合数据增强策略提升模型在复杂光照和遮挡场景下的鲁棒性
应用场景扩展	支持扩展至交通信号状态识别系统（Traffic Light Recognition, TLR）、智能交通监控系统（ITS）等实际工程落地项目

说明：该数据集聚焦于闯红灯行为检测的核心要素，不仅标注车辆，还精细标注各类信号灯状态及停车线位置，有助于构建端到端的违规判别模型。结合YOLO的高效检测能力，可实现对路口动态的实时理解与预警。

为了充分利用这些数据，我为您编写了基于YOLOv8的训练代码。考虑到数据集中包含“箭头”和“圆形”等不同形状的信号灯，我在代码中特别优化了小目标检测和多类别区分的参数。

1. 准备工作：配置文件

在运行代码前，请确保您的目录结构清晰，并创建traffic_violation.yaml配置文件。

目录结构建议：

Dataset/ ├── images/ │ ├── train/ (存放约5600张训练图) │ └── val/ (存放约1400张验证图) ├── labels/ │ ├── train/ (对应的YOLO格式txt标签) │ └── val/ └── traffic_violation.yaml

traffic_violation.yaml内容：

path:./Dataset# 数据集根目录train:images/trainval:images/val# 类别数量：9类nc:9# 类别名称 (顺序需与您的标注一致)names:0:vehicle# 车1:green_left_arrow# 左转绿箭头2:green_right_arrow# 右转绿箭头3:green_straight# 直行绿箭头4:green_circle# 绿灯圆形5:red_left_arrow# 左转红箭头6:red_circle# 红灯圆形7:stop_line# 停车线8:yellow_circle# 黄灯圆形

2. 训练代码 (`train_rush_light.py`)

这段代码针对您的9类目标进行了定制，使用了YOLOv8m（中等大小模型），因为它在识别细微的“箭头”形状和“圆形”灯光时，比 nano 模型具有更高的精度。

importosfromultralyticsimportYOLOimporttorchdeftrain_traffic_model():# 1. 设备配置# 优先使用 GPU，如果没有则使用 CPUdevice='0'iftorch.cuda.is_available()else'cpu'print(f"🚀 正在使用设备:{device}")# 2. 加载模型# 建议使用 yolov8m.pt，因为数据集包含9类目标且包含细小箭头，m模型特征提取能力更强# 如果显存不足，可改为 'yolov8s.pt'model=YOLO('yolov8m.pt')# 3. 训练参数配置results=model.train(data='traffic_violation.yaml',# 数据集配置文件epochs=200,# 训练轮数 (7000张图建议 100-300 轮)imgsz=640,# 输入图像尺寸batch=16,# 批次大小 (根据显存调整，显存不够设为 8)device=device,workers=8,# 数据加载线程数# --- 优化器设置 ---optimizer='AdamW',# AdamW 收敛更稳定lr0=0.001,# 初始学习率lrf=0.01,# 最终学习率momentum=0.937,# 动量weight_decay=0.0005,# 权重衰减# --- 针对交通场景的增强 ---# 交通灯通常较小，开启 Mosaic 和 MixUp 有助于提升鲁棒性mosaic=1.0,# Mosaic 增强 (100%概率)mixup=0.1,# MixUp 增强copy_paste=0.0,# 复制粘贴增强 (对重叠车辆有效，这里暂关)# 几何变换degrees=0.0,# 旋转角度 (交通场景通常水平，不建议大角度旋转)translate=0.1,# 平移scale=0.5,# 缩放 (增强不同距离的车辆/灯光检测能力)shear=0.0,# 剪切# 颜色变换 (适应白天/夜晚/阴雨天)hsv_h=0.015,# 色调hsv_s=0.7,# 饱和度hsv_v=0.4,# 亮度# --- 其他设置 ---patience=100,# 早停机制 (100轮无提升则停止)save=True,# 保存模型save_period=-1,# 仅保存最佳模型project='runs/traffic_detect',# 项目保存路径name='rush_light_v1',# 实验名称exist_ok=False,verbose=True)print("✅ 训练完成！模型保存在 runs/traffic_detect/rush_light_v1/weights/best.pt")# 4. 验证模型# 在验证集上测试性能metrics=model.val()print(f"📊 mAP50:{metrics.box.map50:.4f}")print(f"📊 mAP50-95:{metrics.box.map:.4f}")if__name__=='__main__':train_traffic_model()

3. 代码关键点解析

模型选择 (yolov8m.pt)：
- 您的数据集中包含“左转绿箭头”、“直行绿箭头”等相似类别。yolov8n虽然速度快，但在区分这些细微差别的形状时可能精度不足。yolov8m参数量更大，能更好地提取箭头特征。
数据增强策略：
- mosaic=1.0：Mosaic 增强将4张图片拼接成1张，这对于检测小目标（远处的红绿灯）非常有效，因为它增加了背景复杂度和目标密度。
- degrees=0.0：交通监控摄像头通常是固定角度的（俯视或平视），因此不需要像自然图像那样进行大角度旋转，设为0可以避免产生不符合物理规律的样本。
类别平衡：
- 数据集中“车”的数量可能远多于“箭头”。YOLOv8 内部会自动处理类别权重，但如果训练后发现“箭头”识别率低，可以在yaml文件中增加hyp参数中的cls_loss权重。

4. 训练后的应用思路

训练完成后，您可以利用生成的best.pt模型实现“闯红灯”逻辑：

检测：识别画面中的vehicle、stop_line和red_circle（或红色箭头）。
逻辑判断：
- 计算车辆中心点与stop_line的相对位置。
- 如果车辆越线（中心点在停车线前方）且当前信号灯类别为red_circle/red_left_arrow。
- 判定：触发违规报警。