当前位置：首页 > article >正文

基于YOLOv8深度学习的智慧交通事故检测系统研究与实现(PyQt5界面+数据集+训练代码)

article 2024/11/26 4:26:09

随着全球城市化进程的加速，城市交通网络愈加复杂，交通参与者的数量也不断增加，导致交通事故发生的频率逐年上升。如何高效、及时地检测和预防交通事故，减少交通事故的发生以及由此带来的人员伤亡和财产损失，已经成为现代智能交通系统研究中的一个核心课题。然而，传统的交通事故检测方法存在检测精度低、反应速度慢、无法实时响应等问题，难以满足现代交通系统的需求。因此，基于人工智能和深度学习的自动化检测技术成为了解决这一问题的重要研究方向。

本文提出了一种基于YOLOV8深度学习模型的智慧交通事故检测系统，旨在通过先进的算法和技术手段，实现对交通事故的高效、实时检测。YOLOV8模型作为目标检测领域中的前沿技术，具有极高的检测精度和实时性，能够快速识别视频流中的多种目标。本文结合自定义的交通事故数据集，对YOLOV8模型进行了针对性的训练与优化，使其在实际应用场景中能够精确识别交通事故的发生及其类型。同时，系统通过PyQt5框架实现了友好且易于操作的用户界面，用户可以通过该界面实时监控交通状况，查看事故检测结果，并进行相关的操作设置。该系统不仅适用于城市道路监控，还可以推广应用到高速公路、交通枢纽等更复杂的交通场景中。

在本文中，研究者首先介绍了系统的整体架构设计。系统架构包括前端的PyQt5界面设计、YOLOV8模型的深度学习处理模块、交通事故数据集的收集与标注方法，以及视频数据的预处理与分析。随后，本文详细描述了交通事故数据集的构建过程，包括数据采集、标注标准的制定，以及数据增强技术的应用。这些数据经过处理后，用于YOLOV8模型的训练，以确保模型能够在不同的交通场景下准确识别事故发生的具体位置和类型。

在模型训练方面，本文采用了多种优化策略提升模型的检测性能，包括使用迁移学习技术预训练模型权重，减少训练时间，提高模型的泛化能力。此外，为了应对复杂的交通场景中的光照变化、遮挡等干扰因素，本文在模型训练过程中引入了数据增强技术，如随机裁剪、颜色扰动等，进一步提高了模型的鲁棒性和准确性。通过对训练数据的不断迭代优化，模型逐步具备了在实际应用中的快速响应能力。

系统的前端设计同样是本文的重点之一。通过PyQt5框架实现的用户界面，系统不仅能够实时展示道路监控视频，还能对检测到的交通事故进行标记和告警。用户可以在界面上查看事故的具体位置、时间、类型等信息，方便后续的处理和响应。同时，系统还具备灵活的配置功能，用户可以根据实际需要对事故检测的参数进行调整，如事故类型的分类标准、检测灵敏度的调节等。

实验结果表明，本文提出的智慧交通事故检测系统在多个真实道路场景中进行了验证，具有较高的检测精度和实时性，能够在复杂的交通环境下稳定运行。系统对交通事故的检测准确率高达98%以上，且响应速度达到了毫秒级别，能够迅速处理视频流中的大规模数据，实现对交通事故的即时检测与告警。相比传统的人工检测和报警系统，该系统极大地提高了检测效率，并减少了人为因素带来的误差。

总体而言，本研究所提出的基于YOLOV8深度学习的智慧交通事故检测系统具备良好的实用性和扩展性，适用于各种不同的交通场景，并能够根据不同的需求进行功能扩展。未来，本系统有望进一步集成更多的智能交通功能，如车辆跟踪、交通流量统计、违章行为检测等，为智能交通管理提供更加全面的技术支持。

算法流程

项目数据

通过搜集关于数据集为各种各样的交通事故相关图像，并使用Labelimg标注工具对每张图片进行标注，分1个检测类别，分别是accident表示”交通事故”。

目标检测标注工具
（1）labelimg:开源的图像标注工具，标签可用于分类和目标检测，它是用python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持 COCO数据集格式。
（2）安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

结束后，在cmd中输入labelimg

初识labelimg

打开后，我们自己设置一下

在View中勾选Auto Save mode

接下来我们打开需要标注的图片文件夹

并设置标注文件保存的目录（上图中的Change Save Dir）
接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。

