基于YOLO11的共享单车智能检测系统 | 用于乱停乱放治理、入栏率核算、精细化运营 | 附完整源码与效果演示

简介: 本项目基于轻量YOLO11n模型(仅5.4MB),构建面向城市治理的共享单车视觉识别与自动盘点系统。支持单图、批量、视频及摄像头实时流四路输入,通过Streamlit前端实现“一键统计”——精准定位单车、输出数量/置信度/坐标,并生成可视化报表。专精单类检测,mAP@0.5达0.994,适配边缘设备,开箱即用。(239字)

基于 YOLO11 的城市共享单车视觉识别与盘点系统

把"地铁口、商圈门口究竟堆了多少辆共享单车"这件事,从靠人去数变成靠摄像头一键统计。

一、背景

1.1 行业痛点

共享单车经过几年野蛮扩张,已经成为城市治理的高频议题。地铁口、商圈、写字楼、园区门口大片乱停乱放、占用人行道;运维公司又因为缺乏精准的"在街车辆数"而无法做精细化调度。靠城管/物业人工拍照、人工数车,成本高、周期长、口径还不统一。

而 目标检测 + 摄像头巡检 是这个问题的天然解:路侧抓拍 相机 、地铁口高点相机、巡查车移动终端只要把画面投给一个推理服务,就能稳定输出"画面里几辆单车、置信度多高、坐标在哪儿"这样一份结构化结果,下游入栏率核算、违停告警、调度地图都能直接消费。

在这里插入图片描述

本项目就是围绕这个目标做的一套最小可用工程化样例:基于 YOLO11n + Streamlit,可单图、批量、视频、 摄像头 四路输入,专门识别共享单车这一类目标,并给出可直接复用的可视化与统计前端。

视频演示与源码下载

https://www.bilibili.com/video/BV1XzVf6oE63/

在这里插入图片描述

包含: 📦完整项目源码 📦 预训练 模型权重

🗂️数据集

1.2 项目运行效果

Web 界面总览

单图检测效果

批量分析图表

1.3 项目介绍

核心创新点:

维度 说明
模型基座 YOLO11n —— 体积小(≈5.4MB)、速度快、适合路侧/巡查终端等边缘设备
单类聚焦 只识别"单车"一类,剔除多类干扰,召回与精度都更高
一键多路 Streamlit 前端同时支持单图 / 批量图片 / 视频 / 摄像头实时流,无需切换工程
可视化 内置类别分布、平均置信度、每图目标数等图表,盘点报表所见即所得
行业话术 通过 configs/project.yaml 注入行业字段(场景、部署、识别类别),换业务无需改代码

类别定义: nc=1, names=['单车'],模型对单车的边界框做精准定位。

技术栈:

层 选型
检测模型 YOLO11n(ultralytics 官方,预训练初始化 yolo11n.pt)
训练框架 ultralytics ≥ 8.3
后端推理 Python 3.10 + PyTorch(CPU / MPS / CUDA 自适应)
前端可视化 Streamlit + Plotly 图表
视频解码 OpenCV + imageio-ffmpeg
部署形态 单进程 Streamlit;可选 Docker 一键打包

二、设计框架

整体是前端展示 ↔ 推理服务 ↔ 模型权重三段式:

┌─────────────────────────────────────────────────┐
│   浏览器(用户)                                 │
│   单图 / 批量 / 视频 / 摄像头                    │
└──────────────┬──────────────────────────────────┘
               ▼ HTTP(默认 8501)
┌─────────────────────────────────────────────────┐
│   Streamlit 应用 app/streamlit_app.py            │
│   ├─ 入口路由:4 种输入模式                      │
│   ├─ infer_image_path() 单图推理                 │
│   ├─ run_batch_image_inference() 批量推理        │
│   └─ render_*() 可视化(结果表 + 图表)           │
└──────────────┬──────────────────────────────────┘
               ▼ ultralytics.YOLO
┌─────────────────────────────────────────────────┐
│   推理引擎:YOLO11n                              │
│   model/best.pt(仅 1 类:单车)                  │
└─────────────────────────────────────────────────┘

YOLO11 网络结构(一图速通):

 输入 640×640
     │
 ┌───▼───── Backbone(C3k2 + SPPF) ─────┐
 │   提取多尺度特征(P3/P4/P5)           │
 └───┬─────────────────────────────────┘
     │
 ┌───▼───── Neck(FPN + PAN) ──────────┐
 │   融合浅层细节与深层语义              │
 └───┬─────────────────────────────────┘
     │
 ┌───▼─── Head(Decoupled + DFL) ──────┐
 │   分类分支 + 回归分支(DFL 离散概率) │
 └───┬─────────────────────────────────┘
     │
   输出:N×(x1,y1,x2,y2,conf,class)

YOLO11 相比 YOLOv8 主要更新点: Backbone 用 C3k2 取代 C2f,参数减少;Head 引入 DFL(分布焦点损失)让边框回归更稳;同时保留 Anchor-Free 与 Decoupled Head 设计。对单车这种目标尺寸跨度大(远景小车 → 近景大车)的场景非常友好。

