使用YOLOv8进行训练道路车道线及路面标识检测数据集使用权重识别直行右转限速虚线直线右转向左转向禁止直行等并构建道路路面标识识别系统

最新推荐文章于 2025-04-19 11:48:20 发布

目标检测数据集合

最新推荐文章于 2025-04-19 11:48:20 发布

阅读量812

点赞数 14

文章标签： YOLO

本文链接：https://blog.youkuaiyun.com/2401_86822270/article/details/145804683

版权

使用YOLOv8进行训练道路车道线及路面标识检测数据集使用权重识别直行右转限速虚线直线右转向左转向禁止直行等并构建道路路面标识识别系统

以下文字及代码仅供参考。

文章目录

道路车道线检测数据集 1700张车道线带标注 voc yolo 在这里插入图片描述

在这里插入图片描述

1
在这里插入图片描述
构建一个针对道路车道线检测的系统，并使用YOLOv8进行训练，我们需要完成以下几个步骤：数据准备、模型训练、验证和推理，以及构建用户界面。下面将详细介绍每个步骤。
以下是翻译后的内容：
标签图片编号边界框编号
虚线（939，1287）无
直线（616，964）无
右方向（409，437）无
左合流线（252，258）无
人员安全区（245，259）无
直行车道方向（602，900）无
右合流线（146，146）无
限速 40（Spedini:40）（15，24）无
左方向（256，283）无
左合流箭头（180，196）无
中心线（367，380）无
限速 80（SpeedlinitB0）（19，40）无
直行和右转（139，141）无
（Caloreone ）（28，83）无
反向三角形（92，97）无
施工区（5，6）无
公交专用道（17，19）无
限速 50 （25，39）无
右合流箭头（56，59）无
限速 30 （51，77）无
禁止掉头（19，20）无
道路菱形标识（92，162）无
禁止直行（135，152）无
禁止右转（36，36）无
禁止左转（53，53）无
限速 70 （9，17）无
限速 60 （11，21）无
直行和左转（116，120）无
对向车道左转（26，27）无
限速 90 （5，9）无
突发虚线（17，18）无
左转和掉头（36，36）无
转弯虚线（46，46）无
停止线（185，188）无
掉头（42，44）无
（Croslalk 拼写可能有误，暂无法准确翻译）（172，190）无
对向车道掉头（13，13）无
公交停靠区（6，7）无
自行车道（0，7）无
施工左合流箭头（1，1）无
直行、左转、右转（1，1）无
转弯方向（8，11）无
左转和右转（3，3）无
限速 50 （1，1）无
总计（1792，6878）无
请注意，原文中 “Caloreone” 和 “Croslalk” 可能拼写错误，导致无法准确翻译，你可以根据实际情况进行确认和修正。

数据准备

假设您的数据集已经按照VOC格式标注好，并且您希望将其转换为YOLO格式（如果尚未准备好）。首先，确保数据集按以下结构组织：

dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/
    ├── train/
    ├── val/
    └── test/

同时，提供一个data.yaml文件，内容如下：

train: ./dataset/images/train
val: ./dataset/images/val
test: ./dataset/images/test

nc: 31 # 类别数量，根据提供的类别计算得出
names: ['DotLine', 'StraightLine', 'RightDirection', 'LeftNergeLine', 'PeopleSafetyZone', 
        'StraightDirection', 'RightWNergeLine', 'Spedini40', 'LeftDireotion', 'Leftmergarrow',
        'CenterLine', 'SpeedlinitB0', 'StraightandRight', 'Caloreone', 'OppositeTrisngle',
        'ConstructionZone', 'BusLine', 'Speedlinit50', 'Rightnergearrou', 'Speedlinit30',
        'Nouturn', 'Roadianond', 'NoStraight', 'NoRightTurn', 'NoLeftTurn', 'speedlinit70',
        'spedlinit60', 'StraightandLoft', 'OppositeideLoft', 'Speedlinit90', 'SuddenlyDotLine',
        'LeftandUturn', 'TurnDotLine', 'StopLine', 'Uturn', 'Croslalk', 'OppositeSidelturn',
        'Busstopzone', 'bikeroad', 'Constructionleftmergcarrow', 'StraightLeftRight',
        'TurnDirection', 'LeftandRight', 'SpeedLinit50']

模型训练

下面是详细的训练代码示例：

from ultralytics import YOLO
import os

def main():
    # 加载预训练的YOLOv8模型
    model = YOLO('yolov8n.pt')  # 根据实际情况选择其他版本如'yolov8s.pt', 'yolov8m.pt'等
    