Labelimg的快捷键

（3）数据准备
这里建议新建一个名为data的文件夹（这个是约定俗成，不这么做也行），里面创建一个名为images的文件夹存放我们需要打标签的图片文件；再创建一个名为labels存放标注的标签文件；最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。

data的目录结构如下：
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别（这个文件可有可无，但是在我们定义类别比较多的时候，最好有这个创建一个这样的txt文件来存放类别）

首先在images这个文件夹放置待标注的图片。
生成文件如下:

“classes.txt”定义了你的 YOLO 标签所引用的类名列表。

（4）YOLO模式创建标签的样式

存放标签信息的文件的文件名为与图片名相同，内容由N行5列数据组成。
每一行代表标注的一个目标，通常包括五个数据，从左到右依次为：类别id、x_center、y_center、width、height。
其中：
–x类别id代表标注目标的类别；
–x_center和y_center代表标注框的相对中心坐标；
–xwidth和height代表标注框的相对宽和高。

注意：这里的中心点坐标、宽和高都是相对数据！！！

存放标签类别的文件的文件名为classes.txt (固定不变)，用于存放创建的标签类别。

完成后可进行后续的yolo训练方面的操作。

模型训练

模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一个SOTA模型，它建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性，使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数，可在CPU到GPU的多种硬件平台上运行。

YOLOv8是Yolo系列模型的最新王者，各种指标全面超越现有对象检测与实例分割模型，借鉴了Yolov5、Yolov6、YoloX等模型的设计优点，在全面提升改进Yolov5模型结构的基础上实现，同时保持了Yolov5工程化简洁易用的优势。

Yolov8模型网络结构图如下图所示：

2.数据集准备与训练

本研究使用了包含各种交通事故相关图像的数据集，并通过Labelimg标注工具对每张图像中的目标边框（Bounding Box）及其类别进行标注。然后主要基于YOLOv8n这种模型进行模型的训练，训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致，包括：数据集准备、模型训练、模型评估。本次标注的目标类别为交通事故，数据集中共计包含11772张图像，其中训练集占8240张，验证集占1178张。部分图像如下图所示：

部分标注如下图所示：

图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入datasets目录下。

接着需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。
data.yaml的具体内容如下：

train: E:/TrafficAccidentDetection_v8/datasets/images/train # train images (relative to ‘path’) 训练集的路径
val: E:/TrafficAccidentDetection_v8/datasets/images/val # val images (relative to ‘path’) 验证集的路径

# number of classes
nc: 1 模型检测的类别数，共有1个类别。

# class names
names: [ ‘accident’ ]

这个文件定义了用于模型训练和验证的数据集路径，以及模型将要检测的目标类别。

数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小(根据内存大小调整，最小为1)。

CPU/GPU训练代码如下：

加载名为 yolov8n.pt 的预训练YOLOv8模型，yolov8n.pt是预先训练好的模型文件。
使用YOLO模型进行训练，主要参数说明如下：
（1）data=data_yaml_path: 指定了用于训练的数据集配置文件。
（2）epochs=150: 设定训练的轮数为150轮。
（3）batch=4: 指定了每个批次的样本数量为4。
（4）optimizer=’SGD’):SGD 优化器。
（7）name=’train_v8′: 指定了此次训练的命名标签，用于区分不同的训练实验。

3.训练结果评估

在深度学习的过程中，我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于YOLOv8模型的训练，主要涉及三类损失：定位损失（box_loss）、分类损失（cls_loss）以及动态特征损失（dfl_loss）。训练完成后，相关的训练过程和结果文件会保存在 runs/ 目录下，具体如下：

各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。

训练结果如下：

这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势，具体如下：

train/box_loss：
（1）这是训练过程中边界框损失的变化。边界框损失用于衡量模型预测的目标框与实际目标框的差异。
（2）曲线显示，随着训练的进行，边界框损失逐渐减小，表明模型的目标定位能力在提高。

train/cls_loss：
（1）这是训练集上的分类损失。分类损失衡量模型对目标类别的预测准确性。
（2）随着训练轮次增加，分类损失逐渐减小，表明模型对目标类别的识别能力在不断增强。

train/dfl_loss：
（1）这是分布聚焦损失（distribution focal loss），用于帮助模型对目标框的精确定位。
（2）曲线显示训练过程中此损失逐渐减小，表示模型对目标框位置的预测变得更加精确。

metrics/precision(B)：
（1）这是训练集上的精度（precision）曲线。精度表示模型在检测到的目标中有多少是真正的目标。
（2）曲线从较低值逐渐上升并趋于平稳，说明随着训练的进行，模型的精度逐渐提高。