检测流程:

图像/视频帧 ──▶ 预处理(letterbox, 640×640) ──▶ YOLO11n
                                                  │
                                                  ▼
                                         筛选 conf ≥ 0.25
                                                  │
                                                  ▼
                                         result.plot() 画框
                                                  │
                                                  ▼
                                         Pandas 整理 → 图表 + 报表

三、代码结构(核心 50 行)

项目模板把所有"接 Streamlit + 跑 YOLO"的逻辑压在不到 50 行里,看完即上手。

# app/streamlit_app.py(节选,已删脚手架与 CSS)
from pathlib import Path
import streamlit as st, pandas as pd
from ultralytics import YOLO

MODEL_PATH = Path(__file__).parent.parent / "model" / "best.pt"

@st.cache_resource(show_spinner=False)
def load_model(path: str) -> YOLO:
    return YOLO(path)                                   # ① 缓存权重,避免重复加载

def infer_image_path(model: YOLO, image_path: Path, conf: float):
    result = model.predict(str(image_path), conf=conf, verbose=False)[0]   # ② 单帧推理
    annotated = result.plot()                                              # ③ 画框
    rows = []
    if result.boxes is not None:
        for box in result.boxes:
            cls_id = int(box.cls.item())
            x1, y1, x2, y2 = [float(v) for v in box.xyxy[0].tolist()]
            rows.append({
   
                "class_id": cls_id,
                "class_name": result.names[cls_id],
                "confidence": round(float(box.conf.item()), 4),
                "x1": round(x1, 1), "y1": round(y1, 1),
                "x2": round(x2, 1), "y2": round(y2, 1),
            })
    return annotated[:, :, ::-1], pd.DataFrame(rows)    # ④ BGR→RGB + 结构化结果

# ---------- Streamlit 入口(单图分支) ----------
st.set_page_config(page_title="共享单车识别", layout="wide")
conf = st.sidebar.slider("置信度阈值", 0.1, 0.9, 0.25, 0.05)
model = load_model(str(MODEL_PATH))

mode = st.radio("输入类型", ["单张图片", "批量图片", "视频", "摄像头"], horizontal=True)

if mode == "单张图片":
    up = st.file_uploader("上传待检测图片", type=["jpg", "jpeg", "png", "webp", "bmp"])
    if up is not None:
        annotated, df = infer_image_path(model, Path(up.name), conf)   # 复用单图推理
        col1, col2 = st.columns(2)
        col1.image(up.getvalue(), caption="原图")
        col2.image(annotated,    caption="检测结果")
        st.dataframe(df)

5 段解析:

  1. @st.cache_resource —— 让 YOLO 权重在 Streamlit 会话之间只加载一次,第二次刷新页面响应能从冷启动 1.5s 降到 50ms。
  2. model.predict(..., verbose=False)[0] —— ultralytics 一行推理,自动处理 letterbox、NMS、置信度阈值。[0] 是因为接口默认返回 list(视频每帧一个 result)。
  3. result.plot() —— 直接拿到带框、带类别、带置信度的可视化图(NumPy BGR)。
  4. 把每个 box 拆成 class_id / class_name / confidence / x1y1x2y2 装进 DataFrame,下游图表与导出 CSV 全部基于此。
  5. st.radio + 分支结构是 Streamlit 的"路由",加新输入模式(比如 RTSP 流)只要再加一个 elif。

四、训练效果

模型基于 yolo11n.pt 在 3000 张多场景单车图(含城市道路、小区、公园、街边、室内)上训练 200 个 epoch,imgsz=640、batch=16。最终训练表现:

指标 数值
Precision 0.987
Recall 0.973
mAP@0.5 0.994
mAP@0.5:0.95 0.814

训练曲线总览:

训练结果总览

可以看到 box / cls / dfl 三路损失稳定下降,mAP@0.5 在第 100 个 epoch 后已经稳定在 0.99 附近,没有过拟合迹象。

PR 曲线(单类):

PR 曲线

PR 曲线非常贴近右上角,说明模型在不同置信度阈值下都能保持高 Precision + 高 Recall —— 单车这一类边界清晰、纹理稳定,本身就是一个比较好啃的目标。

归一化混淆矩阵:

归一化混淆矩阵

对角线接近 1,"单车 → 单车"几乎全召回,剩余的少量误差主要落在 background(极远景或被遮挡严重的车被漏检),符合工程预期。

五、项目总结

做对了什么:

  • 场景闭环:不止"识别出单车",还把"批量盘点 + 类别分布 + 平均置信度 + 每图目标数"做进了 Streamlit 前端,城管/运维拿到链接就能用。
  • 小模型策略:YOLO11n(5MB 级)+ 单类,路侧相机或巡查 PAD 都能扛得住,不必上 GPU。
  • 配置与代码解耦:所有行业话术、UI 颜色、识别类别都从 configs/project.yaml 注入,下次换业务(比如电动车违停)只需改 yaml + 换权重。

还能怎么做:

