YOLOv8道路车流量检测系统：从目标检测到跨帧计数的完整实践

简介：面向交通管理、智慧城市及毕业设计场景的道路车流量检测系统，基于YOLOv8与Python实现，提供一套开箱即用的完整方案。系统可直接运行，适用于需要快速部署实时车辆识别与计数的研究人员、开发者及学生。压缩包共307个文件，包含126个Python源码脚本、125个编译后的pyc文件、37个YAML配置文件，以及训练好的yolov8n/yolov8m模型权重（onnx/pt格式）、测试视频和样例图片，包体大小155.1MB，目录组织清晰，便于按模块查阅。已有87人学习使用。除模型与源码外，资源附带了车辆检测的演示视频、图片数据及配置文件，能够直观展示YOLOv8的检测效果；完整的数据集和注释清晰的代码结构也为二次开发提供了良好基础，可帮助用户省去从零搭建环境的繁琐过程，快速完成车流量统计、交通参数分析等任务，是一份兼具实用性与学习价值的工程资源。

1. 为什么说 YOLOv8 是道路车流量检测系统“开箱即用”的最优解

拿到这套资源的第一时间，我没有去解压数据集研究标注格式，而是直接把traffic.MP4扔给yolov8m.pt跑了一次推理。检测框在车辆密集的交叉口居然没有出现大面积漏检，这是我对这套系统印象最深的地方。YOLOv8 把目标检测当成端到端的回归问题，省去了 RPN 网络，直接在图像上预测目标边界框和类别，这让它天然适合视频流实时处理。系统自带yolov8m.pt、yolov8m.onnx和yolov8n.onnx，配合 Python 的 OpenCV 就能完成从视频读取到按车道统计车流的全部工作。对做毕业设计的同学，这是从环境搭建到跑通演示最快的一条路径；对已经在做智慧交通项目的工程师，这套资源也能帮你快速评估 YOLOv8 在当前硬件上的效果，再决定要不要换更重的模型。

2. YOLOv8 结构与车流场景的匹配：C2f、Anchor-Free 和模型选型

YOLOv8 能在车流视频里表现得这么好，不是单纯因为算力变高了，而是它的网络结构改到了点上。网上讲 YOLOv8 网络结构图的文章很多，真正和车辆检测强相关的核心就两块：Backbone 里的 C2f 模块，以及 Anchor-Free 的检测头。把这两点理解到位，后面调参数和踩坑时就不会只能猜。

2.1 C2f 特征复用与小型车辆召回

C2f 是 CSPDarknet 结构里替代BottleneckCSP的新模块。输入特征图会先经过一个卷积拆分，一部分走多次 Bottleneck 提取更深语义，另一部分走短路径保留浅层空间信息，最后再拼到一起做 1x1 卷积融合。这种设计让特征图的梯度流路径更多，训练时浅层的小目标信息不容易被深层特征“冲掉”。

在道路场景里，远处的车辆可能只占 20 个像素左右，近处的公交车却可能占满半个画面。C2f 的多分支拼接方式让不同感受野的特征能反复融合，相当于同时保留“看清楚边缘”和“理解整体形状”的能力。车辆排队、相互遮挡时，输出层不会因为一个大卡车框就把旁边的轿车吞掉，这是它适合交通视频的关键原因。

2.2 m 与 n 模型选型对比表

本资源提供了yolov8m.pt、yolov8m.onnx和yolov8n.onnx三个模型。很多人不理解为什么一个检测系统要同时放.pt和.onnx，其实这正是从实验到部署的完整链路。.pt是 PyTorch 权重，适合用来继续训练、验证和调试；.onnx是部署格式，可以脱离 PyTorch 加载，方便嵌入到 C++ 或 Java 服务里。两个 ONNX 文件代表不同的速度/精度取舍，下面这个对比可以帮你快速选型：

我一般先用yolov8m.pt跑测试视频，确认检测效果达到预期后，再切到 ONNX Runtime 做耗时测试。如果平台算力吃紧，就换成yolov8n.onnx，它的目标框数量会少一些，但车流量统计场景通常不需要把每辆车都画得严丝合缝，计数精度往往在可接受范围内。

