无人机交通违法行为检测数据集训练无人机智能交通监控、城市安防、。深度学习YOLOV11模型如何训练交通违规检测数据集识别检测电动车头盔佩戴行人闯红灯横穿马路车辆闯红灯检测数据集 (1)

计算机c9硕士算法工程师

364人浏览 · 2026-03-13 09:36:26

计算机c9硕士算法工程师 · 2026-03-13 09:36:26 发布

无人机智能交通监控、城市安防、自动驾驶辅助等场景。深度学习YOLOV11模型如何训练交通违规检测数据集识别检测电动车头盔佩戴行人闯红灯横穿马路车辆闯红灯检测数据集

文章目录

🚦 交通违规检测数据集 + YOLOv11 训练方案

在这里插入图片描述

交通违规检测数据集

Yolo算法进行车辆、行人的交通违规检测任务，txt格式

7类，分别为：[‘Crossing_Violation’, ‘Crosswalk_Violation’, ‘Helmet_Violation’, ‘Normal’, ‘Passenger_Violation’, ‘Pedestrian_Violation’, ‘Trafficlight_Violation’]

训练集：4742张
验证集：390张

在这里插入图片描述

📊 数据集总体统计

项目	数值
总图像数量	5,132 张（训练集 4,742 + 验证集 390）
图像尺寸	可变（常见为 1920×1080 或 1280×720，适用于监控与车载视角）
类别数量	7 类
标注格式	`.txt`（YOLO 格式，归一化坐标）
适用任务	车辆与行人交通违规行为识别
可直接用于	YOLOv5 / YOLOv8 / YOLOv11 等系列模型训练

— 在这里插入图片描述

🏷️ 类别定义与说明

类别编号	类别名称（英文）	中文含义	备注
0	`Crossing_Violation`	横穿马路违规	行人或非机动车闯入禁止区域
1	`Crosswalk_Violation`	不走斑马线	行人未在斑马线上通行
2	`Helmet_Violation`	未戴头盔	骑电动车/摩托车未佩戴头盔
3	`Normal`	正常行为	无违规行为，作为负样本基准
4	`Passenger_Violation`	乘客违规	如副驾未系安全带、车窗探头等
5	`Pedestrian_Violation`	行人其他违规	如翻护栏、逆行等综合行为
6	`Trafficlight_Violation`	闯红灯	车辆或行人违反交通信号灯

— 在这里插入图片描述

🔢 数据集划分情况

数据集类型	图像数量	占比	用途
训练集（train）	4,742 张	~92.4%	模型学习特征与规则
验证集（val）	390 张	~7.6%	超参数调优与性能评估

⚠️ 注意：测试集未提供，建议从训练集中划分出独立测试集（如 5%）用于最终评估。

✅ YOLO 训练配置文件示例（`data.yaml`）

# data.yaml
train: ./dataset/images/train
val: ./dataset/images/val

# 类别数量
nc: 7

# 类别名称（按索引顺序）
names: ['Crossing_Violation', 'Crosswalk_Violation', 'Helmet_Violation',
        'Normal', 'Passenger_Violation', 'Pedestrian_Violation', 'Trafficlight_Violation']

💡 使用建议

应用场景：智能交通监控、城市安防、自动驾驶辅助系统。

🚦 交通违规检测数据集 + YOLOv11 训练方案

✅ 支持：车辆 & 行人违规行为识别
✅ 标签格式：txt（YOLO 格式）
✅ 类别数：7
✅ 可直接用于 YOLO 系列模型训练
✅ 提供完整 Python 训练脚本

📊 数据集概览

项目	内容
总类别数	7 类
类别名称	`['Crossing_Violation', 'Crosswalk_Violation', 'Helmet_Violation', 'Normal', 'Passenger_Violation', 'Pedestrian_Violation', 'Trafficlight_Violation']`
图像总数	5132 张
- 训练集	4742 张
- 验证集	390 张
标签格式	`.txt` 文件（每行：`class_id center_x center_y width height`，归一化）
应用方向	智能交通监管、AI 视频分析、违章自动抓拍

🔍 类别含义详解

类别英文名	中文解释	典型场景
`Crossing_Violation`	跨越道路中心线/双黄线	机动车压线变道、逆行
`Crosswalk_Violation`	不礼让斑马线	车辆在行人过街时未停车让行
`Helmet_Violation`	未佩戴头盔	电动车骑乘人员无头盔
`Normal`	正常状态	合规通行，作为背景参考
`Passenger_Violation`	乘客违规	副驾未系安全带、车窗探头等
`Pedestrian_Violation`	行人违规	闯红灯、翻护栏、非斑马线横穿
`Trafficlight_Violation`	闯红灯	机动车或非机动车红灯通行

⚠️ 注意：该数据集可能是以“图像级分类+目标定位”形式标注，也可能为“逐目标检测框+类别”，请确认是否每个对象都有独立边界框。以下按标准目标检测任务设计。

🗂️ 推荐目录结构

traffic_violation_dataset/
├── images/
│   ├── train/          # 4742 张
│   └── val/            # 390 张
├── labels/
│   ├── train/          # 对应的 .txt 标签文件
│   └── val/
├── traffic.yaml        # YOLO 配置文件
└── train.py            # 训练主程序

🛠️ YOLO 配置文件：`traffic.yaml`

# traffic.yaml
train: ./traffic_violation_dataset/images/train
val: ./traffic_violation_dataset/images/val

nc: 7
names: ['Crossing_Violation', 'Crosswalk_Violation', 'Helmet_Violation', 
        'Normal', 'Passenger_Violation', 'Pedestrian_Violation', 'Trafficlight_Violation']

