YOLOv5交通标志检测：从数据预处理到ONNX部署完整指南

简介：YOLOv5交通标志物检测完整工程包，面向计算机相关专业正在准备课程设计、期末大作业的学生，以及需要完整项目进行实战练习的深度学习学习者。项目以YOLOv5为检测框架，整合了源代码、训练好的权重模型、标注数据与训练配置，覆盖从数据整理、模型训练、效果评估到单张/视频推理的完整链路，能够直观展示目标检测在实际交通场景中的应用方式。压缩包共266个文件，体积423MB，文件类型以Python脚本、YOLO系列配置、模型权重、图像样本为主，同时包含训练日志、指标统计和Docker部署文件，兼顾二次开发与部署实践需求。目前已有362人学习浏览，项目源码经过严格调试，下载后按照说明即可直接运行，免去复杂的环境搭建与数据集准备流程。对需要完成课程报告或答辩演示的同学来说，包内训练记录、结果曲线和模型性能数据都是现成的支撑材料，适合作为高分项目参考或在此基础上做算法优化。

1. 拿到YOLOv5交通标志物检测项目包后，先确认这三件事

这种“源码+训练好的模型+全部数据”的压缩包看似一步到位，但最常见的问题不是模型不收敛，而是你拿到手就直接双击 train.py，结果在数据加载阶段就抛异常。解压之后我会按三步走：先确认目录是不是自包含的，weights、data、models、runs 这些关键目录是否齐全；再确认权重文件是完整 checkpoint 还是只用于推理的 stripped 模型，前者能接着训练，后者只能做推理；最后检查数据集标注是不是 YOLO 的 txt 格式，而不是 VOC 的 xml 或 COCO 的 json。

交通标志检测和通用目标检测不太一样。标志在画面里往往只占几十个像素，而且数据集之间的类别定义差异很大，TT100K 有 45 类，CCTSDB 只有 3 类，直接拿别人训练好的模型跑你的测试图，很可能类别名对不上、mAP 跌一半。所以先搞清楚这个包里的数据分布和标签结构，比急着复现训练更重要。这个项目通常用于课程设计、毕业设计或小规模道路巡检验证，正确打开方式是把模型、数据和代码三个部分分别校验一遍。

2. YOLOv5交通标志物检测的网络结构和数据集格式

2.1 从CSPDarknet到三尺度检测头，YOLOv5网络结构如何服务小目标

要真正用好 YOLOv5，不能只会跑命令。YOLOv5 的网络结构分成三块：Backbone 是 CSPDarknet，Neck 是 PANet，Head 是三个不同尺度的检测头。CSP 模块把特征图沿通道分成两路，一路做卷积提取，一路通过 short-cut 直连，既减少计算量又保住梯度流。PANet 在 FPN 的基础上增加了一条自下而上的路径，让高层语义信息和小目标的细节纹理双向融合，这对交通标志这种小目标尤其关键。

Head 部分在 80x80、40x40、20x20 三个特征层上输出预测框。80x80 的网格负责捕捉小目标，感受野小；20x20 的网格负责大目标。交通标志在 1080p 路面上可能只有 20x20 像素，如果输入图像被缩得太小，小目标特征直接丢光。所以做交通标志物检测时，我一般会把输入尺寸从默认的 640 提到 1280，或者至少开 multi-scale 训练。YOLOv5 的 anchor 是在训练时基于你的数据集重新计算的，换数据集后如果还沿用 COCO 的 anchor，前几个 epoch 会明显不稳定。

2.2 数据集目录结构和 YOLO txt 标签格式

拿到项目包后，先看 data 目录是不是这样的结构：

project/ ├── data/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ ├── labels/ │ │ ├── train/ │ │ └── val/ │ ├── classes.txt │ └── traffic.yaml ├── weights/ │ ├── best.pt │ └── last.pt ├── models/ └── scripts/

如果 labels 目录是空的，那数据还需要预处理。YOLO 的标签每一行是五个浮点数：类别索引、归一化后的中心点 x、中心点 y、宽度、高度。比如图像宽 1920 高 1080，一个限速标志落在 (100, 200) 到 (160, 280)，标签行就是：

