我的算法修炼之路--7—— 手撕多重背包、贪心+差分，DFS，从数学建模到路径DP
2026/1/17 21:35:16
一、项目介绍
本项目致力于开发一个基于YOLOv10的交通标志检测系统，旨在通过计算机视觉技术实现对交通标志的高效检测与识别。该系统能够实时处理来自交通监控摄像头的视频流或图片，自动识别并标注出其中的交通标志，为自动驾驶、智能交通系统以及交通管理提供技术支持。
主要目标：
- 交通标志识别：利用YOLOv10算法高效识别交通标志，确保在各种复杂环境下都能保持高精度与高效性。
- 实时性：优化算法性能，确保能够实时处理视频流或图像数据，适用于交通监控和自动驾驶场景。
- 高精度：通过使用高质量数据集和先进的训练方法，确保在多种天气、光照条件下，系统能够达到高识别率和低误检率。
YOLOv10特性：
- 高效的检测速度：YOLOv10优化了网络结构，相比前几代YOLO模型，能够提供更快的推理速度。
- 精度提升：通过引入更先进的特征提取方法和更深层次的网络架构，YOLOv10在多个领域的检测任务中都表现出色。
- 小型化和轻量化：即使是资源有限的设备也能运行YOLOv10，实现实时检测。
数据集介绍
本项目使用的交通标志数据集包含了多种类型的交通标志，并涵盖了多种交通环境。数据集共包括 83 类交通标志，旨在提供广泛的交通标志分类，以便训练一个具有较强泛化能力的交通标志检测模型。
数据集组成：
- 训练集：12356 张图像
- 验证集：1266 张图像
- 测试集：654 张图像
这些图像涵盖了各种实际交通场景，标注了所有出现的交通标志，并包括了不同光照、天气、视角等条件下的交通标志。训练集和验证集分别用于模型的训练与调优，测试集用于评估模型的最终性能。
类别（83类）：
- Children
- Entering city
- Exiting city
- Falling rocks
- Fog
- Give way
- Ice or snow
- Intersection with priority
- Intersection without priority
- Level crossing -multiple tracks-
- Level crossing 160m
- Level crossing 240m
- Level crossing 80m
- Level crossing with barriers ahead
- Level crossing without barriers ahead
- Level crossing
- Loose surface material
- Low-flying aircraft
- No heavy goods vehicles
- No left turn
- No overtaking by heavy goods vehicles
- No right turn
- No vehicles carrying dangerous goods
- No vehicles
- One-way street
- Opening bridge
- Parking zone
- Pedestrian crossing
- Pedestrians
- Priority over oncoming traffic
- Right curve
- Road narrows
- Roadworks
- Series of curves
- Slippery surface
- Soft verges
- Steep ascent
- Steep descent
- Traffic queues
- Traffic signals
- Trams
- Tunnel
- Two-way traffic
- Unprotected quayside or riverbank
- Wild animals
- ahead only
- ahead or right
- bumpy road
- crosswalk
- do_not_enter
- end ofSpeed limit 70
- general caution
- keep right
- left curve
- no admittance
- no overtakes
- no stopping
- no_parking
- priority road
- road work
- roundabout
- slippery road
- speed limit -100-
- speed limit -110-
- speed limit -120-
- speed limit -130-
- speed limit -20-
- speed limit -30-
- speed limit -40-
- speed limit -5-
- speed limit -50-
- speed limit -60-
- speed limit -70-
- speed limit -80-
- speed limit -90-
- stop
- traffic light- green
- traffic light- red
- trafic light- red
- turn left or right only
- turn right only
- yellow
- yield
基于深度学习的交通标志检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习的交通标志检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）
二、项目功能展示
系统功能
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅摄像头实时检测：连接USB 摄像头，实现实时监测。
✅参数实时调节（置信度和IoU阈值）
演示与介绍视频：
图片检测
该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。
批量图片检测
用户可以一次性上传多个图片进行批量处理。该功能支持对多个图像文件进行并行处理，并返回每张图像的目标检测结果，适用于需要大规模处理图像数据的应用场景。
视频检测
视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。
摄像头实时检测
该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。
核心特点：
- 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
- 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
- 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。
三、数据集介绍
本项目使用的交通标志数据集包含了多种类型的交通标志，并涵盖了多种交通环境。数据集共包括 83 类交通标志，旨在提供广泛的交通标志分类，以便训练一个具有较强泛化能力的交通标志检测模型。
数据集组成：
- 训练集：12356 张图像
- 验证集：1266 张图像
- 测试集：654 张图像
这些图像涵盖了各种实际交通场景，标注了所有出现的交通标志，并包括了不同光照、天气、视角等条件下的交通标志。训练集和验证集分别用于模型的训练与调优，测试集用于评估模型的最终性能。
类别（83类）：
- Children
- Entering city
- Exiting city
- Falling rocks
- Fog
- Give way
- Ice or snow
- Intersection with priority
- Intersection without priority
- Level crossing -multiple tracks-
- Level crossing 160m
- Level crossing 240m
- Level crossing 80m
- Level crossing with barriers ahead
- Level crossing without barriers ahead
- Level crossing
- Loose surface material
- Low-flying aircraft
- No heavy goods vehicles
- No left turn
- No overtaking by heavy goods vehicles
- No right turn
- No vehicles carrying dangerous goods
