基于YOLOv8深度学习的高精度车辆行人检测与计数系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战

简介: 基于YOLOv8深度学习的高精度车辆行人检测与计数系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战

前言

车辆和行人检测与计数系统对于城市管理、交通规划和公共安全具有极其重要的意义。通过利用基于YOLOv8的检测系统,可以实现对行人流量和车流量的实时监测和精确计数,这一能力在多个场合中发挥着至关重要的作用。

首先,该系统能够帮助交通管理部门监测道路使用情况,分析交通拥堵问题,为交通信号控制(如红绿灯调整)、路网设计优化和交通引导提供数据支持。这有助于缓解交通压力,减少交通事故,提升道路使用效率。

其次,在公共安全领域中,行人车辆检测与计数系统可以用于人群密度监测,比如在大型活动或公共集会场合,通过监测人群密度和流动趋势,可以及时预防和应对踩踏等公共安全事件。

而且,零售业和商场也可利用此系统分析顾客流量和停车需求,从而进行店铺布局优化,车位管理以及营业时间的调整,以更好地服务消费者。在智能城市的构建当中,行人车辆检测与计数系统还可以与城市监控网络相结合,进行城市规划、环境质量监测、应急管理等,对城市的可持续发展具有重要影响。

此外,在自动驾驶技术研发中,准确的行人和车辆检测是确保行车安全的关键技术。自动驾驶车辆能够利用此技术来理解周围环境,避免撞车和保护行人安全。因此,行人车辆检测与计数系统的应用前景广阔,是实现智能交通和智慧城市的基础性技术之一。

博主通过搜集车辆与行人的相关数据图片,根据YOLOv8的目标检测技术,基于python与Pyqt5开发了一款界面简洁的高精度车辆行人检测与计数系统,可支持图片、视频以及摄像头检测,同时可以将图片或者视频检测结果进行保存

软件初始界面如下图所示:

检测结果界面如下:

一、软件核心功能介绍及效果演示

软件主要功能

1. 可进行车辆行人目标检测,并且分别计数;
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. 支持图片或者视频检测结果保存

(1)图片检测演示

点击图片图标,选择需要检测的图片,或者点击文件夹图标,选择需要批量检测图片所在的文件夹,操作演示如下:

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。 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。

注:1.右侧目标位置默认显示置信度最大一个目标位置。所有检测结果均在左下方表格中显示。

单个图片检测操作如下:

批量图片检测操作如下:

(2)视频检测演示

点击视频图标,打开选择需要检测的视频,就会自动显示检测结果。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。

(3)摄像头检测演示

点击摄像头图标,可以打开摄像头,可以实时进行检测,再次点击摄像头图标,可关闭摄像头。

(4)保存图片与视频检测结果

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。

二、模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一种前沿的目标检测技术,它基于先前YOLO版本在目标检测任务上的成功,进一步提升了性能和灵活性。主要的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,可以在从 CPU 到 GPU 的各种硬件平台上运行

其主要网络结构如下:

2. 数据集准备与训练

通过网络上搜集关于车辆行人的各类图片,并使用LabelMe标注工具对每张图片中的目标边框(Bounding Box)及类别进行标注。一共包含5607张图片,其中训练集包含4485张图片验证集包含1122张图片,部分图像及标注如下图所示。

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CarPersonData目录下。

同时我们需要新建一个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:\MyCVProgram\CarPersonDetection\datasets\CarPersonData\images\train
val: E:\MyCVProgram\CarPersonDetection\datasets\CarPersonData\images\val
# number of classes
nc: 2
# class names
names: ['person', 'car']

注:train与val后面表示需要训练图片的路径,建议直接写自己文件的绝对路径。

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】,代码如下:

# 加载模型
model = YOLO("yolov8n.pt")  # 加载预训练模型
# Use the model
if __name__ == '__main__':
    # Use the model
    results = model.train(data='datasets/CarPersonData/data.yaml', epochs=250, batch=4)  # 训练模型
    # 将模型转为onnx格式
    # success = model.export(format='onnx')