2.3 类别映射与.name文件的作用

资源目录下有个.name文件，第一眼容易忽略。YOLO 训练体系里，.name文件专门保存类别名，每一行对应一个类别的索引顺序。比如 COCO 数据集的 80 类里，索引 2 是car，5 是bus，7 是truck，如果.name内容写乱了，模型输出就会把汽车当成飞机。

这个资源里的.name文件用来描述模型识别的类别集合，配合bus.jpg、zidane.jpg这类测试图，可以快速验证权重是否加载正确。实际使用时要注意：不要用 Windows 记事本强行修改.name的编码格式，更不要用 Excel 打开，避免文件被加上 BOM 头导致检测程序读取标签时崩溃。

3. 工程文件与推理链路：从目录结构到跑通第一个视频

拿到压缩包后不要急着读代码，先把文件认全。这套资源不是把论文复现代码堆在一起，而是按“测试图片 + 测试视频 + 多格式模型 + 类别配置”组织的，目录结构非常接近一个已经跑通的项目仓库。

3.1 核心文件清单

edit-Count-car-YOLOv8.iml是 JetBrains 系列 IDE 的模块文件，说明这个工程原本就是通过 PyCharm 管理的，直接用 PyCharm 打开可以保留运行配置。根目录下的图片和视频是给你做输入源的：

edit-Count-car-YOLOv8.iml bus.jpg # 公交车样例，适合看大目标 zidane.jpg # 官方示例图，包含多人场景 car.mp4 # 轿车行驶视频 car2.mp4 # 第二个车流视频，可以对比不同角度 traffic.MP4 # 道路车流主测试视频 .name # 类别名文件，每行一个类别 yolov8m.onnx # medium 版 ONNX 模型 yolov8n.onnx # nano 版 ONNX 模型 yolov8m.pt # PyTorch 训练权重

.iml文件本身不影响 Python 推理，但如果你的 IDE 出现“模块未导入”之类的提示，检查一下它是否还在项目根目录。zidane.jpg是 ultralytics 官方测试图，主要用来确认模型能识别person类，对车流量检测没有实际意义，刻意保留它反而是好事，说明原工程没有把无关的模型评估文件删干净，数据是完整的。

3.2 用 ultralytics 加载 pt 直接推理

最快跑通的方式是直接用 ultralytics 包。Python 环境准备好后，先安装依赖：

pip install ultralytics opencv-python

装完直接执行：

yolo predict model=yolov8m.pt source=traffic.MP4 conf=0.35 iou=0.45 save=True

这条命令会读取当前目录下的yolov8m.pt，对traffic.MP4逐帧检测，并把结果保存到runs/detect/目录。conf=0.35表示检测框置信度低于 0.35 的直接忽略；iou=0.45是 NMS 去重阈值，两个重叠框的 IoU 超过 0.45 时保留分数更高的那一个。车流量场景里这个配置通常不用动，只要目标框没有大量闪烁，就说明参数是可用的。

如果你想在 Python 脚本里做更多处理，可以这样写：

from ultralytics import YOLO model = YOLO("yolov8m.pt") results = model.predict( source="car2.mp4", imgsz=640, conf=0.35, iou=0.45, max_det=200, save=True, project="runs/detect" )

从results[0].boxes里可以拿到每个目标框的xyxy坐标、置信度和类别索引。imgsz=640是标准输入分辨率，除非视频里的车辆太小，否则不建议盲目加大；max_det=200限制每帧最多保留 200 个目标，防止在拥堵路段出现上百个框导致后处理耗时剧增。

