前言
交通标志识别系统是ITS和无人驾驶系统的重要组成部分。如何提高交通标志检测与识别技术的准确性和实时性，是该技术走向实际应用时需要解决的关键问题。近年来，大多数先进的目标检测算法，如Faster R-CNN、R-FCN、SSD和YOLO，都使用了卷积神经网络，并在目标检测任务中取得了丰硕的成果。然而，将这些方法简单地应用到交通标志识别中很难取得满意的效果。车载移动终端的目标识别和检测对不同尺度的目标要求较高的精度，对识别速度要求较高，这意味着要满足准确性和实时性两个要求。
传统的CNN通常需要大量的参数和浮点运算(FLOPs)来达到令人满意的精度，例如ResNet-50有大约25.6万个参数，需要41亿个浮点运算来处理224×224大小的图像。然而，内存和计算资源有限的移动设备(如智能手机和自动驾驶汽车)无法用于更大网络的部署和推理。YOLOv5作为一种One-stage检测器，具有计算量小、识别速度快等优点。
本系统基于YOLOv5，采用登录注册进行用户管理，对于图片、视频和摄像头捕获的实时画面，可检测交通信号标志图像，系统支持结果记录、展示和保存，每次检测的结果记录在表格中。对此这里给出博主设计的界面，功能也可以满足图片、视频和摄像头的识别检测，希望大家可以喜欢，初始界面如下图：
检测类别时的界面截图（点击图片可放大）如下图，可识别画面中存在的多个类别，也可开启摄像头或视频检测：
详细的功能演示效果参见博主的B站视频或下一节的动图演示，觉得不错的朋友敬请点赞、关注加收藏！系统UI界面的设计工作量较大，界面美化更需仔细雕琢，大家有任何建议或意见和可在下方评论交流。
1. 效果演示
首先我们还是通过动图看一下识别的效果，系统主要实现的功能是对图片、视频和摄像头画面中的交通信号标志进行识别，识别的结果可视化显示在界面和图像中，另外提供多个目标的显示选择功能，演示效果如下。
（一）系统介绍
交通信号标志识别软件主要用于常见交通信号标志的智能识别，对于图像传感器采集的图像、视频或实时画面，基于深度学习技术识别多种交通信号标志，在软件界面中标记检测框和标志类别，以辅助无人驾驶等任务；软件准确定位标志区域并记录结果在界面表格中便于查看，支持限速标志、停车、行人等目标检测，标志数目、类别、置信度等结果可记录、展示和保存；软件提供登录注册功能，可进行用户管理。
（二）技术特点
（1）检测模型支持更换，模型采用YOLOv5训练；
（2）摄像头实时检测交通标志，展示、记录和保存识别结果；
（3）可检测图片、视频等文件，统计结果实时可视化；
（4）支持用户登录、注册，检测结果可视化功能；
（三）用户注册登录界面
这里设计了一个登录界面，可以注册账号和密码，然后进行登录。界面还是参考了当前流行的UI设计，左侧是一个LOGO图，右侧输入账号、密码、验证码等等。
（四）选择图片识别
系统允许选择图片文件进行识别，点击图片选择按钮图标选择图片后，显示所有识别的结果，可通过下拉选框查看单个结果，以便具体判断某一特定目标。本功能的界面展示如下图所示：
（五）视频识别效果展示
很多时候我们需要识别一段视频中的多个交通信号标志，这里设计了视频选择功能。点击视频按钮可选择待检测的视频，系统会自动解析视频逐帧识别多个交通信号标志，并将分类和计数结果记录在右下方表格中，效果如下图所示：
（六）摄像头检测效果展示
在真实场景中，我们往往利用道路的摄像头获取实时画面，同时需要对交通信号标志进行识别，因此本文考虑到此项功能。如下图所示，点击摄像头按钮后系统进入准备状态，系统显示实时画面并开始检测画面中的交通信号标志，识别结果展示如下图：
2. 数据集及训练情况
交通标志数据集包含限速、环岛、禁止驶入等标志类型，训练数据集包含6522张图片，验证集包含632张图片，测试集296张图片，共计7450张图片，部分标注情况显示如下。
每张图像均提供了图像类标记信息，图像中交通信号标志的bounding box，交通信号标志的关键part信息，以及交通信号标志的属性信息，数据集并解压后得到如下的图片
作为YOLO系列的完善版本，YOLOv5优越的灵活性使得它可以方便地快速部署在车辆硬件侧。YOLOv5包含YOLOv5s、YOLOv5m、YOLOv5l, YOLOv5x。
YOLOv5s是YOLO系列中最小的版本，由于其内存大小为14.10M，更适合部署在车载移动硬件平台上，但其识别精度不能满足准确高效识别的要求，尤其是对小目标的识别。
YOLOv5的基本框架可以分为4个部分:Input、Backbone、Neck和Prediction。
Input部分通过拼接数据增强来丰富数据集，对硬件设备要求低，计算成本低。但是，这会导致数据集中原有的小目标变小，导致模型的泛化性能下降。
Backbone部分主要由CSP模块组成，通过CSPDarknet53进行特征提取。
在Neck中使用FPN和路径聚合网络(PANet)来聚合该阶段的图像特征。最后，网络进行目标预测并通过预测输出。
这里我们开始训练和测试自己的数据集，在cmd终端中运行train.py进行训练，以下是训练过程中的结果截图。
在深度学习中，我们通常通过损失函数下降的曲线来观察模型训练的情况。而YOLOv5训练时主要包含三个方面的损失：矩形框损失(box_loss)、置信度损失（obj_loss）和分类损失(cls_loss)，在训练结束后，我们也可以在logs目录下找到生成对若干训练过程统计图。下图为博主训练交通标志类识别的模型训练曲线图。
一般我们会接触到两个指标，分别是召回率recall和精度precision，两个指标p和r都是简单地从一个角度来判断模型的好坏，均是介于0到1之间的数值，其中接近于1表示模型的性能越好，接近于0表示模型的性能越差，为了综合评价目标检测的性能，一般采用均值平均密度map来进一步评估模型的好坏。我们通过设定不同的置信度的阈值，可以得到在模型在不同的阈值下所计算出的p值和r值，一般情况下，p值和r值是负相关的，绘制出来可以得到如下图所示的曲线，其中曲线的面积我们称AP，目标检测模型中每种目标可计算出一个AP值，对所有的AP值求平均则可以得到模型的mAP值。
以PR-curve为例，可以看到我们的模型在验证集上的均值平均准确率为0.991。
3. 交通信号标志检测识别
执行预测代码，得到的结果如下图所示，图中交通信号标志的种类和置信度值都标注出来了，预测速度较快。基于此模型我们可以将其设计成一个带有界面的系统，在界面上选择图片、视频或摄像头然后调用模型进行检测。
博主对整个系统进行了详细测试，最终开发出一版流畅得到清新界面，就是博文演示部分的展示，完整的UI界面、测试图片视频、代码文件，以及Python离线依赖包（方便安装运行，也可自行配置环境），均已打包上传，感兴趣的朋友可以通过下载链接获取。
