YOLO26四类车辆检测系统：公交车/小汽车/mAP超98%，750张训练集实战复盘（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

斌擎人工智能官方账号

213人浏览 · 2026-04-20 09:17:18

斌擎人工智能官方账号 · 2026-04-20 09:17:18 发布

摘要

随着智能交通系统的快速发展，基于深度学习的车辆检测技术在自动驾驶、交通监控和城市管理中发挥着越来越重要的作用。本研究基于YOLO26目标检测算法，构建了一个四类别车辆识别检测系统，包括公交车、小汽车、摩托车和卡车。系统采用750张图像作为训练集，100张作为验证集，150张作为测试集。实验结果表明，模型在验证集上达到了96.4%的mAP50，其中公交车和小汽车的识别准确率超过99%，但卡车类别存在召回率较低（63.1%）的问题。通过混淆矩阵和性能曲线分析，本研究深入探讨了模型的优势与不足，为后续优化提供了重要参考。该研究为智能交通系统中的多类别车辆检测提供了可行的技术方案和优化方向。

关键词：YOLO26；车辆检测；深度学习；目标检测；智能交通系统

详细功能展示视频

https://www.bilibili.com/video/BV17Kd2BcEAx/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV17Kd2BcEAx/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764 https://www.bilibili.com/video/BV17Kd2BcEAx/

训练曲线分析（results.png）编辑

功能模块

✅ 用户登录注册：支持密码检测，密码加密。

✅ 图片检测：可对图片进行检测，返回检测框及类别信息。

✅ 支持选择检测目标：可以选择一个或者多个类目的目标进行检测

✅参数实时调节（置信度和IoU阈值）

✅ 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。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

功能	描述
用户注册	用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储
用户登录	用户名密码验证，自动跳转主界面
用户数据存储	JSON文件存储用户信息（密码加密、注册时间、邮箱）
登录状态	主界面显示当前登录用户名

2、界面与交互模块

功能	描述
玻璃效果界面	半透明毛玻璃背景，圆角边框，现代化视觉风格
无边框窗口	自定义标题栏，支持窗口拖动、最小化、最大化、关闭
响应式布局	主窗口三栏布局（左侧控制区、中央显示区、右侧信息区）
状态栏	显示设备信息、模型状态、当前用户、实时时间

3、检测源管理模块

功能	描述
图片检测	支持JPG/JPEG/PNG/BMP格式图片载入
视频检测	支持MP4/AVI/MOV/MKV格式视频载入
摄像头检测	实时调用摄像头（默认ID 0）进行检测
检测源切换	下拉菜单切换三种检测模式，自动更新界面状态

4、检测参数配置模块

功能	描述
置信度阈值	滑动条调节（0-100%，步长1%），实时显示当前值
IoU阈值	滑动条调节（0-100%，步长1%），实时显示当前值
类别选择	动态生成检测类别复选框，支持全选/取消全选
参数同步	参数实时同步到检测器核心

5、YOLO检测核心模块

功能	描述
模型加载	加载`best.pt`模型文件，自动检测GPU可用性，支持CPU/GPU切换
多模式检测	图片检测、视频检测、摄像头实时检测
检测线程	基于QThread的多线程处理，避免界面卡顿
检测结果	返回目标类别、置信度、边界框坐标
FPS计算	实时计算处理帧率
进度反馈	视频处理进度条实时更新

6、结果显示模块

功能	描述
实时画面	中央区域显示检测结果图像（带标注框）
统计信息	检测状态、目标数量、FPS、处理帧数实时更新
检测列表	右侧列表显示当前帧所有检测到的目标（类别+置信度）
日志记录	日志标签页记录操作和错误信息，带时间戳
占位显示	未选择检测源时显示系统LOGO和提示文字

