交通标志数据集识别交通道路中的警告，禁止性，强制性交通标识-北京尧图网络

使用 Python 深度学习 YOLOv8训练 CCTSDB 交通标志数据集识别交通道路中的警告禁止性强制性交通标识文章目录使用 Python 深度学习 YOLOv8训练 CCTSDB 交通标志数据集识别交通道路中的警告禁止性强制性交通标识**1. 安装依赖****2. 准备数据集**数据集结构data.yaml 文件**3. 训练 YOLOv8 模型**训练脚本**4. 推理代码****5. 训练评估****6. 构建 GUI 应用程序****7. 运行应用程序**以下文字及代码仅供参考。CCTSDB 交通标志数据集3 个分类分别为 mandatory、prohibition、warning 。标签 txt 格式train12499 张val3571 张test1786 张 total:17856 张安装依赖、准备数据集、训练 YOLOv8 模型、推理代码、评估模型性能到构建 GUI 应用程序的详细步骤。使用 Python 和相关的深度学习工具如 Ultralytics 的 YOLOv8。1. 安装依赖首先确保你已经安装了必要的库和依赖项。# 创建虚拟环境可选python-mvenv yolov8_envsourceyolov8_env/bin/activate# Linux/MacOSyolov8_env\Scripts\activate# Windows# 升级 pippipinstall--upgradepip# 安装依赖pipinstallultralytics opencv-python matplotlib pyqt52. 准备数据集数据集结构假设你的数据集已经标注为 YOLO 格式并按照以下目录结构组织CCTSDB/ ├── images/ │ ├── train/ │ │ ├── img1.jpg │ │ ├── img2.jpg │ │ └── ... │ ├── val/ │ │ ├── img1.jpg │ │ ├── img2.jpg │ │ └── ... │ └── test/ │ ├── img1.jpg │ ├── img2.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── img1.txt │ │ ├── img2.txt │ │ └── ... │ ├── val/ │ │ ├── img1.txt │ │ ├── img2.txt │ │ └── ... │ └── test/ │ ├── img1.txt │ ├── img2.txt │ └── ... └── data.yamldata.yaml文件创建一个data.yaml文件来描述数据集的配置train:CCTSDB/images/trainval:CCTSDB/images/valtest:CCTSDB/images/testnc:3# 类别数量names:[mandatory,prohibition,warning]# 类别名称3. 训练 YOLOv8 模型训练脚本使用 Ultralytics 提供的 YOLOv8 API 进行训练fromultralyticsimportYOLO# 加载预训练模型modelYOLO(yolov8n.pt)# 使用 YOLOv8 Nano 模型# 开始训练resultsmodel.train(dataCCTSDB/data.yaml,# 数据集配置文件路径epochs50,# 训练轮数imgsz640,# 输入图像大小batch16,# 批量大小device0# GPU 设备编号使用 CPU 设置为 cpu)# 导出最佳权重model.export(formatonnx)# 可导出为 ONNX 格式以用于部署4. 推理代码训练完成后可以使用保存的模型进行推理。fromultralyticsimportYOLOimportcv2# 加载训练好的模型modelYOLO(runs/detect/train/weights/best.pt)# 测试图像image_pathCCTSDB/images/test/img1.jpgresultsmodel(image_path)# 显示结果forresultinresults:boxesresult.boxes.xyxy.cpu().numpy()# 边界框classesresult.boxes.cls.cpu().numpy()# 类别索引confidencesresult.boxes.conf.cpu().numpy()# 置信度# 绘制边界框imagecv2.imread(image_path)forbox,cls,confinzip(boxes,classes,confidences):x1,y1,x2,y2map(int,box)labelf{model.names[int(cls)]}{conf:.2f}cv2.rectangle(image,(x1,y1),(x2,y2),(0,255,0),2)cv2.putText(image,label,(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,255,0),2)# 显示图像cv2.imshow(Result,image)cv2.waitKey(0)cv2.destroyAllWindows()5. 训练评估Ultralytics 的 YOLOv8 会在训练过程中自动生成评估指标如 mAP。你可以查看runs/detect/train/results.csv文件中的详细信息。此外可以使用以下代码手动评估模型fromultralyticsimportYOLO# 加载模型modelYOLO(runs/detect/train/weights/best.pt)# 验证模型metricsmodel.val(dataCCTSDB/data.yaml)print(metrics.box.map)# 输出 mAP 值6. 构建 GUI 应用程序使用 PyQt5 构建一个简单的 GUI 应用程序用于加载图像并显示检测结果。fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QPushButton,QFileDialogfromPyQt5.QtGuiimportQPixmap,QImagefromultralyticsimportYOLOimportcv2importsysclassMainWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle(交通标志检测)self.setGeometry(100,100,800,600)# 加载模型self.modelYOLO(runs/detect/train/weights/best.pt)# UI 元素self.labelQLabel(self)self.label.setGeometry(50,50,700,400)self.buttonQPushButton(选择图片,self)self.button.setGeometry(300,500,200,50)self.button.clicked.connect(self.load_image)defload_image(self):# 打开文件对话框file_path,_QFileDialog.getOpenFileName(self,选择图片,,Images (*.jpg *.png))iffile_path:# 检测图像imagecv2.imread(file_path)resultsself.model(image)forresultinresults:boxesresult.boxes.xyxy.cpu().numpy()classesresult.boxes.cls.cpu().numpy()forbox,clsinzip(boxes,classes):x1,y1,x2,y2map(int,box)cv2.rectangle(image,(x1,y1),(x2,y2),(0,255,0),2)cv2.putText(image,self.model.names[int(cls)],(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,255,0),2)# 转换为 Qt 图像格式height,width,channelimage.shape bytes_per_line3*width q_imgQImage(image.data,width,height,bytes_per_line,QImage.Format_RGB888).rgbSwapped()# 显示图像self.label.setPixmap(QPixmap.fromImage(q_img))if__name____main__:appQApplication(sys.argv)windowMainWindow()window.show()sys.exit(app.exec_())7. 运行应用程序运行上述代码启动 GUI 应用程序。用户可以通过界面加载图像并查看检测结果。

交通标志数据集识别交通道路中的警告，禁止性，强制性交通标识

相关推荐

滚动轴承故障检测基于双路神经网络滚动轴承故障诊断系统系统融合原始振动信号和二维时频图像进行多输入（多通道）故障诊断。PyTorch框架实现模型，可单双路

从点应用走向意图驱动，Joule Work 正在重写 SAP 企业软件的人机交互方式

STM32F405驱动24位DAC1220：高精度SPI接口实战与波形生成

更多资讯

C++游戏开发中enum class实战：从传统enum坑到类型安全迁移

Android纵向滑动页面实战：三容器选型与避坑指南

低附着路面半挂汽车列车折叠失稳仿真与差动制动控制

OMA-VMD自动寻优：告别手动调参的变分模态分解实战

包管理器三剑客：npm、Yarn、pnpm底层原理与工程实践对比

MySQL JDBC驱动版本与连接参数配置实战指南

今日更新

声子晶体仿真：三角晶格与六角晶格的能带计算实战

度假村安保定岗定编：岗位梳理、编制测算与排班设计

COMSOL等离子体模块实战：氩气双层DBD仿真建模全解析

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？