3. 训练结果评估

在深度学习中,我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失:定位损失(box_loss)、分类损失(cls_loss)和动态特征损失(dfl_loss),在训练结束后,可以在runs/目录下找到训练过程及结果文件,如下所示:

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。

本文训练结果如下:

我们通常用PR曲线来体现精确率和召回率的关系,本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积,m表示平均,@后面的数表示判定iou为正负样本的阈值。mAP@.5:表示阈值大于0.5的平均mAP,可以看到本文模型两类目标检测的mAP@0.5平均值为0.94,结果还是非常不错的。

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/trian/weights目录下。我们可以使用该文件进行后续的推理检测。

图片检测代码如下:

# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/car_data_1_4648.jpg"
# 加载预训练模型
# conf  0.25  object confidence threshold for detection
# iou 0.7 intersection over union (IoU) threshold for NMS
model = YOLO(path, task='detect')
# model = YOLO(path, task='detect',conf=0.5)
# 检测图片
results = model(img_path)
res = results[0].plot()
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)

执行上述代码后,会将执行的结果直接标注在图片上,结果如下:

以上便是关于此款车辆行人检测与计数的原理与代码介绍。基于此模型,博主用pythonPyqt5开发了一个带界面的软件系统,即文中第二部分的演示内容,能够很好的支持图片、视频及摄像头进行检测,同时支持检测结果的保存