- No vehicles
- One-way street
- Opening bridge
- Parking zone
- Pedestrian crossing
- Pedestrians
- Priority over oncoming traffic
- Right curve
- Road narrows
- Roadworks
- Series of curves
- Slippery surface
- Soft verges
- Steep ascent
- Steep descent
- Traffic queues
- Traffic signals
- Trams
- Tunnel
- Two-way traffic
- Unprotected quayside or riverbank
- Wild animals
- ahead only
- ahead or right
- bumpy road
- crosswalk
- do_not_enter
- end ofSpeed limit 70
- general caution
- keep right
- left curve
- no admittance
- no overtakes
- no stopping
- no_parking
- priority road
- road work
- roundabout
- slippery road
- speed limit -100-
- speed limit -110-
- speed limit -120-
- speed limit -130-
- speed limit -20-
- speed limit -30-
- speed limit -40-
- speed limit -5-
- speed limit -50-
- speed limit -60-
- speed limit -70-
- speed limit -80-
- speed limit -90-
- stop
- traffic light- green
- traffic light- red
- trafic light- red
- turn left or right only
- turn right only
- yellow
- yield
训练集：
测试集：
验证集：
数据集配置文件data.yaml
train: \datasets\images\train val: \datasets\images\val test: # test images (optional) nc: 1 names: ['0 ridderzuring']数据集制作流程
标注数据：使用标注工具（如LabelImg、CVAT等）对图像中的目标进行标注。每个目标需要标出边界框，并且标注类别。
转换格式：将标注的数据转换为YOLO格式。YOLO标注格式为每行：
<object-class> <x_center> <y_center> <width> <height>，这些坐标是相对于图像尺寸的比例。分割数据集：将数据集分为训练集、验证集和测试集，通常的比例是80%训练集、10%验证集和10%测试集。
准备标签文件：为每张图片生成一个对应的标签文件，确保标签文件与图片的命名一致。
调整图像尺寸：根据YOLO网络要求，统一调整所有图像的尺寸（如416x416或608x608）。
四、项目环境配置
创建虚拟环境
首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。
终端输入
conda create -n yolov10 python==3.9
激活虚拟环境
conda activate yolov10
安装cpu版本pytorch
pip install torch torchvision torchaudio
pycharm中配置anaconda
安装所需要库
pip install -r requirements.txt
五、模型训练
训练代码
from ultralytics import YOLOv10 model_path = 'yolov10s.pt' data_path = 'datasets/data.yaml' if __name__ == '__main__': model = YOLOv10(model_path) results = model.train(data=data_path, epochs=500, batch=64, device='0', workers=0, project='runs/detect', name='exp', )根据实际情况更换模型 yolov10n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 yolov10s.yaml (small)：小模型，适合实时任务。 yolov10m.yaml (medium)：中等大小模型，兼顾速度和精度。 yolov10b.yaml (base)：基本版模型，适合大部分应用场景。 yolov10l.yaml (large)：大型模型，适合对精度要求高的任务。
--batch 64：每批次64张图像。--epochs 500：训练500轮。--datasets/data.yaml：数据集配置文件。--weights yolov10s.pt：初始化模型权重，yolov10s.pt是预训练的轻量级YOLO模型。
训练结果
六、核心代码
import sys import cv2 import numpy as np from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLOv10 from UiMain import UiMainWindow import time import os class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果 finished_signal = pyqtSignal() # 线程完成信号 def __init__(self, model, source, conf, iou, parent=None): super().__init__(parent) self.model = model self.source = source self.conf = conf self.iou = iou self.running = True def run(self): try: if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')): # 视频或摄像头 cap = cv2.VideoCapture(self.source) while self.running and cap.isOpened(): ret, frame = cap.read() if not ret: break # 保存原始帧 original_frame = frame.copy() # 检测 results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) # 发送信号 self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) # 控制帧率 time.sleep(0.03) # 约30fps cap.release() else: # 图片 frame = cv2.imread(self.source) if frame is not None: original_frame = frame.copy() results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) except Exception as e: print(f"Detection error: {e}") finally: self.finished_signal.emit() def stop(self): self.running = False class MainWindow(UiMainWindow): def __init__(self): super().