0 0.06771 0.22222 0.03125 0.07407

类别索引对应 classes.txt 里的顺序，0 表示第一类，不是中文名称。这里有个常见的脏数据：标注框坐标越界，x2 比图像宽度大几十像素。YOLOv5 在训练时会报坐标警告，不致命但会影响框回归精度。我习惯先写一个脚本统计缺失标签的图片：

import os img_dir = 'data/images/train' label_dir = 'data/labels/train' missing = 0 for name in os.listdir(img_dir): stem = os.path.splitext(name)[0] if not os.path.exists(os.path.join(label_dir, stem + '.txt')): print('missing label:', name) missing += 1 print('missing count:', missing)

这个脚本的逻辑很简单：图片文件名和标签名必须一致，只是后缀不同。缺失标签要么是数据整理时漏拷了，要么是这张图本身没有目标。如果没有目标的图片也放在 train 目录，最好单独清掉，否则 YOLOv5 会把它当成背景训练，影响 recall。

2.3 把 VOC XML 转成 YOLO 标签，避免手动标注浪费时间

项目如果给的标注是 Pascal VOC 的 xml，转换代码可以这样写：

import xml.etree.ElementTree as ET def voc_label_to_yolo(xml_path, out_txt, classes): root = ET.parse(xml_path).getroot() w = int(root.find('size/width').text) h = int(root.find('size/height').text) lines = [] for obj in root.iter('object'): name = obj.find('name').text if name not in classes: continue box = obj.find('bndbox') x1 = float(box.find('xmin').text) y1 = float(box.find('ymin').text) x2 = float(box.find('xmax').text) y2 = float(box.find('ymax').text) x_c = (x1 + x2) / 2.0 / w y_c = (y1 + y2) / 2.0 / h bw = (x2 - x1) / w bh = (y2 - y1) / h cls_id = classes.index(name) lines.append(f'{cls_id} {x_c:.6f} {y_c:.6f} {bw:.6f} {bh:.6f}') with open(out_txt, 'w') as f: f.write('\n'.join(lines))

使用前把 classes 列表按训练数据集的类别文件顺序填好。转换时如果 x2 比 w 大，要先 clip 再归一化，否则生成的 width 会大于 1，YOLOv5 对这类标签的过滤策略不一定每次都报错。

2.4 不同交通标志数据集的类别映射不要混着用

常见的交通标志检测数据集差异很大，训练前先看项目里的 classes.txt：

如果压缩包里的权重是用 CCTSDB 训练的，模型输出层就是 3 个类别，拿去做 TT100K 的 45 类评估，结果一定很差。所以训练自己的数据前，先确认 dataset.yaml 里的 nc 和 names 跟标签里的类别索引对齐。这一步比调学习率重要得多。

3. 本地复现YOLOv5交通标志物检测：环境、权重和推理

3.1 安装依赖并跑一次最小推理命令

解压项目后，先建虚拟环境装依赖。不要用系统 Python 直接装，YOLOv5 的依赖版本敏感，torch 和 torchvision 版本不匹配会直接报错。

cd YOLOv5交通标志物检测源码目录 python -m venv venv source venv/bin/activate pip install -r requirements.txt

requirements.txt 里通常包含 torch、torchvision、opencv-python、numpy、matplotlib、PyYAML、tqdm 等。如果机器是 NVIDIA GPU，按你装的 CUDA 版本选择对应的 torch 版本；如果是 CPU 机器，直接装 CPU 版即可，交通标志检测用 CPU 也能跑推理，只是训练会很慢。

环境装好后，先用模型对单张图片做推理：

python detect.py \ --weights weights/best.pt \ --source data/images/val/00001.jpg \ --conf-thres 0.25 \ --img-size 640 \ --save-txt