相关文章
|
12天前
|
机器学习/深度学习 人工智能 算法
【乐器识别系统】图像识别+人工智能+深度学习+Python+TensorFlow+卷积神经网络+模型训练
乐器识别系统。使用Python为主要编程语言,基于人工智能框架库TensorFlow搭建ResNet50卷积神经网络算法,通过对30种乐器('迪吉里杜管', '铃鼓', '木琴', '手风琴', '阿尔卑斯号角', '风笛', '班卓琴', '邦戈鼓', '卡萨巴', '响板', '单簧管', '古钢琴', '手风琴(六角形)', '鼓', '扬琴', '长笛', '刮瓜', '吉他', '口琴', '竖琴', '沙槌', '陶笛', '钢琴', '萨克斯管', '锡塔尔琴', '钢鼓', '长号', '小号', '大号', '小提琴')的图像数据集进行训练,得到一个训练精度较高的模型,并将其
27 0
【乐器识别系统】图像识别+人工智能+深度学习+Python+TensorFlow+卷积神经网络+模型训练
|
9天前
|
机器学习/深度学习 人工智能 算法
【服装识别系统】图像识别+Python+人工智能+深度学习+算法模型+TensorFlow
服装识别系统,本系统作为图像识别方面的一个典型应用,使用Python作为主要编程语言,并通过TensorFlow搭建ResNet50卷积神经算法网络模型,通过对18种不同的服装('黑色连衣裙', '黑色衬衫', '黑色鞋子', '黑色短裤', '蓝色连衣裙', '蓝色衬衫', '蓝色鞋子', '蓝色短裤', '棕色鞋子', '棕色短裤', '绿色衬衫', '绿色鞋子', '绿色短裤', '红色连衣裙', '红色鞋子', '白色连衣裙', '白色鞋子', '白色短裤')数据集进行训练,最后得到一个识别精度较高的H5格式模型文件,然后基于Django搭建Web网页端可视化操作界面,实现用户在界面中
30 1
【服装识别系统】图像识别+Python+人工智能+深度学习+算法模型+TensorFlow
|
15天前
|
机器学习/深度学习 数据采集 算法
m基于Googlenet深度学习的运动项目识别系统matlab仿真,包括GUI界面
**摘要:** 在MATLAB 2022a中,基于GoogLeNet的运动识别系统展示优秀性能。GoogLeNet,又称Inception网络,通过结合不同尺寸卷积核的Inception模块实现深度和宽度扩展,有效识别复杂视觉模式。系统流程包括数据预处理、特征提取(前端层学习基础特征,深层学习运动模式)、池化、Dropout及全连接层分类。MATLAB程序示例展示了选择图像、预处理后进行分类的交互过程。当按下按钮,图像被读取、调整大小并输入网络,最终通过classify函数得到预测标签。
10 0
|
2天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习在自然语言处理中的应用与挑战
本文深入探讨了深度学习技术在自然语言处理(NLP)领域的应用现状及其面临的主要挑战。通过分析深度学习模型如循环神经网络(RNN)、长短时记忆网络(LSTM)和Transformer在语言建模、机器翻译、情感分析等任务中的表现,揭示了这些模型在理解和生成自然语言方面的潜力。同时,本文也指出了数据偏差、模型泛化、资源消耗以及伦理问题等挑战,为未来的研究方向提供了指引。
9 0
|
21小时前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习在自然语言处理中的应用与挑战
【7月更文挑战第12天】随着人工智能技术的飞速发展,深度学习已成为推动自然语言处理(NLP)领域革新的核心动力。本文将深入探讨深度学习技术如何赋能NLP,实现从文本分类到机器翻译的多样化应用,并分析当前面临的主要挑战,如数据偏差、模型可解释性及多语言处理问题,最后展望深度学习在NLP领域的未来发展方向。
10 5
|
21小时前
|
机器学习/深度学习 人工智能 监控
深度学习在图像识别中的应用与挑战
【7月更文挑战第12天】随着人工智能技术的飞速发展,深度学习已经成为图像识别领域的核心技术。本文将探讨深度学习如何改变图像识别的面貌,包括其在特征提取、目标检测和分类方面的应用。同时,我们也将分析深度学习面临的主要挑战,如过拟合、数据集偏差和模型解释性问题,并提出相应的解决策略。通过深入讨论,旨在为深度学习在图像识别领域的未来发展提供洞见。
|
2天前
|
机器学习/深度学习 算法
深度学习在图像识别中的应用与挑战
【7月更文挑战第10天】本文将深入探讨深度学习技术在图像识别领域的应用及其所面临的挑战。我们将从深度学习的基本原理出发,逐步解析其在图像识别中的关键作用,并结合最新的研究成果和案例分析,揭示当前技术的局限性与未来的发展方向。文章旨在为读者提供一个全面而深入的视角,理解深度学习如何推动视觉识别技术的边界,以及在这一过程中遇到的技术和理论难题。
|
1天前
|
机器学习/深度学习 自然语言处理 监控
深度学习在图像识别中的应用及其挑战
深度学习技术已成为现代图像识别领域的核心技术之一,其通过模拟人脑处理信息的方式来提取图像特征并进行分类。然而,随着技术的深入应用,也暴露出一系列挑战和问题,如数据偏差、模型泛化能力和计算资源的高需求等。本文将详细介绍深度学习在图像识别中的应用实例,并探讨当前面临的主要挑战及未来发展方向。
|
14小时前
|
机器学习/深度学习 人工智能 监控
深度学习在图像识别中的应用与挑战
本文深入探讨了深度学习技术在图像识别领域的应用及其面临的主要挑战。通过分析深度学习模型如何提高图像处理的准确性和效率,我们揭示了其在自动驾驶、医疗诊断和安防监控等领域的实际应用价值。同时,本文也指出了深度学习在图像识别中遇到的一些关键问题,包括数据偏差、模型泛化能力和计算资源需求等,为未来的研究方向提供了指引。
5 0
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习在自然语言处理中的应用与挑战
随着人工智能技术的飞速发展,深度学习已成为推动自然语言处理(NLP)领域进步的核心动力。本文将深入探讨深度学习如何革新NLP的多个方面,包括语言模型、机器翻译和情感分析等。同时,我们也将讨论当前面临的主要技术挑战,如模型的可解释性、数据偏差以及资源消耗问题,并提出可能的解决方案。通过实证研究和案例分析,文章旨在为读者提供对深度学习在NLP中应用的全面理解和未来发展趋势的预测。