__init__() # 初始化模型 self.model = None self.detection_thread = None self.current_image = None self.current_result = None self.video_writer = None self.is_camera_running = False self.is_video_running = False self.last_detection_result = None # 新增：保存最后一次检测结果 # 连接按钮信号 self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) # 初始化模型 self.load_model() def load_model(self): try: model_name = self.model_combo.currentText() self.model = YOLOv10(f"{model_name}.pt") # 自动下载或加载本地模型 self.update_status(f"模型 {model_name} 加载成功") except Exception as e: QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}") self.update_status("模型加载失败") def detect_image(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.clear_results() self.current_image = cv2.imread(file_path) self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB) self.display_image(self.original_image_label, self.current_image) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测图片: {os.path.basename(file_path)}") def detect_video(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.clear_results() self.is_video_running = True # 初始化视频写入器 cap = cv2.VideoCapture(file_path) frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps = cap.get(cv2.CAP_PROP_FPS) cap.release() # 创建保存路径 save_dir = "results" os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") save_path = os.path.join(save_dir, f"result_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height)) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测视频: {os.path.basename(file_path)}") def detect_camera(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return self.clear_results() self.is_camera_running = True # 创建检测线程 (默认使用摄像头0) conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, 0, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status("正在从摄像头检测...") def stop_detection(self): if self.detection_thread and self.detection_thread.isRunning(): self.detection_thread.stop() self.detection_thread.quit() self.detection_thread.wait() if self.video_writer: self.video_writer.release() self.video_writer = None self.is_camera_running = False self.is_video_running = False self.update_status("检测已停止") def on_frame_received(self, original_frame, result_frame, detections): # 更新原始图像和结果图像 self.display_image(self.original_image_label, original_frame) self.display_image(self.result_image_label, result_frame) # 保存当前结果帧用于后续保存 self.last_detection_result = result_frame # 新增：保存检测结果 # 更新表格 self.clear_results() for class_name, confidence, x, y in detections: self.add_detection_result(class_name, confidence, x, y) # 保存视频帧 if self.video_writer: self.video_writer.write(cv2.cvtColor(result_frame, cv2.COLOR_RGB2BGR)) def on_detection_finished(self): if self.video_writer: self.video_writer.release() self.video_writer = None self.update_status("视频检测完成，结果已保存") elif self.is_camera_running: self.update_status("摄像头检测已停止") else: self.update_status("图片检测完成") def save_result(self): if not hasattr(self, 'last_detection_result') or self.last_detection_result is None: QMessageBox.warning(self, "警告", "没有可保存的检测结果") return save_dir = "results" os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") if self.is_camera_running or self.is_video_running: # 保存当前帧为图片 save_path = os.path.join(save_dir, f"snapshot_{timestamp}.jpg") cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR)) self.update_status(f"截图已保存: {save_path}") else: # 保存图片检测结果 save_path = os.path.join(save_dir, f"result_{timestamp}.jpg") cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR)) self.update_status(f"检测结果已保存: {save_path}") def closeEvent(self, event): self.stop_detection() event.accept() if __name__ == "__main__": app = QApplication(sys.argv) # 设置应用程序样式 app.setStyle("Fusion") # 创建并显示主窗口 window = MainWindow() window.show() sys.exit(app.exec_())七、项目
演示与介绍视频：
基于深度学习的交通标志检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习的交通标志检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）