其中--source可以是单张图片、文件夹、视频文件或摄像头编号。--conf-thres是置信度阈值，低于 0.25 的框会被过滤掉；交通标志小目标置信度普遍偏低，可以降到 0.2 试一下。--save-txt会把每个框的类别和归一化坐标写入 runs/detect 目录，方便后面核对标注位置。

3.2 detect.py 关键参数表与交通标志场景推荐值

--img-size是推理时缩放到输入尺寸，不是原图尺寸。交通标志检测建议不要低于 640，否则远端小标志会被压缩成几个像素，检测器再强也识别不出。代价是推理速度变慢，可以用 TensorRT 或 ONNX Runtime 缓解。

3.3 先检查权重文件再推理，避免加载出空模型

很多 zip 里的 best.pt 是训练中途保存的完整 checkpoint，包含模型结构、优化器状态、epoch 和类别名；但也有的被剥成 deploy 版本，只能推理。用一个小脚本看权重结构：

import torch ckpt = torch.load('weights/best.pt', map_location='cpu', weights_only=False) print(ckpt.keys()) if 'model' in ckpt: model = ckpt['model'].float().eval() print('names:', model.names) print('stride:', model.stride) else: print('no model key, only state_dict')

如果输出里names是字典，说明模型自带类别名；如果为空，需要你在调用 detect.py 时补一个 dataset.yaml。stride是三个检测头的下采样倍数，正常是 [8, 16, 32]，看到这个值说明模型结构加载完整。忽略这一步直接跑，容易把类别数量不一致的模型当成可用权重，推理结果全是 0 个目标。

3.4 推理阶段最常见的三个错误

第一个是报Label class N exceeds nc=N_cfg in data/yaml，这不是推理问题，是训练标签写错了，后面训练章节会细说。第二个是CUDA out of memory，模型本身不大，但输入图开到 1280 后显存占用会成倍增加，先检查是不是真的用到了 GPU 和 batch size。第三个是图片路径含中文，OpenCV 默认读取不了，把测试集改成英文路径。

提示：如果 detect.py 输出了框但全标成无关类别，先检查 weights 和 dataset.yaml 是否属于同一个数据配置。跨数据集的模型耦合在类别列表上，路径、文件名对不上最典型的表现就是“检测到东西但全是错类”。

4. 用YOLOv5训练自己的交通标志数据集和超参数调优

4.1 写好 traffic.yaml，类别数和标签强相关

训练自己的数据集，第一步是建 dataset.yaml：

path: ./data train: images/train val: images/val nc: 3 names: 0: prohibitory 1: warning 2: mandatory

path是相对 dataset.yaml 所在目录的根路径，YOLOv5 会把 path、train、val 拼接成最终目录。nc必须和标签文件里最大类别索引 +1 相等。如果 names 里写了 3 个类别，但某个标签第 6 个数据是3 0.5 0.5 0.2 0.2，训练会直接报类标签越界。

检查标签越界可以跑一条命令：

python - <<'PY' from pathlib import Path for p in Path('data/labels/train').glob('*.txt'): for line in p.read_text().strip().splitlines(): if line and int(line.split()[0]) >= 3: print(p, line) PY

这个脚本用 heredoc 方式执行 Python，逻辑是遍历所有 txt，把第一列类别索引不小于 3 的行打印出来。输出有内容就先修数据，不要带着脏标签训练。

4.2 train.py 训练命令和参数说明

训练命令我一般写成这样：

python train.py \ --data data/traffic.yaml \ --weights yolov5s.pt \ --cfg models/yolov5s.yaml \ --img 640 \ --batch-size 16 \ --epochs 100 \ --hyp data/hyps/hyp.scratch-low.yaml \ --project runs/train \ --name traffic_exp

--weights yolov5s.pt使用 COCO 预训练权重做迁移学习，交通标志这种小数据集从零训练容易欠拟合，用预训练权重能明显加快收敛。--cfg指定模型结构文件，必须和--weights对应，yolov5s.pt 配 yolov5s.yaml，不能拿 yolov5m 的结构去加载 s 的权重。--hyp是超参数文件，交通标志场景推荐 hyp.scratch-low.yaml，因为数据量通常不大，过强的数据增强反而让模型学不到特征。

