YOLO交通标志检测完整项目：Python源码、数据训练与PyQt5系统构建

YOLO交通标志检测完整项目：Python源码、数据训练与PyQt5系统构建

本项目使用YOLO和PyQt5构建交通标志检测系统，支持图片、文件夹、视频和摄像头输入，输出目标框、类别、置信度及结果表格。我是孔一学长，这篇按工程实现过程介绍项目组成、数据接入、模型训练、结果验证与界面集成，方便做课设的同学逐项对照文件。

项目功能与运行效果

项目有YOLOv8s、YOLO11s、YOLO26s三个独立版本，共用同类界面功能。下面是YOLO11运行图：主区域绘制目标框，左侧展示检测信息，下方表格记录结果，右侧提供输入选择、模型选择和保存按钮。

完整演示采用YOLO11版，展示单图、文件夹批量、结果保存及连续视频检测：

https://www.bilibili.com/video/BV1oLpM6CEpL/

除演示功能外，程序还有摄像头输入入口。各版本实际检测效果以对应训练权重为准。

系统如何分层，代码分别负责什么

工程分为数据与模型文件、模型推理、结果处理、PyQt5交互几部分。训练阶段将数据变成权重，运行阶段加载权重处理新输入，再把结果显示到界面中。

构建顺序是先准备数据与模型训练入口，再保存和验证权重，最后让界面调用同一条预测链路。界面显示所需的类别、坐标等内容来自模型返回值。

准备环境并确认启动入口

项目推荐Python 3.11，依赖包括PyTorch、PyQt5、OpenCV和PyYAML。完整包已带ultralytics源码，运行时保持项目目录完整，并核对本机PyTorch与计算环境。

python-mpipinstall-rrequirements.txt python train.py --check-only python main.py

--check-only检查训练入口所需模型能否加载，不开始正式训练。main.py启动界面前，还要确保配置中的正式权重存在，例如YOLO11默认指向runs/train/exp_yolo11s_main200/weights/best.pt。

直接查看运行效果可以使用已有权重；重新训练则会产生新的实验文件。两种操作对应不同入口，第一次运行建议先用随包测试图确认界面流程。

具体支持哪些交通标志

类别范围由myvoc.yaml中的45个标签和项目配置.yaml中的显示名称共同确定。三版配置核对一致。下面按用途列全中文名称，分组只是文档组织方式，模型类别数仍为45。

• 限速与解除限速（10类）：限速80、限速60、限速70、限速30、解除40限制速度、限速20、限速40、限速120、限速100、限速50。

• 最低时速（3类）：最低80时速、最低60时速、最低100时速。

• 限高与限重（6类）：限重55t、限高4m、限高4.5m、限重30t、限高5m、限重20t。

• 车辆通行限制（9类）：禁止非机动车进入、禁止驶入、禁止二轮摩托车、禁止小型客车、禁止人力车、禁止机动车、禁止载货汽车、禁止载货汽车和拖拉机、禁止运输危险物车辆。

• 转向、停车与鸣笛限制（5类）：禁止掉头、禁止鸣笛、禁止左转、禁止车辆临时或长时停放、禁止右转。

• 通行与车道指示（6类）：人行横道、非机动车车道、机动车行驶、机动车车道、非机动车行驶、靠右行驶。

• 警示与让行（6类）：减速让行、十字交叉、注意儿童、施工、注意行人、注意合流。

模型一次预测返回框位置和这45类中的类别。新增一种标志时，需要补充相应图像与标注并更新训练配置；现有工程中的名称表用于显示。日常读代码只需在这一处核对顺序，后面的重点是数据、训练与应用怎样连接。

接入数据集与训练配置

数据集共9738张道路图像、45类标志。myvoc.yaml指定datasets/dataset作为根目录，images和labels分别保存图像与检测标签。

三个版本使用相同的数据划分规模。接入自定义数据时，应核对路径、图像与标签的对应关系以及类别编号；随后再同步数据配置与模型训练任务。

这张类别分布图按标注目标数统计，一张图像可以包含多个目标。类别数量并不均匀，因此新增实验时，除了总量，也要查看关注类别的样本。

用真实样本理解图像与标签

runs/val/exp_yolo11s_main200/val_batch0_labels.jpg把验证样本和真实标注排在一起。图中既有白天道路，也有夜间路口，标志经常位于画面远处；这里显示的是数据标签，不是预测成功率。

以左上角98112.jpg为例，对应datasets/dataset/labels/val/98112.txt中的真实内容如下：

15 0.955077 0.391276 0.022137 0.027344

检测标签采用class_id x_center y_center width height五列。后四列是归一化坐标，此处类别15在项目中显示为限高4.5m。每个目标写一行，因此多目标图像会有多行标签；读取数据时依靠同名文件把图像和标注配对。

写数据接入逻辑时，可以从一个样本先检查路径和框位置，再检查整批。上图的夜间场景、小尺寸标志和同屏多个标志，也给后续验证提供了具体观察对象。

训练输入尺寸设为640。脚本使用旋转、平移、尺度变化、Mosaic与MixUp等增强；其水平和垂直翻转配置对方向性标志需要单独检查，避免改变原有语义。

预处理链路及可视化

数据指标图表/process_vis.py保留了预处理步骤可视化。下图把原始图像、LetterBox尺寸处理、RGB转换、0—1数值归一化和反归一化检查放在一起；最后一步用于核对显示，不是训练输入的一次额外处理。

