计算机视觉深度学习YOLOV8模型训练车辆种类检测数据集 车辆类别检测数据集的训练及应用 推理识别检测大巴车 卡车 汽车巴士等进行检测识别

以下文字及代码仅供参考学习使用。

车辆种类检测数据集信息表

数据集概述

项目	内容
数据集名称	车辆种类检测数据集
总图像数量	4,058 张
应用场景	智能交通系统（ITS）、自动驾驶、交通管理、路径规划、避让决策
目标类别	12 类车辆类型，具体如下表
标注格式	.txt（YOLO 格式，归一化坐标）
适用模型	YOLO 系列（直接用于训练）

---

类别标签对照表

类别编号	英文名称	中文名称	描述
0	big bus	大巴	大型公共汽车
1	big truck	大卡车	大型货运车辆
2	bus-l-	大客车-L	长款大型公共汽车
3	bus-s-	巴士-S-	短款大型公共汽车
4	car	汽车	小型乘用车
5	mid truck	中型卡车	中型货运车辆
6	small bus	小巴士	小型公共汽车
7	small truck	小卡车	小型货运车辆
8	truck-l-	卡车-L-	长款卡车
9	truck-m-	卡车-M-	中长款卡车
10	truck-s-	卡车-S-	短款卡车
11	truck-xl-	卡车-XL-	特大型卡车

---

数据集划分及标注统计

数据集类型	图像数量	占比	用途
训练集	3,246 张	80%	用于模型训练
验证集	405 张	10%	用于评估模型性能，调参
测试集	407 张	10%	用于最终模型评估，确保泛化能力
总计	4,058 张	100%	——

---

数据集

• ✅ 大规模数据集：包含 4,058 张高清图片，覆盖多种类型的车辆。
• ✅ 详细分类：细分为 12 类车辆，涵盖从小型汽车到特大型卡车的不同类型。
• ✅ 标准格式：提供 .txt 标注文件，兼容 YOLO 系列模型，可以直接用于训练。
• ✅ 科学划分：按照 8:1:1 的比例进行训练集、验证集和测试集的划分，确保模型的有效性和泛化能力。

---

研究意义

车辆种类检测数据集的研究背景主要关注于以下几个方面：

1. 智能交通系统（ITS）：

   • 准确识别不同类型的车辆帮助交通管理部门实时监控车流情况，优化交通信号控制，减少拥堵。

2. 自动驾驶技术：

   • 自动驾驶车辆需要能够准确识别周围的车辆类型，以便做出合理的路径规划和避让决策，提高行驶安全性和效率。

3. 交通管理和安全：

   • 基于计算机视觉的车辆检测技术可以快速、准确地分类各类车辆，有助于提升交通管理效率，减少交通事故的发生。

4. 智慧城市建设：

   • 通过高效、准确的车辆检测技术，助力智慧城市的建设和发展，改善城市交通状况，提升居民生活质量。

---

data.yaml 示例内容

train: ./vehicle-detection-dataset/images/train
val: ./vehicle-detection-dataset/images/val
test: ./vehicle-detection-dataset/images/test

nc: 12  # 类别数量
names: ['big bus', 'big truck', 'bus-l-', 'bus-s-', 'car', 'mid truck', 'small bus', 'small truck', 'truck-l-', 'truck-m-', 'truck-s-', 'truck-xl-']

1

1

你提供的 车辆种类检测数据集（12类，共4058张图像，YOLO格式）非常适合用于智能交通系统（ITS）和自动驾驶场景中的精细化车辆分类任务。以下是完整的 环境搭建 → 数据准备 → YOLOv8 训练 → 推理 → 评估 → 部署建议 的全流程技术指导。

---

✅ 一、环境配置

1. 安装 CUDA 驱动（GPU 加速）

确保你的 NVIDIA 显卡驱动已安装：

nvidia-smi

输出应显示 GPU 信息。推荐使用 CUDA 11.8 或 12.1。

---

2. 安装 Anaconda

下载并安装 Anaconda（Python 3.9+ 推荐）。

---

3. 创建 Python 虚拟环境

conda create -n vehicle_yolo python=3.9
conda activate vehicle_yolo

---

4. 安装必要依赖

# 安装 PyTorch（以 CUDA 11.8 为例）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 安装 YOLOv8 官方库
pip install ultralytics opencv-python numpy matplotlib tqdm scikit-learn pandas

# 可选：TensorBoard 可视化
pip install tensorboard

# 图像查看工具
pip install pillow

验证 GPU 是否可用：

python -c "import torch; print(torch.cuda.is_available())"
# 应输出 True

---

✅ 二、数据集结构与 data.yaml 配置

数据目录结构

vehicle_dataset/
├── images/
│   ├── train/      # 3246 张
│   ├── val/        # 405 张
│   └── test/       # 407 张
├── labels/
│   ├── train/      # 对应的 .txt 文件 (YOLO 格式)
│   ├── val/
│   └── test/
└── data.yaml       # 数据配置文件

---

创建 data.yaml

在项目根目录创建 data.yaml 文件：

# data.yaml
train: ./vehicle_dataset/images/train
val: ./vehicle_dataset/images/val
test: ./vehicle_dataset/images/test  # 支持独立测试集评估

# 类别数量
nc: 12

# 英文类别名称（与标签顺序一致）
names:
  - big bus
  - big truck
  - bus-l-
  - bus-s-
  - car
  - mid truck
  - small bus
  - small truck
  - truck-l-
  - truck-m-
  - truck-s-
  - truck-xl-