4.3 超参数怎么调：从lr0到mosaic

关键超参数我列在表里：

mosaic是拼接四张图训练，对提升小目标召回有奇效，但交通标志之间形态差异大，拼接太猛会导致上下文失真。如果你的训练 loss 一直震荡，先看lr0是不是太大，而不是持续加训练轮数。

4.4 训练过程异常排查和指标验证

训练过程中实时看runs/train/traffic_exp/results.csv，这个文件每轮都会写入 loss 和 mAP。用 pandas 快速看尾部数据：

import pandas as pd df = pd.read_csv('runs/train/traffic_exp/results.csv') print(df[['epoch', 'train/box_loss', 'val/box_loss', 'metrics/mAP50', 'metrics/mAP50-95']].tail())

正常情况是 box_loss 和 cls_loss 下降，mAP50 上升。如果 mAP50 一直在零附近，优先检查 labels 是否有内容、类别编号是否对、train 和 val 是否重叠。

训练结束后用 best.pt 跑验证集：

python val.py \ --weights runs/train/traffic_exp/best.pt \ --data data/traffic.yaml \ --task val \ --conf-thres 0.001 \ --iou-thres 0.6

验证时把置信度阈值设到 0.001，是为了画 PR 曲线时覆盖所有置信度区间，这样才能得到完整的 mAP。如果直接用推理时的 0.25 阈值做验证，mAP 会被截断，看起来偏低。

5. 导出ONNX并在本地验证交通标志检测模型

5.1 用 export.py 导出静态尺寸 ONNX

PyTorch 模型直接部署到端侧不方便，常见做法是先导出 ONNX。命令：

python export.py \ --weights runs/train/traffic_exp/best.pt \ --include onnx \ --opset 12 \ --img-size 640 640 \ --simplify

--img-size 640 640固定成静态输入，导出的 ONNX 在 CPU 设备上运行更稳定。--simplify会用 onnx-simplifier 做一些常量折叠和算子合并，减少模型体积。对交通标志检测这种小目标场景，不建议同时开--dynamic，动态 shape 会导致端侧显存分配不确定，流量大时延迟抖动很明显。

5.2 用 onnxruntime 做一次推理

导出后写一个最小推理脚本，验证 ONNX 输出是否正常：

import cv2 import numpy as np import onnxruntime as ort session = ort.InferenceSession('runs/train/traffic_exp/best.onnx', providers=['CPUExecutionProvider']) input_name = session.get_inputs()[0].name def preprocess(img): img = cv2.resize(img, (640, 640)) img = img[..., ::-1].transpose(2, 0, 1) img = np.ascontiguousarray(img, dtype=np.float32) / 255.0 return img[None] image = cv2.imread('data/images/val/00001.jpg') outputs = session.run(None, {input_name: preprocess(image)})[0] print(outputs.shape) # (1, 25200, 8)

输出形状里的25200是三个尺度的 anchor 总数，8 是四个坐标、一个目标置信度、三个类别概率。YOLOv5 的 ONNX 输出默认是不带解码的裸 tensor，后面还需要做 decode、conf 过滤和 NMS。如果你不想手写后处理，可以直接用项目里自带的 detect.py 验证 PyTorch 模型，把 ONNX 推理作为部署阶段的对齐参考。

5.3 部署前检查指标差距

一个容易被忽略的技巧是检查 ONNX 和 PyTorch 的输出差异。如果项目版本支持对 ONNX 直接跑 val.py，就对比 mAP50；如果不支持，就抽三张图逐框对比坐标和置信度。允许的差距很小，正常情况差在 0.1% 以内；如果差得明显，通常是预处理逻辑不一致，比如 BGR/RGB 顺序、归一化系数、letterbox 补边方式。拿一张训练集和验证集里都没出现过的路段照片，把 ONNX 输出的检测框画回原图，确认限速标志、禁行标志的框位准确，类别名和项目里 classes.txt 一致，再进入端侧部署环节。

本文还有配套的精品资源，点击获取