metrics/recall(B)：
（1）这是训练集上的召回率（recall）曲线。召回率表示模型检测出的真实目标的比例。
（2）曲线显示召回率逐渐上升并趋于稳定，说明模型越来越能检测到更多的目标。

val/box_loss：
（1）这是验证集上的边界框损失曲线。
（2）与训练集类似，验证集的边界框损失随着训练逐渐下降，表明模型在验证集上的目标框定位也在改善。

val/cls_loss：
（1）这是验证集上的分类损失曲线。
（2）随着训练的进行，验证集的分类损失下降，表明模型在验证集上对目标类别的识别能力也在提升。

val/dfl_loss：
（1）这是验证集上的分布聚焦损失曲线。
（2）与训练集类似，验证集的该损失逐渐减小，表明模型在验证集上的目标框预测逐渐更加准确。

metrics/mAP50(B)：
（1）这是验证集上的mAP50曲线，表示在交并比阈值为0.5时模型的平均精度（mean Average Precision）。
（2）随着训练的进行，mAP50逐渐上升，接近1，表示模型在验证集上检测精度非常高。

metrics/mAP50-95(B)：
（1）这是验证集上的mAP50-95曲线，表示在不同交并比阈值（从0.5到0.95）下模型的平均精度。
（2）随着训练的进行，mAP50-95逐渐上升，接近0.9，表明模型在不同阈值下的整体检测表现良好。

从这组图可以看出，随着训练轮次的增加，模型的损失（无论是在训练集还是验证集）都在不断减小，精度和召回率不断提高。同时，验证集上的mAP50和mAP50-95指标逐渐接近理想值，表明模型的检测性能经过训练后已经非常好。

这张图展示的是 Precision-Recall 曲线，用于评估模型在不同类别下的检测性能。以下是详细解释：

Precision-Recall 曲线的含义：
（1）Precision（精度）：表示模型预测为正类的样本中，有多少是真正的正类样本。
（2）Recall（召回率）：表示所有正类样本中，有多少被模型正确检测出来。
（3）Precision-Recall 曲线：随着模型预测阈值的变化，精度和召回率的关系也随之变化。理想情况下，精度和召回率都应该接近1。

各条曲线的含义：
蓝色曲线（accident 0.995）：
（1）这条曲线代表了“accident”（事故类别）的Precision-Recall关系，精确率和召回率的整体表现非常优秀。
（2）曲线贴近右上角，意味着模型在保持高召回率的同时，也能保持很高的精确率。
（3）0.995 表示该类别的mAP（平均精度）为0.995，接近完美的表现。

粗蓝色曲线（all classes 0.995 mAP@0.5）：
（1）这条粗线表示模型在所有类别上的平均表现，结合所有类别的精确率和召回率，整体性能优异。
（2）曲线几乎贴近图的上边缘，表明模型对各个类别的检测非常精准，同时召回率也极高。
（3）mAP@0.5 = 0.995：表示在IoU（交并比）阈值为0.5时，所有类别的平均精度为99.5%，非常接近完美的检测结果。

从图中的Precision-Recall曲线可以看出，YOLOv8模型对“accident”类别及所有类别的检测效果非常好。无论是精确率还是召回率都接近1，表明模型在高精度检测交通事故的同时，几乎没有漏报。这意味着模型具备极强的实际应用价值，在交通事故检测中可以高效、准确地识别事故并发出预警。

4.检测结果识别

模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。
imgTest.py 图片检测代码如下：

加载所需库：
（1）from ultralytics import YOLO：导入YOLO模型类，用于进行目标检测。
（2）import cv2：导入OpenCV库，用于图像处理和显示。

加载模型路径和图片路径：
（1）path = ‘models/best.pt’：指定预训练模型的路径，这个模型将用于目标检测任务。
（2）img_path = “TestFiles/0229.png”：指定需要进行检测的图片文件的路径。

加载预训练模型：
（1）model = YOLO(path, task=’detect’)：使用指定路径加载YOLO模型，并指定检测任务为目标检测 (detect)。
（2）通过 conf 参数设置目标检测的置信度阈值，通过 iou 参数设置非极大值抑制（NMS）的交并比（IoU）阈值。