# 中文映射（用于可视化）
names_zh:
  - 大巴
  - 大卡车
  - 大客车-L
  - 巴士-S-
  - 汽车
  - 中型卡车
  - 小巴士
  - 小卡车
  - 卡车-L-
  - 卡车-M-
  - 卡车-S-
  - 卡车-XL-

⚠️ 注意：YOLOv8 要求 names 列表中的顺序与 .txt 标注中的类别 ID 完全对应（从 0 开始）。

---

✅ 三、调用 YOLOv8 官方预训练模型进行训练

由于类别较多（12类），建议使用 YOLOv8m 或 YOLOv8l 以提升分类精度。

from ultralytics import YOLO

# 加载官方预训练模型（推荐使用 yolov8m.pt）
model = YOLO('yolov8m.pt')  # 自动下载预训练权重

# 开始训练
results = model.train(
    data='data.yaml',           # 数据配置文件
    epochs=150,                 # 训练轮数
    batch=32,                   # 根据显存调整（RTX 3090 可用 64）
    imgsz=640,                  # 输入尺寸（可尝试 800 提升小车检测）
    optimizer='AdamW',          # 更稳定优化器
    lr0=0.001,                  # 初始学习率
    weight_decay=0.0005,
    momentum=0.937,

    # 数据增强（提升泛化能力）
    augment=True,
    hsv_h=0.015,                # 色调扰动
    hsv_s=0.7,
    hsv_v=0.4,
    degrees=10.0,               # 随机旋转
    translate=0.1,
    scale=0.5,
    shear=0.0,
    flipud=0.0,
    fliplr=0.5,                 # 左右翻转
    mosaic=1.0,                 # Mosaic 增强
    mixup=0.1,                  # MixUp
    copy_paste=0.1,             # Copy-Paste（对小车有效）

    # 正则化
    dropout=0.2,
    label_smoothing=0.1,        # 标签平滑，防止过拟合

    # 学习率调度
    cos_lr=True,                # 余弦退火学习率

    # 保存与日志
    project='runs/train',
    name='vehicle_yolov8m',
    save=True,
    save_period=10,
    exist_ok=False,

    # 缓存（内存充足时开启）
    cache=False
)

💡 建议：

• 若显存不足，改用 yolov8s.pt 或降低 batch=16
• 可尝试 imgsz=800 提升远处小车检测能力
• 使用 copy_paste 增强稀有类别（如 truck-xl-）

---

✅ 四、推理代码（单图 / 批量 / 视频）

1. 单张图像推理

from ultralytics import YOLO
from PIL import Image

# 加载最佳模型
model = YOLO('runs/train/vehicle_yolov8m/weights/best.pt')

# 推理
results = model('test_car.jpg', conf=0.4)  # 设置置信度阈值

# 显示结果
for r in results:
    im_array = r.plot()  # 绘制边界框和标签
    im = Image.fromarray(im_array[..., ::-1])  # BGR to RGB
    im.show()

---

2. 批量图像推理

results = model.predict(
    source='vehicle_dataset/images/test',
    save=True,
    project='runs/detect',
    name='vehicle_test_results',
    conf=0.4,
    imgsz=640
)
print("批量推理完成")

---

3. 视频检测（如交通监控视频）

results = model.predict(
    source='traffic_video.mp4',
    save=True,
    project='runs/detect/video',
    name='traffic_result',
    show=False,
    conf=0.4
)
print("视频检测完成")

---

4. 实时摄像头检测（OpenCV）

import cv2

cap = cv2.VideoCapture(0)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame, conf=0.4)
    annotated_frame = results[0].plot()

    cv2.imshow('Vehicle Detection', annotated_frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

---

✅ 五、模型评估（验证集 + 测试集）

1. 在验证集上评估

metrics = model.val(
    data='data.yaml',
    split='val',
    batch=32,
    imgsz=640,
    save_json=False,
    project='runs/val',
    name='vehicle_eval'
)

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}")

# 每类 AP
for i, name in enumerate(model.names):
    print(f"{name} (AP@0.5): {metrics.box.ap[i]:.4f}")

---

2. 在测试集上独立评估（推荐）

# 使用 test split 进行最终性能评估
test_metrics = model.val(
    data='data.yaml',
    split='test',
    save_json=True,
    name='test_final'
)

print(f"Test mAP@0.5: {test_metrics.box.map50:.4f}")

---

✅ 六、可视化与分析

1. 使用中文标签显示

# 修改模型类名显示为中文
model.names = ['大巴', '大卡车', '大客车-L', '巴士-S-', '汽车', '中型卡车',
               '小巴士', '小卡车', '卡车-L-', '卡车-M-', '卡车-S-', '卡车-XL-']

results = model('test.jpg')
results[0].plot()  # 显示中文标签

2. 查看训练曲线

tensorboard --logdir runs/train/vehicle_yolov8m

---

✅ 七、模型导出（ONNX / TensorRT / TFLite）

# 导出为 ONNX（通用部署）
model.export(format='onnx', dynamic=True, opset=13, imgsz=640)

# 导出为 TensorRT（NVIDIA GPU 加速）
model.export(format='engine', half=True, dynamic=True)

# 导出为 TFLite（移动端）
model.export(format='tflite', int8=True)

# 导出为 CoreML（iOS）
model.export(format='coreml')

---

✅ 八、优化建议（多类别车辆检测）

问题	建议
类别相似（如 bus-l- vs small bus）	使用更高分辨率（imgsz=800），增加训练 epoch
小目标（远处车辆）	启用 mosaic, copy_paste，使用 yolov8l
类别不平衡	检查 labels/ 中各类别分布，使用 class weights
过拟合	添加 dropout, label_smoothing, 早停

---

以上文字及代码仅供参考学习使用。