3.3 原生调用 ONNX 模型做无 PyTorch 推理

把yolov8m.onnx跑起来，需要自己写预处理和后处理。这里的输出格式和 PyTorch 不一样，ONNX 结果是一个[1, 84, 8400]的张量，其中 84 对应 4 个边界框坐标加上 80 个类别概率，8400 是三种尺度特征图展平后的候选框总数。下面这段代码可以直接用于 CPU 环境：

import cv2 import numpy as np import onnxruntime as ort session = ort.InferenceSession("yolov8m.onnx", providers=["CPUExecutionProvider"]) def letterbox(img, size=640): h, w = img.shape[:2] r = min(size / h, size / w) nw, nh = int(round(w * r)), int(round(h * r)) resized = cv2.resize(img, (nw, nh)) canvas = np.full((size, size, 3), 114, dtype=np.uint8) sy = (size - nh) // 2 sx = (size - nw) // 2 canvas[sy:sy + nh, sx:sx + nw] = resized return canvas, r, sx, sy def nms_boxes(boxes, scores, iou_thres): idx = cv2.dnn.NMSBoxes(boxes.tolist(), scores.tolist(), score_threshold=0.35, nms_threshold=iou_thres) return [] if len(idx) == 0 else idx.flatten().tolist() def predict_onnx(img): canvas, r, sx, sy = letterbox(img) blob = canvas[:, :, ::-1].transpose(2, 0, 1)[None].astype(np.float32) / 255.0 out = session.run(None, {session.get_inputs()[0].name: blob})[0] out = out[0].transpose(1, 0) # 8400 x 84 final = [] for row in out: cls_scores = row[4:] cls_id = int(cls_scores.argmax()) score = float(cls_scores[cls_id]) if score < 0.35: continue cx, cy, w, h = row[:4] x1 = (cx - w / 2 - sx) / r y1 = (cy - h / 2 - sy) / r x2 = (cx + w / 2 - sx) / r y2 = (cy + h / 2 - sy) / r final.append([x1, y1, x2, y2, score, cls_id]) if not final: return np.empty((0, 6)) arr = np.array(final) keep = nms_boxes(arr[:, :4], arr[:, 4], 0.45) return arr[keep]

这套后处理的核心是：先把 ONNX 输出从1,84,8400转成8400,84，然后对每个候选框取类别置信度最大的值，过滤掉低分目标，最后用 OpenCV 的NMSBoxes做去重。注意letterbox里记录的原图缩放比例和偏移量必须保存下来，否则边界框坐标还原后会出现整体偏移，检测框和车辆位置错开半个车身。

4. 车流量统计实战：跨线计数与目标关联调参

很多人以为“检测到车辆”就等于“统计车流量”，这是最大的认知偏差。单帧检测只是告诉你这一帧里有几辆车，但同一辆车在连续视频里会被检测到 30 次、50 次，直接把每帧数量累加，结果会膨胀到不可用。真正的车流量统计需要一个跨帧追踪机制，给每辆车分配一个唯一 ID，然后判断它是否经过了统计线。

4.1 为什么检测不等于计数

YOLOv8 的跟踪能力通过model.track接口暴露出来，底层集成的是 ByteTrack 或 BoT-SORT。它们会利用前一帧的目标位置和外观特征，将当前帧检测框与已有轨迹关联起来，并维护一个持续递增的track_id。有了track_id，同一辆车不管出现在多少帧里，它的 ID 不变，计数时只要判断这个 ID 是否已经越过虚拟线即可。

我用这套资源做测试时，最常犯的错误是在视频循环里用model.predict代替model.track。两种方法输出的框完全一样，但predict每帧都重新分配临时 ID，甚至根本没有 ID 概念，导致计数逻辑完全失效。调车流量的时候，必须使用track并且让跟踪器跨帧保存状态。

4.2 基于 model.track 的跨线计数实现

以下代码可以直接应用到traffic.MP4上，在画面高度 80% 的位置画一条虚拟线，每当车辆中心点越过虚拟线，计数加一：

from ultralytics import YOLO import cv2 model = YOLO("yolov8m.pt") cap = cv2.VideoCapture("traffic.MP4") line_y = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT) * 0.8) counter = 0 passed_ids = set() while True: ret, frame = cap.read() if not ret: break result = model.track( frame, persist=True, conf=0.35, iou=0.45, classes=[2, 5, 7], imgsz=640, verbose=False )[0] if result.boxes.id is not None: xyxy = result.boxes.xyxy.cpu().numpy() ids = result.boxes.id.cpu().numpy().astype(int) centers_y = (xyxy[:, 1] + xyxy[:, 3]) / 2 for track_id, cy in zip(ids, centers_y): if track_id not in passed_ids and cy > line_y: passed_ids.add(track_id) counter += 1 cv2.line(frame, (0, line_y), (frame.shape[1], line_y), (0, 255, 0), 2) cv2.putText(frame, f"count: {counter}", (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) cv2.imshow("car counter", frame) if cv2.waitKey(1) == ord("q"): break cap.release() cv2.destroyAllWindows()

