文章目录
基于 YOLO11 的路口交通信号灯通行规则识别
v2.0.0 新变化：使用 YOLO11 以及一个更加丰富的数据集训练模型，对原来目标检测和信号分类两个步骤进行整合，去除了在大部分情况下冗余的过滤筛选，实现交通信号灯识别一步到位，得到的模型识别准确率和推理效率均有少量的提升，且更加易于部署。
项目简介
在本项目中，通行规则识别分为以下两个步骤：
目标检测，采用 YOLO11 目标检测模型，识别图像中交通信号灯的位置、颜色以及形状（包括圆形、左箭头、上箭头和右箭头）。
规则解析，对图像中检测出来的交通信号灯，解析其表示的通行规则（即能否直行、能否左转和能否右转）。
圆形的信号灯能够控制三个方向的通行规则，优先级较低。
箭头形的信号灯仅能控制对应方向的通行规则，但优先级较高。
此外，若无明确信号，即没有红色的右箭头信号灯，右转默认视为允许通行。
效果展示
性能评估
模型的输入尺寸固定为 640x480，在此图像输入下，采用 PyTorch 平均推理一张图片的耗时约为 50ms，采用 ONNX Runtime 推理平均耗时约为 40ms（CPU：11th Intel Core i5-1155G7 2.50GHz，Model：YOLO11n）。
在当前数据集下信号灯目标检测准确性指标：
Class Precision Recall mAP50 mAP50-95 ALL 0.97 0.971 0.989 0.89 F0 0.99 1 0.995 0.871 F1 1 0.981 0.995 0.872 L0 0.981 0.985 0.994 0.912 L1 0.982 1 0.995 0.915 S0 1 0.817 0.944 0.878 S1 1 0.987 0.995 0.885 R0 0.815 1 0.995 0.914 R1 0.993 1 0.995 0.876
注：本项目训练用的数据集规模较小，在真实环境下的鲁棒性可能不够理想。
使用说明
首先安装环境依赖包，项目目前采用 ONNX Runtime 部署模型推理。
pip install -r requirements.txt
若需要使用 GPU 进行推理，则需要安装：
pip install onnxruntime-gpu
待识别图像默认位于 inferences/images/ ，识别结果默认保存位于 inferences/results/，如果以上两个目录不存在请先创建。
将所有待识别的图像放入待识别图像目录下，要求图像尺寸为 640x480，可以在本项目 Releases 中下载训练好的模型权重文件，解压到 inferences/models/ 下，运行 main.py 即可。
python main.py
本项目识别程序的默认配置文件为 configs/inference.yaml，其中各个属性对应的含义如下：
precision: "fp32" # 推理运算精度，"fp32"（单精度）或 "fp16"（半精度） session-providers: # ONNX Runtime Providers 参数 - "CPUExecutionProvider" co ```cpp nf-threshold: 0.25 # 目标检测置信度阈值
iou-threshold: 0.45 # 目标检测非极大值抑制 IoU 阈值
```cpp model-path: "inferences/models/detection-fp32.onnx" # 模型加载路径
基于YOLO11路口交通信号灯通识别 交通指引信号识别
如果需要使用自己的数据集训练模型，则需要安装 ultralytics 框架，参照 Ultralytics 官方文档 进行模型的训练，最后将模型转换为 ONNX 格式进行部署即可。