图上方是整图，中间是同一区域的放大，下方是像素分布。原图缩到640后，远处小标志会损失部分细节。做尺寸实验时，应同时比较指标和样本预测，不能仅凭缩放后的图看起来清晰就判断模型效果。

从增强参数到实际训练批次

img_augment_vis.py另存了单目标增强图。这里使用类别14的目标裁剪，展示几何变化及模糊的外观，帮助理解每个操作改变什么。

正式训练参数包括degrees=10、translate=0.1、scale=0.5、perspective=0.001、mosaic=1.0和mixup=0.1，close_mosaic=10。可视化脚本与训练入口是两份代码，图中的高斯模糊不作为已开启训练参数的证据。

下面是runs/train/exp_yolo11s_main200/train_batch0.jpg，由训练过程实际保存。可以看到多图拼接、旋转或翻转后的道路，以及对应框的位置。

检查增强需要同时看图像与标签：目标发生位移或缩放时，框也应随之变化；涉及左右转向、靠右行驶等类别时，还要核查方向语义。这里只呈现已有配置和批次，不把某项增强直接写成指标提升原因。

执行模型训练，检查留下的产物

YOLO11训练入口加载本地yolo11s.pt，再调用model.train()。关键参数如下，另外两版同样设置200轮、640输入和16批量。

执行python train.py会写入训练目录。想保留既有结果，可用--name指定新的实验名；如果验证新实验，需要同步修改val.py中的权重和输出路径。

训练完成后，best.pt与last.pt保存模型权重，results.csv与results.png记录各轮数值和训练曲线。图中可以直接看到损失变化与检测指标趋稳的过程。

在PyQt5中接入预测和结果保存

训练好的权重通过项目配置.yaml指定，config_utils.py解析项目相对路径。界面选择图片或获取视频帧后，进入main.py的detect_pic()：

self.results=self.yolo(img_path,conf=self.model_conf,iou=self.model_iou)[0]

程序读取boxes.xyxy、boxes.cls和boxes.conf，绘制框与文字并填入表格。中文名称通过配置中的类别表转换，保持与模型类别顺序一致即可。视频和摄像头通过采集及定时刷新继续送帧。

CSV保存由save_current_result()完成：读取当前表格非空行，以utf-8-sig编码写入outputs/detection_results.csv，再次保存覆盖同名文件。它保存的是表格当前内容，不是自动追加整段视频的全部历史预测。

若启动后没有检测框，先检查输入、权重路径和置信度设置；若保存失败，检查表格有无内容与输出路径写权限。这样可以区分预测、显示和文件写入各自的问题。

验证模型并比较三个版本

python val.py加载本版best.pt，设置split=val、conf=0.001、iou=0.60，输入640、batch16，输出总体和分类别评价结果。

上表来自各版evaluation_metrics.json。Precision观察预测正确性，Recall观察目标召回情况，mAP50-95综合多个框匹配严格程度；这些数值属于验证集复评，不能写成测试集成绩。

矩阵横轴为真实类别，纵轴为预测类别。总体指标之外，可以结合非对角线与背景相关项继续检查误分类、误检或漏检。界面默认conf0.5、iou0.5，与评估参数用途不同。

PR曲线与逐图验证

同一复评目录的BoxPR_curve.png展示Precision与Recall的变化关系。图例0.833是YOLO11的mAP50四舍五入，详细数值保留上表83.28%。

横轴是Recall、纵轴是Precision，灰线是类别曲线，蓝线为总体展示。定位问题时，总体表用于版本比较，曲线用于看阈值变化下的取舍，混淆矩阵用于查看类别错误，三者各有用途。

val_batch0_pred.jpg与前文val_batch0_labels.jpg使用同一批图像，可以按文件名对照。预测图里的类别旁有置信度，不能与真实标签混为一谈。

逐图核查时先看框的位置，再看类别与置信度，最后找真实标注存在而预测未出现的目标。先定位到样本和错误类型，再调整对应环节。修改模型后保留同一批检查图，便于比较新旧结果。

完整包的文件位置和版本范围

主要目录如下，训练材料、运行材料与使用说明都能在各自位置找到：

项目根目录/ ├─ main.py / ui.py / ui/ 界面入口与组件 ├─ 项目配置.yaml 权重路径、阈值、中文类别 ├─ config_utils.py 配置读取与路径解析 ├─ myvoc.yaml 45类数据集定义 ├─ datasets/dataset/ images与labels及数据划分 ├─ train.py / val.py / predict.py ├─ runs/train/ 训练曲线与weights/best.pt ├─ runs/val/ 复评指标与混淆矩阵 ├─ test_images/ / test_video.mp4 ├─ outputs/ 检测结果CSV ├─ 数据指标图表/ 架构及数据统计图 └─ 【打开后必看-带你一步步运行使用】/

当前提供三个s规模基础版本，均有代码、数据、权重及训练验证产物。YOLO11可对应本文演示，YOLOv8用于版本对照，YOLO26在本次验证中的总体指标较高；版本比较采用上表的同一验证口径。

项目适合目标检测课程设计、三版本实验与PyQt5开发练习。阅读源码时，可以按数据定义、训练、权重复评、界面推理和结果保存依次运行，检查每一阶段的输出。

项目代码获取

完整资料包含源码、45类数据集、三版本权重、实验结果、测试素材与使用说明。同一项目库还可以查看其他视觉项目方向。

https://smallerkong.com/s/cs-yolo-traffic-8c51bc