  1. 接入跟踪算法(ByteTrack / BoT-SORT),从"画面里几辆"升级为"路口 5 分钟流量";
  2. 加一个入栏率插件:基于 ROI 多边形 + 单车重心位置,自动算停在停车区/停在斑马线的比例;
  3. 边缘部署:用 ultralytics export 导出 ONNX / NCNN / RKNN,就近塞进路侧 AI 盒子。

一句话总结: 用 YOLO11n 把"共享单车"这一个最小问题做透,Streamlit 兜底前端,整套方案 ≈ 6 MB 权重 + 不到 1500 行代码,就足以撑起一个城市治理小工具的 PoC。

相关文章
|
1月前
|
机器学习/深度学习 算法 数据可视化
基于 YOLO26 的6类PCB缺陷智能检测系统(中英文双版)| 附完整源码与效果演示
本项目基于YOLO26算法,构建了支持中英文双语的6类PCB缺陷(漏孔、鼠咬、开路、短路、毛刺、多余铜)智能检测系统。集成PyQt5图形界面,具备图像/视频检测、实时可视化、多线程处理与灵活配置功能,附完整源码、预训练模型及演示视频。(239字)
|
移动开发 缓存 JavaScript
2021最新阿里代码规范(前端篇)
2021最新阿里代码规范(前端篇)
61588 11
2021最新阿里代码规范(前端篇)
|
存储 编解码 iOS开发
视频文件格式:MOV与MP4格式的区别是什么?
视频文件有多种格式,很多人在下载时不知道该选择哪种文件格式。不同格式有不同特点,各自有优缺点。本文将详细介绍常见的MOV和MP4的特点与区别,以供读者了解及选择。
12040 3
视频文件格式:MOV与MP4格式的区别是什么?
|
2月前
|
运维 监控 算法
异常行为检测数据集 | 9100张YOLO安防监控数据集
本数据集含9100张YOLO格式标注图像,聚焦公共安防场景,涵盖“非行人、逆向、坐、睡、站”5类行人行为,专为异常行为检测算法训练优化,兼容YOLOv5-v12等主流模型,支持周界防范、客流预警与智能监控研究。(239字)
|
1月前
|
机器学习/深度学习 并行计算 算法
基于YOLOv8的外墙裂缝检测识别系统(中英文双版) | 附完整源码与效果演示
本项目基于YOLOv8构建中英文双语外墙裂缝检测系统,集成CBAM/SE注意力机制与优化损失函数,支持图像/视频实时检测;配备PyQt5可视化界面,含训练、推理、评估全流程功能,并开源完整代码、预训练模型及标注数据集。(239字)
基于YOLOv8的外墙裂缝检测识别系统(中英文双版) | 附完整源码与效果演示
|
1月前
|
弹性计算 缓存 NoSQL
基于阿里云ECS的高并发景区票务系统架构实践——千里达票务系统
节假日景区售票是典型的瞬时高并发+强一致性场景。本文以千里达票务系统为例,分享基于阿里云ECS构建高可用票务架构的实践经验:SLB负载均衡分发、Redis原子扣减余票防超卖、RDS读写分离兜底、OSS+CDN承载静态资源,并复盘云盘IOPS、连接数打满、缓存雪崩、CDN回源放大等踩坑问题与扩容压测策略,为文旅数字化项目提供可复用的云上架构参考。
184 1
|
5月前
|
算法 安全 固态存储
瓶盖缺陷检测数据集| 3800张YOLO工业质检数据集 适用于工业流水线质检、自动化分拣与目标检测研究
本数据集含3800张YOLO格式标注图像,覆盖破损、断裂防盗环、松动、缺失及合格瓶盖5类目标,源自真实工业流水线,标注精准、场景多样,适用于YOLO等模型训练,支撑智能质检与自动化分拣研发。
|
4月前
|
人工智能 缓存 负载均衡
一文说明白 AI API中转站是什么?
AI API中转站是连接国内开发者与海外大模型(如OpenAI、Claude)的代理平台,破解网络、支付、注册三重壁垒。支持微信/支付宝充值、统一OpenAI格式调用、智能路由与自建号池,以“倍率”计费(官方价×倍率)。适合中小团队降本提效,但需警惕低价掺水、数据安全与服务稳定性。
|
4月前
|
机器学习/深度学习 编解码 监控
包裹计数目标检测数据集(约6000张单类别YOLO标注已划分)源码分享
本数据集含约6000张物流实景图像,专为包裹自动计数设计,聚焦密集堆叠、遮挡严重、尺度多变等难点,采用单类别YOLO格式标注并完成标准划分(train/val/test),开箱即用于YOLOv5/v8/v9等主流模型训练,助力智能仓储、快递分拣等场景高效落地。
|
11月前
|
前端开发
关于宜搭轻享版产品调整及升级优惠活动的通知
钉钉宜搭拟于2026年起逐步退出轻享版业务,1月1日起停止新购,4月1日起停止续约。老用户可享专业版升级优惠,仅需补差价40%,应用数据无缝迁移,无功能损失,助力低代码能力升级。
6038 36