persist=True是这里必须存在的参数。它让每次调用track时复用上一帧的轨迹状态，否则跟踪器会在每帧开头被重置，track_id无法保持。classes=[2,5,7]对应 COCO 索引里的car、bus、truck，把行人和自行车全部排除掉，避免骑电动车的人被统计进车流。line_y的位置要根据实际视频场景调整，太高会漏掉近处车辆，太低会让车辆已经过线很久才被计数。

4.3 参数速查与常见误用

车道检测场景的核心参数可以归纳成下面这张表，调参时按需改就行：

调参时的坑主要有三个。第一，conf设置太低，检测框会把路边的交通标志、建筑阴影都当成车，计数结果直接起飞；第二，iou设置过高，NMS 会把紧挨着的两辆车合并成一个框，导致漏检；第三，persist忘开，计数结果会忽高忽低，同一辆车多次越线。调试时可以在passed_ids更新处临时打印track_id，观察同一车辆最多出现几次，超过两次就说明跟踪状态没有保持好。

5. 部署与验证：把车流量检测系统用到真实路口之前要确认的几件事

模型在自己的测试视频上跑通，只是第一步。真实环境里的光照、车流密度、摄像头角度都和car.mp4不一样，直接上线大概率出问题。这里给出几个真正影响落地效果的验证和微调技巧。

5.1 用自己的数据微调时最容易翻车的三个点

第一是类别文件对齐。自己整理数据集时，.name文件里的类别顺序必须和标注 XML 或 txt 里的 class_id 严格一致。比如你把truck放在car前面，训练出的模型会把汽车识别成卡车。第二是训练参数里的model字段不要写错。用预训练权重做微调，命令直接写：

yolo detect train data=road.yaml model=yolov8m.pt epochs=50 imgsz=640 batch=8

这里的model=yolov8m.pt既表示使用 YOLOv8m 结构，又表示加载预训练权重，不要把它改成yolov8m.yaml，否则会从头训练，毕设周期根本来不及。第三是验证集和训练集不要从同一段视频里抽帧，否则模型会“记住”画面，测试指标虚高，换个路口就崩。

5.2 ONNX 部署与视频流接入建议

如果你的目标是部署到没有 PyTorch 的服务器上，可以直接使用第三章里的predict_onnx函数。视频流路径换成摄像头 RTSP 地址即可：

cap = cv2.VideoCapture("rtsp://your_camera_ip:554/stream")

在边缘设备上运行这个系统时，优先选用yolov8n.onnx，并将imgsz从 640 降到 480，配合每 2 帧执行一次检测的策略，可以把推理耗时控制在可接受范围内。对于需要统计方向的车流场景，仅靠一条虚拟线是不够的，建议把中心点坐标存成字典，按track_id聚合出轨迹方向后再计数。

5.3 验证模型没有“跑飞”的快速方法

不要只盯着计数数字看，直接把检测结果叠加到画面上逐段检查。最省事的做法是保留一段视频，对比原始画面和检测画面，确认目标框类别标签正确、ID 切换不频繁。如果发现同一个 ID 下一帧跳到了另一辆车上，先把conf和iou调回推荐值，再检查视频是否被缩放得太小。最后可以用这段代码快速输出单帧检测信息：

for box in result.boxes: name = result.names[int(box.cls)] conf = float(box.conf) coord = box.xyxy.tolist() print(f"{name} {conf:.2f} {coord}")

把name、conf和坐标对应到画面上的车辆，确认识别无误后，再继续调计数逻辑。这样一层层验证下来，车流量检测系统才真正具备交付价值。

本文还有配套的精品资源，点击获取