基于YOLOv5的车辆目标检测系统设计与优化-育师

1. 毕设项目概述：基于深度学习的车辆目标检测系统

去年指导本科生毕业设计时，遇到一个典型案例：学生想用传统图像处理方法识别监控视频中的车辆，结果在阴雨天气下准确率直接跌破50%。这让我再次确信，在复杂场景的车辆检测任务中，深度学习才是更可靠的解决方案。本次分享的毕业设计项目，正是利用YOLOv5实现了一套鲁棒性较强的车辆检测系统，在自建数据集上达到了94.3%的mAP（mean Average Precision），夜间检测准确率也能保持在85%以上。

这个系统的核心价值在于：

实时性：在RTX 3060显卡上处理1080P视频可达45FPS
轻量化：模型体积仅14.7MB，适合部署在边缘设备
多场景适应：通过数据增强策略有效应对光照变化、遮挡等情况

对于刚接触计算机视觉的同学，建议先明确几个关键概念：

目标检测 = 定位（bounding box） + 分类（vehicle type）
深度学习模型本质是特征提取器 + 预测头的组合
车辆检测的特殊性在于需要处理多尺度目标（从摩托车到卡车）

关键提示：毕业设计选择这个方向时，务必考虑硬件条件。如果只有CPU环境，建议改用YOLOv5n这类纳米级模型，虽然精度会下降10%左右，但推理速度能提升3倍。

2. 技术方案设计与选型依据

2.1 算法选型对比

在项目启动阶段，我对比了三大类目标检测算法：

算法类型	代表模型	推理速度(FPS)	mAP(%)	适合场景
Two-Stage	Faster R-CNN	7	78.2	高精度要求
One-Stage	YOLOv5s	45	72.1	实时检测
Anchor-Free	CenterNet	28	68.9	不规则目标

最终选择YOLOv5s的原因在于：

毕业设计通常有时间限制，YOLO系列的即插即用特性更友好
车辆检测对实时性要求较高（特别是交通监控场景）
社区生态完善，遇到问题容易找到解决方案

2.2 数据集的特殊处理

公开数据集如COCO、PASCAL VOC的车辆类别有限，我采用混合策略：

基础数据：UA-DETRAC（10小时交通监控视频，8,250帧标注）
补充数据：自采的2000张包含特殊车辆（消防车、工程车）的图片
数据增强：
- 雨天模拟：添加随机雨丝（使用Albumentations库）
- 运动模糊：模拟高速移动车辆
- 光照调整：-50%到+50%亮度变化

实测发现，添加运动模糊后，高速公路上车辆的检测准确率提升了12%。

2.3 模型改进方案

原始YOLOv5s在小型车辆检测上表现欠佳，主要做了三处改进：

自适应锚框计算

# 在data/hyps/hyp.scratch-low.yaml中修改 anchors: 3 # 自动计算最佳锚框 anchor_t: 3.0 # 增大匹配阈值

添加小目标检测层

# models/yolov5s.yaml head: [[-1, 1, Conv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 6], 1, Concat, [1]]] # 新增特征融合路径

损失函数优化

使用CIoU Loss替代原IoU Loss
分类损失权重调整为0.8

3. 完整实现流程详解

3.1 环境配置避坑指南

推荐使用conda创建虚拟环境：

conda create -n yolo python=3.8 conda install pytorch==1.12.1 torchvision==0.13.1 cudatoolkit=11.3 -c pytorch pip install -r requirements.txt # 注意opencv-python版本应≤4.5.4

常见环境问题解决方案：

CUDA out of memory：减小batch size到8或4
OpenCV无法显示：改用matplotlib渲染
显卡驱动兼容问题：建议使用470.xx系列驱动

3.2 数据标注规范技巧

使用LabelImg标注时要注意：

边界框应包含车辆后视镜等突出部件
重叠车辆采用遮挡标注（occlusion标签）
特殊角度车辆添加rotation属性

标注文件结构示例：

dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/

3.3 训练参数调优实战

关键训练参数设置：

# data/hyps/hyp.finetune.yaml lr0: 0.01 # 初始学习率 lrf: 0.1 # 最终学习率 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0

启动训练命令：

python train.py --img 640 --batch 16 --epochs 100 --data vehicle.yaml --cfg yolov5s.yaml --weights yolov5s.pt --hyp hyp.finetune.yaml

训练过程监控要点：

关注val/obj_loss值，若持续上升可能过拟合
mAP@0.5应在20个epoch后稳定上升
使用TensorBoard观察特征图响应

4. 部署优化与效果验证

4.1 模型压缩技术

使用TensorRT加速的完整流程：

导出ONNX模型

python export.py --weights runs/train/exp/weights/best.pt --include onnx

转换TensorRT引擎

trtexec --onnx=best.onnx --fp16 --saveEngine=best.engine

实测性能对比：

设备	原始模型(FPS)	TRT加速后(FPS)
Jetson Nano	8	22
RTX 3060	45	120

4.2 实际场景测试方案

构建测试评估脚本：

import cv2 from utils.general import non_max_suppression def detect(frame): # 预处理 img = preprocess(frame) # 推理 pred = model(img) # 后处理 pred = non_max_suppression(pred) return pred

特殊场景优化技巧：