7、结果保存模块

功能	描述
保存开关	复选框控制是否保存检测结果
路径选择	自定义保存路径，支持图片/视频格式自动识别
自动命名	保存文件自动添加时间戳（`detection_result_20240101_120000.jpg`）
视频保存	支持检测结果视频录制（MP4格式）
手动保存	工具栏保存按钮可随时保存当前画面
保存反馈	保存成功弹窗提示，日志记录保存路径

8、工具栏功能

功能	描述
图片按钮	快速切换到图片检测模式并打开文件选择器
视频按钮	快速切换到视频检测模式并打开文件选择器
摄像头按钮	快速切换到摄像头检测模式
保存按钮	手动保存当前显示画面

9、辅助功能

功能	描述
错误处理	统一错误弹窗提示，日志记录错误详情
资源清理	检测停止时自动释放摄像头、视频文件、视频写入器资源
时间显示	状态栏实时显示系统时间
模型状态	状态栏显示模型加载状态和当前设备（CPU/GPU）

10、数据校验模块

功能	描述
注册验证	用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证
协议确认	注册前需勾选同意用户协议
文件校验	模型文件存在性检查，文件大小验证（≥6MB）
输入非空	登录/注册时必填项非空检查

引言

车辆识别与检测是智能交通系统的核心技术之一，广泛应用于交通流量统计、违章抓拍、自动驾驶感知、停车场管理等多个场景。随着城市车辆保有量的持续增长，如何高效、准确地识别不同类型车辆，成为提升交通管理智能化水平的关键问题。

近年来，基于深度学习的目标检测技术取得了突破性进展。从早期的R-CNN系列到YOLO系列，再到Transformer-based的DETR模型，检测精度和速度不断提升。其中，YOLO（You Only Look Once）系列以其端到端的检测方式和优异的实时性能，成为工业界最受欢迎的目标检测框架之一。YOLO26作为Ultralytics公司发布的最新版本，在模型结构、训练策略和推理效率上都进行了优化，特别适合需要实时处理的车辆检测任务。

本研究针对实际交通场景中的车辆检测需求，构建了一个包含公交车、小汽车、摩托车和卡车的四类别检测系统。通过对训练结果的详细分析，我们发现了模型在不同类别上的表现差异，特别是卡车类别的召回率问题，为后续模型优化提供了明确方向。本文将从数据集构建、模型训练、性能评估等多个维度，全面阐述该车辆识别检测系统的研究与实现。

背景

1. 智能交通系统的发展需求

智能交通系统（Intelligent Transportation System, ITS）是现代城市交通管理的重要支撑。随着城市化进程加快，交通拥堵、环境污染、事故频发等问题日益突出，传统的人工管理方式已难以满足需求。基于计算机视觉的智能监控系统能够实现全天候、大范围的交通信息采集，为交通规划、信号控制、事故预警等提供数据支持。

车辆作为交通系统的主体，其精确识别和分类是智能交通的基础。不同类型车辆在交通流中具有不同的行为特征：公交车有固定线路和站点，小汽车灵活多变，摩托车体积小易穿插，卡车则影响道路通行能力。准确识别这些车辆类型，对于交通流量统计、车型分类收费、专用车道管理等都至关重要。

2. 深度学习在目标检测中的发展

目标检测技术经历了从传统机器学习到深度学习的演进过程。2012年AlexNet在ImageNet竞赛中取得突破后，深度学习开始在计算机视觉领域占据主导地位。目标检测技术主要分为两阶段检测器和单阶段检测器两大类。

两阶段检测器以R-CNN系列为代表，首先生成候选区域，然后对每个区域进行分类和回归。这类方法精度较高，但速度较慢，难以满足实时检测需求。单阶段检测器则直接在图像上进行密集采样和预测，代表算法包括YOLO系列和SSD。其中，YOLO26算法将目标检测视为回归问题，用一个神经网络直接预测边界框和类别概率，实现了检测精度和速度的良好平衡。