✅ 将此文件保存在项目根目录下。

🚀 YOLOv11 完整训练代码：`train.py`

# train.py
from ultralytics import YOLO
import os
import time

# ======================= 参数配置 =======================
MODEL_NAME = "yolov11s.pt"               # 推荐使用 yolov11n/s/m；小显存选 n，精度高选 m/l
CONFIG_FILE = "traffic.yaml"             # 数据集配置路径
EPOCHS = 100
BATCH_SIZE = 16                          # 若显存不足可设为 8 或 4
IMG_SIZE = 640                           # 输入尺寸（可调整为 1280 提升小目标检测能力）
PROJECT_NAME = "traffic_violation_detection"
EXPERIMENT_NAME = "exp_traffic_yolo11"

DEVICE = 0 if os.environ.get("CUDA_AVAILABLE") else "cpu"  # 自动选择 GPU/CPU

# 检查配置文件是否存在
if not os.path.exists(CONFIG_FILE):
    raise FileNotFoundError(f"[ERROR] 找不到配置文件: {CONFIG_FILE}")

# ======================= 加载模型 =======================
print("🚀 加载 YOLOv11 模型...")
model = YOLO(MODEL_NAME)  # 自动下载预训练权重

# ======================= 开始训练 =======================
print("🔥 开始训练交通违规检测模型...")
start_time = time.time()

results = model.train(
    data=CONFIG_FILE,
    epochs=EPOCHS,
    batch=BATCH_SIZE,
    imgsz=IMG_SIZE,
    device=DEVICE,
    project=PROJECT_NAME,
    name=EXPERIMENT_NAME,
    exist_ok=True,
    patience=30,                         # 早停机制：验证损失连续30轮不降则停止
    save=True,
    save_period=10,                      # 每10轮保存一次检查点
    cache=False,                         # 设置为 True 可加快加载速度（需足够内存）
    workers=4,

    # 优化器设置
    optimizer='AdamW',
    lr0=0.001,                           # 初始学习率
    lrf=0.01,                            # 最终学习率 = lr0 * lrf
    momentum=0.937,
    weight_decay=0.0005,

    # 数据增强策略（适合交通场景）
    hsv_h=0.015,                         # 色调扰动
    hsv_s=0.7,
    hsv_v=0.4,
    degrees=10.0,                        # 轻微旋转模拟摄像头角度变化
    translate=0.2,
    scale=0.5,
    shear=2.0,
    flipud=0.0,                          # 上下翻转不合理（天空/地面不对称）
    fliplr=0.5,                          # 左右翻转增强
    mosaic=1.0,                          # Mosaic 增强提升小目标和遮挡鲁棒性
    mixup=0.1,                           # MixUp 缓解过拟合
    copy_paste=0.1,                      # 对 Helmet_Violation 等稀疏类有帮助
)

# ======================= 输出训练耗时 =======================
training_time = (time.time() - start_time) / 60
print(f"✅ 训练完成！总耗时: {training_time:.2f} 分钟")
print(f"📍 模型保存路径: {results.save_dir}")

# ======================= 验证模型性能 =======================
print("🔍 开始验证...")
metrics = model.val()
print(f"mAP@0.5: {metrics.box.map50:.4f}")
print(f"mAP@0.5:0.95: {metrics.box.map:.4f}")
print(f"Precision: {metrics.box.p:.4f}")
print(f"Recall: {metrics.box.r:.4f}")

# 显示各类别 AP @0.5
print("\n📊 各类别 mAP@0.5:")
for i, cls_name in enumerate(model.names):
    print(f"  {cls_name}: {metrics.box.maps[i]:.4f}")

# ======================= 导出 ONNX 模型（便于部署） =======================
print("📦 导出 ONNX 模型...")
onnx_path = model.export(format="onnx", dynamic=True, simplify=True)
print(f"ONNX 模型已保存至: {onnx_path}")

🧪 推理示例代码：`inference.py`

# inference.py
from ultralytics import YOLO
import cv2

# 加载训练好的模型
model = YOLO("traffic_violation_detection/exp_traffic_yolo11/weights/best.pt")

# 单张图片推理
image_path = "test.jpg"
results = model(image_path, conf=0.4, iou=0.5, imgsz=640)

# 可视化结果
for r in results:
    im_array = r.plot()  # 绘制检测框和标签
    im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR)
    cv2.imshow("Traffic Violation Detection", im)
    cv2.waitKey(0)
    cv2.imwrite("result_detected.jpg", im)

# 打印检测详情
for r in results:
    boxes = r.boxes
    for box in boxes:
        cls_id = int(box.cls[0])
        conf = float(box.conf[0])
        class_name = model.names[cls_id]
        print(f"检测到违规行为: {class_name} (置信度: {conf:.2f})")

🎯 应用场景建议

场景	实现方式
🚦 电子警察系统升级	替代传统触发式抓拍，实现全天候 AI 主动识别
🏙️ 智慧路口管理平台	接入多个摄像头，统计违规类型分布与热点区域
🛵 电动车头盔佩戴监管	重点识别 `Helmet_Violation`，联动广播提醒
🚶 行人闯红灯预警	检测 `Pedestrian_Violation` + `Trafficlight_Violation` 联合判断
📊 交通治理数据分析	导出 CSV 报表，辅助交管部门制定政策

⚠️ 注意事项与优化建议

问题	解决方案
`Normal` 类干扰检测	在推理阶段可只关注前6个“违规”类，或将 `Normal` 视为负样本
小目标难检（如远处头盔）	使用更高分辨率输入（如 `imgsz=1280`）或添加超分模块
类别不平衡	对 `Helmet_Violation`、`Passenger_Violation` 使用 Copy-Paste 增强
标注模糊	检查 `.txt` 文件是否为每辆车/人单独标注，避免整图打标
实时性要求高	导出为 TensorRT，在 Jetson 设备上运行