检测图片：
（1）results = model(img_path)：对指定的图片执行目标检测，results 包含检测结果。

显示检测结果：
（1）res = results[0].plot()：将检测到的结果绘制在图片上。
（2）cv2.imshow(“YOLOv8 Detection”, res)：使用OpenCV显示检测后的图片，窗口标题为“YOLOv8 Detection”。
（3）cv2.waitKey(0)：等待用户按键关闭显示窗口

此代码的功能是加载一个预训练的YOLOv8模型，对指定的图片进行目标检测，并将检测结果显示出来。

执行imgTest.py代码后，会将执行的结果直接标注在图片上，结果如下：

这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果，具体内容如下：

图像信息：
（1）处理的图像路径为：TestFiles/imagetest.jpg。
（2）图像尺寸为 640×640 像素。

检测结果：
（1）模型检测到图片中有1个交通事故 (accident)。
（2）每张图片的推理时间4.3毫秒。

处理速度：
（1）预处理时间：3.4毫秒
（2）推理时间：4.3毫秒
（3）后处理时间：49.1毫秒

显示了YOLOv8模型成功地检测到了一张测试图像中的一起交通事故，检测速度较快，且结果已保存到指定的文件夹中。

运行效果

– 运行 MainProgram.py

1.主要功能：
（1）可用于实时检测目标图片中的交通事故行为;
（2）支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
（3）界面可实时显示目标位置、目标总数、置信度、用时等信息;
（4）支持图片或者视频的检测结果保存。

2.检测结果说明：

这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释：

用时（Time taken）:
（1）这表示模型完成检测所用的时间为0.012秒。
（2）这显示了模型的实时性，检测速度非常快。

目标数目（Number of objects detected）:
（1）检测到的目标数目为1，表示这是当前检测到的第1个目标。

目标选择(下拉菜单)：全部:
（1）这里有一个下拉菜单，用户可以选择要查看的目标类型。
（2）在当前情况下，选择的是“全部”，意味着显示所有检测到的目标信息。

类型（Type）:
（1）当前选中的行为类型为 “交通事故”，表示系统正在高亮显示检测到的“accident”。

置信度（Confidence）:
（1）这表示模型对检测到的目标属于“交通事故”类别的置信度为92.87%。
（2）置信度反映了模型的信心，置信度越高，模型对这个检测结果越有信心。

目标位置（Object location）:
（1）xmin: 214, ymin: 301：目标的左上角的坐标(xmin, ymin)，表示目标区域在图像中的位置。
（2）xmax: 310, ymax: 445：目标的右下角的坐标(xmax, ymax)，表示目标区域的边界。

这些坐标表示在图像中的目标区域范围，框定了检测到的“交通事故”的位置。

这张图展示了交通事故检测系统的一次检测结果，包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。用户可以通过界面查看并分析检测结果，提升交通管理的效率。

3.图片检测说明

点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹。
操作演示如下：
（1）点击目标下拉框后，可以选定指定目标的结果信息进行显示。
（2）点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下。

检测结果：系统识别出图片中的交通事故，并显示检测结果，包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。

4.视频检测说明

点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。

检测结果：系统对视频进行实时分析，检测到交通事故并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。

这个界面展示了系统对视频帧中的多目标检测能力，能够准确识别交通事故，并提供详细的检测结果和置信度评分。

5.摄像头检测说明

点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。

检测结果：系统连接摄像头进行实时分析，检测到交通事故并显示检测结果。实时显示摄像头画面，并将检测到的行为位置标注在图像上，表格下方记录了每一帧中检测结果的详细信息。

6.保存图片与视频检测说明

点击保存按钮后，会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。
检测的图片与视频结果会存储在save_data目录下。
保存的检测结果文件如下：

图片文件保存的csv文件内容如下，包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。
注：其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。

（1）图片保存

（2）视频保存

– 运行 train.py
1.训练参数设置

（1）data=data_yaml_path: 使用data.yaml中定义的数据集。
（2）epochs=150: 训练的轮数设置为150轮。
（3）batch=4: 每个批次的图像数量为4（批次大小）。
（4）name=’train_v8′: 训练结果将保存到以train_v8为名字的目录中。
（5）optimizer=’SGD’: 使用随机梯度下降法(SGD)作为优化器。

虽然在大多数深度学习任务中，GPU通常会提供更快的训练速度。
但在某些情况下，可能由于硬件限制或其他原因，用户需要在CPU上进行训练。

温馨提示：在CPU上训练深度学习模型通常会比在GPU上慢得多，尤其是像YOLOv8这样的计算密集型模型。除非特定需要，通常建议在GPU上进行训练以节省时间。

2.训练日志结果