3. 车辆检测面临的挑战

尽管深度学习技术取得了巨大进步，车辆检测任务仍然面临诸多挑战：

尺度多样性：图像中车辆大小差异显著，远处的车辆可能只有几十个像素，而近处的车辆则占据大部分画面。这种尺度变化对检测器的多尺度适应能力提出很高要求。

视角变化：监控摄像头安装位置不同，导致车辆呈现不同视角——俯视、平视、侧视等。模型需要学习这些不同视角下的车辆特征。

遮挡问题：在交通拥堵场景中，车辆相互遮挡严重，部分特征不可见，增加了检测难度。

光照变化：白天、夜晚、雨天、逆光等不同光照条件下，车辆外观差异显著，模型需要具备良好的光照鲁棒性。

类别不平衡：不同车型在交通流中出现频率差异很大，小汽车通常占绝大多数，而公交车、卡车等车型样本较少，容易导致模型对少数类别的识别能力不足。本研究的数据集中，小汽车和摩托车样本较多，而公交车和卡车样本相对较少，这种不平衡也是模型需要克服的挑战之一。

类间相似性：某些车型之间存在相似外观特征，如卡车与大型客车、摩托车与电动车等，容易造成误判。本研究中卡车被误判为小汽车的情况就是典型例子。

实时性要求：智能交通系统通常需要处理多路视频流，对检测速度有较高要求。YOLO系列的优势正是在于其优异的推理速度，适合部署在边缘计算设备上。

数据集介绍

本研究所用的车辆检测数据集是针对城市交通场景构建的多类别数据集，共包含1000张标注图像，涵盖了常见的四种车辆类型。数据集按照8:1:1的比例划分为训练集、验证集和测试集：

训练集：750张图像，用于模型参数学习
验证集：100张图像，用于模型选择和超参数调优
测试集：150张图像，用于最终性能评估

2. 类别分布

数据集包含以下四个车辆类别：

names: ['bus', 'car', 'motorbike', 'truck']

从验证集的统计信息可以看出各类别的实例分布：

类别	图像数	实例数	占比	特点
bus	2	2	0.24%	样本少
car	81	235	28.08%	样本丰富
motorbike	95	585	69.89%	样本最多
truck	15	15	1.79%	样本较少

训练结果

整体性能评估

mAP50 = 0.964

这是一个非常高的值，说明模型在 IoU=0.5 的条件下，检测精度非常高。
各类别的 mAP50 都很高，尤其是 bus 和 car 达到 0.99 以上。

mAP50-95（推测）

从 results.png 中可以看到，mAP50-95 也在逐步上升，最终接近 0.16 左右（虽然看起来低，但这是 COCO 风格指标，0.16 在小数据集上不算差）。

各类别表现分析

类别	图片数	实例数	精度 (P)	召回率 (R)	mAP50	分析
bus	2	2	0.98	1.00	0.995	样本极少，但识别完美
car	81	235	0.979	0.977	0.991	样本充足，表现稳定
motorbike	95	585	0.975	0.94	0.893	召回率略低，漏检较多
truck	15	15	1.00	0.631	0.889	精度极高但召回率低，漏检严重

混淆矩阵分析

从 confusion_matrix_normalized.png 看出：

bus 被正确识别为 bus，少量误判为 car 或 background。
car 几乎全部正确。
motorbike 有少量误判为 truck 或 background。

训练曲线分析（results.png）

train/box_loss、cls_loss、dfl_loss 都呈下降趋势，说明模型收敛良好。
val/box_loss、cls_loss 也在下降，没有明显过拟合。
mAP50 和 mAP50-95 稳步上升，说明模型在验证集上表现越来越好。

训练过程健康，没有明显过拟合或欠拟合。

F1-Confidence 曲线分析

从 BoxF1_curve.png 可以看出：

所有类别的最高 F1 分数为 0.92，出现在置信度 0.7 左右。
各类别的 F1 曲线较平滑，说明模型对不同置信度阈值鲁棒性较好。

Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

用于实例分割的 LabelMe 标注工具