    # 开始训练
    results = model.train(
        data='./path/to/data.yaml',  # 替换为您的data.yaml路径
        epochs=300,  # 根据需要调整epoch数量
        imgsz=640,  # 输入图像尺寸
        batch=16,  # 批次大小，根据GPU内存调整
        project='./runs/detect',  # 训练结果保存位置
        name='lane_detection',  # 实验名称
        optimizer='SGD',  # 优化器类型
        device='0',  # 使用第0号GPU，'cpu'表示使用CPU
        save=True,  # 是否保存模型权重
        cache=True,  # 是否缓存数据到内存加速训练
    )

if __name__ == '__main__':
    main()

验证模型

在训练完成后，可以对模型进行验证以评估其性能。

# 加载最佳权重
model = YOLO('./runs/detect/lane_detection/weights/best.pt')

# 对验证集进行评估
results = model.val(
    data='./path/to/data.yaml',
    split='val',  # 或者'test'
)

构建道路车道线检测系统

接下来，我们将构建一个简单的GUI来展示模型的预测结果。这里我们使用tkinter作为GUI库，结合OpenCV和Pillow处理图像显示。

关键代码

首先，导入必要的库：

from tkinter import Tk, Label, Button, filedialog, Canvas, NW
from PIL import Image, ImageTk
import cv2
from ultralytics import YOLO
import numpy as np

定义加载模型和检测函数：

def load_model():
    """加载预训练的YOLOv8模型"""
    model = YOLO('./runs/detect/lane_detection/weights/best.pt')
    return model

model = load_model()

def detect_lane(image_path):
    """使用YOLO模型检测车道线"""
    results = model.predict(source=image_path)
    img = cv2.imread(image_path)
    for result in results:
        boxes = result.boxes.numpy()
        for box in boxes:
            r = box.xyxy
            x1, y1, x2, y2 = int(r[0]), int(r[1]), int(r[2]), int(r[3])
            cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
    return img

构建GUI界面：

class App:
    def __init__(self, window, window_title):
        self.window = window
        self.window.title(window_title)

        self.canvas = Canvas(window, width=640, height=480)
        self.canvas.pack()

        self.btn_select_image = Button(window, text="选择图片", width=20, command=self.select_image)
        self.btn_select_image.pack(anchor='center', expand=True)

        self.window.mainloop()

    def select_image(self):
        path = filedialog.askopenfilename()
        if len(path) > 0:
            image = detect_lane(path)
            image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
            image = Image.fromarray(image)
            self.image_on_canvas = ImageTk.PhotoImage(image)
            self.canvas.create_image(0, 0, anchor=NW, image=self.image_on_canvas)

启动应用程序：

root = Tk()
App(root, "车道线检测系统")

包括训练YOLOv8模型以及创建一个简单的图形用户界面（GUI）用于展示模型的预测结果，下面是完整的主函数代码示例。此示例包含了数据集准备、模型训练、验证和推理，以及构建一个简易的GUI来加载图片并显示车道线检测结果。

主函数代码

from tkinter import Tk, Label, Button, filedialog, Canvas, NW
from PIL import Image, ImageTk
import cv2
from ultralytics import YOLO
import numpy as np
import os

# 加载YOLO模型
def load_model():
    """加载预训练的YOLOv8模型"""
    model = YOLO('./runs/detect/lane_detection/weights/best.pt')  # 确保路径正确
    return model

model = load_model()

# 使用YOLO模型检测车道线
def detect_lane(image_path):
    """使用YOLO模型检测车道线"""
    results = model.predict(source=image_path)
    img = cv2.imread(image_path)
    for result in results:
        boxes = result.boxes.numpy()
        for box in boxes:
            r = box.xyxy
            x1, y1, x2, y2 = int(r[0]), int(r[1]), int(r[2]), int(r[3])
            cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)  # 绘制矩形框
    return img

class App:
    def __init__(self, window, window_title):
        self.window = window
        self.window.title(window_title)

        self.canvas = Canvas(window, width=640, height=480)
        self.canvas.pack()

        self.btn_select_image = Button(window, text="选择图片", width=20, command=self.select_image)
        self.btn_select_image.pack(anchor='center', expand=True)

        self.window.mainloop()

    def select_image(self):
        path = filedialog.askopenfilename(filetypes=[("Image files", "*.jpg *.jpeg *.png")])
        if len(path) > 0:
            image = detect_lane(path)
            image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
            image = Image.fromarray(image)
            self.image_on_canvas = ImageTk.PhotoImage(image)
            self.canvas.create_image(0, 0, anchor=NW, image=self.image_on_canvas)

if __name__ == '__main__':
    # 训练代码部分可以放在注释中或根据需要运行
    """
    from ultralytics import YOLO
    
    def main_train():
        model = YOLO('yolov8n.pt')  # 根据实际情况选择其他版本
        results = model.train(
            data='./path/to/data.yaml',
            epochs=300,
            imgsz=640,
            batch=16,
            project='./runs/detect',
            name='lane_detection',
            optimizer='SGD',
            device='0',
            save=True,
            cache=True,
        )
    
    main_train()
    """
    
    # GUI启动部分
    root = Tk()
    App(root, "车道线检测系统")