基于 YOLO11 的道路交通锥视觉识别系统 | 源码实战项目分享

基于 YOLO11 的道路交通锥 视觉 识别系统

一套面向道路养护、施工管控与自动驾驶感知场景的交通锥（路锥 / 雪糕筒）识别方案，使用 YOLO11n + Streamlit 构建，稳定检出施工区、临时占道与隔离区的安全锥，辅助安全防护与作业区划设。

一、背景

1.1 行业痛点

交通锥（俗称"雪糕筒"“路锥”）是道路施工、临时占道与事故现场最常见的隔离物。围绕它的痛点很集中：

1. 施工区锥桶巡检靠人眼：高速沿线一个标段几十公里、上百枚锥桶，人工巡查既慢又难量化"是否摆够、是否倾倒"；
2. 自动驾驶感知短板：锥桶是 corner case 之一——颜色高饱和、形状特殊、又常出现在非结构化场景，传统检测器对倾倒 / 遮挡场景误检率高；
3. 事故现场态势难还原：交警 / 路政事后取证时希望快速统计锥桶分布，传统人工标注耗时耗力。

本 项目 用一个轻量、可部署到巡检车 / 路侧抓拍机 / 自驾感知模块的 YOLO11n 模型，把"识别路面上有几个锥桶、在哪里、姿态如何"做成开箱即用的能力。

数据集 规模 6000 张，来自真实交通场景，覆盖白天、夜晚、阴天、雨天，包含锥桶直立、倾倒、部分遮挡多种状态，按 YOLO 格式组织（train / valid / test ），单类 nc=1：['交通锥']。

视频演示与源码下载

https://www.bilibili.com/video/BV1U1HJ6fExk/

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（道路橙 + 警示黄主题，符合交通行业视觉规范）：

1.3 项目介绍

创新点 / 亮点

系统功能概览

• 单张图片识别：路面照片 → 标注图 + 锥桶数量 + 平均置信度
• 批量图片识别：整段路上传后输出全段锥桶分布
• 视频检测：行车记录仪 / 巡检车视频，逐帧检测 + 时间线
• 摄像头实时：直接接 RTSP / USB 摄像头，实时输出

技术栈

类别定义：nc=1，names=['交通锥']。

二、设计框架

系统架构

┌────────────────────────────────────────────────────────────┐
│      接入终端：巡检车前视相机 │ 施工区抓拍机 │ 自驾感知模块 │
└──────────────────────┬─────────────────────────────────────┘
                       │ HTTP / RTSP / 文件上传
┌──────────────────────▼─────────────────────────────────────┐
│              Streamlit App (app/streamlit_app.py)          │
│  · 模式路由（单图 / 批量 / 视频 / 摄像头）                 │
│  · 行业品牌渲染（project.yaml 驱动）                       │
│  · 结果分析图 / 明细表 / 导出包                            │
└──────────────────────┬─────────────────────────────────────┘
                       │ model.predict(conf=0.25, iou=0.7)
┌──────────────────────▼─────────────────────────────────────┐
│                 YOLO11n 推理引擎                           │
│  Backbone (C2f + SPPF) → Neck (FPN + PAN) → Decoupled Head │
│  + DFL（分布式回归） → NMS                                 │
└──────────────────────┬─────────────────────────────────────┘
                       │ result.boxes (cls, conf, xyxy)
┌──────────────────────▼─────────────────────────────────────┐
│  后处理：单类汇总 → DataFrame → 数量统计 / 置信度分布      │
└────────────────────────────────────────────────────────────┘

YOLO11 网络结构

• Backbone：连续 Conv + C2f 下采样 5 次 + 末端 SPPF 多尺度池化
• Neck：FPN + PAN 双向特征金字塔，对远处小锥桶和近距离大锥桶同时友好
• Head：解耦头 + DFL（分布式回归），对倾倒锥桶这种非典型长宽比定位更稳
• 损失：BCE（分类）+ CIoU + DFL（回归）

检测流程：图像/帧 → letterbox 缩放至 imgsz=640 → 推理 → 置信度过滤（conf=0.25）→ NMS（iou=0.7）→ 单类汇总 → 前端渲染。

三、代码结构（核心 50 行 + 解析）

项目结构：

道路交通锥识别/
├── app/streamlit_app.py                    # Streamlit Web 入口
├── configs/project.yaml                    # 业务配置（行业 / 场景 / UI）
├── model/best.pt                           # YOLO11n 训练权重
├── scripts/                                # 训练 / 评测 / 导出脚本
├── 安全锥路锥雪糕筒检测数据集/                # 数据集（train/valid/test）
└── 安全锥路锥雪糕筒目标检测train_CH_yolo11n/   # 训练产物

核心 50 行（精简版）：

from pathlib import Path
import pandas as pd
import streamlit as st
import yaml
from ultralytics import YOLO

PROJECT_ROOT = Path(__file__).resolve().parent.parent
CONFIG_PATH = PROJECT_ROOT / "configs" / "project.yaml"
MODEL_PATH = PROJECT_ROOT / "model" / "best.pt"

APP_CFG = yaml.safe_load(open(CONFIG_PATH, "r", encoding="utf-8"))
APP_META = APP_CFG.get("app", {
   })
INFER = APP_CFG.get("inference", {
   })
DEFAULT_CONF = float(INFER.get("conf", 0.25))
DEFAULT_IOU = float(INFER.get("iou", 0.7))

@st.cache_resource(show_spinner=False)
def load_model(model_path: str) -> YOLO:
    return YOLO(model_path)               # 全局缓存，避免反复加载

def infer_image(model: YOLO, image_path: Path, conf: float):
    result = model.predict(str(image_path), conf=conf, iou=DEFAULT_IOU, verbose=False)[0]
    annotated = result.plot()             # 自带画框 + 类名 + 置信度
    rows = []
    if result.boxes is not None:
        for box in result.boxes:
            cls_id = int(box.cls.item())
            rows.append({
   
                "class_id": cls_id,
                "class_name": result.names[cls_id],   # '交通锥'
                "confidence": round(float(box.conf.item()), 4),
                "x1": float(box.xyxy[0][0]), "y1": float(box.xyxy[0][1]),
                "x2": float(box.xyxy[0][2]), "y2": float(box.xyxy[0][3]),
            })
    return annotated[:, :, ::-1], pd.DataFrame(rows)  # BGR -> RGB

# ---------------- Streamlit 主流程 ----------------
st.set_page_config(page_title=APP_META.get("title"), layout="wide")
model = load_model(str(MODEL_PATH))
conf = st.sidebar.slider("置信度阈值", 0.05, 0.95, DEFAULT_CONF, 0.05)
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":
    uploaded = st.file_uploader("上传路面图片", type=["jpg", "png", "jpeg"])
    if uploaded is not None:
        tmp = Path("/tmp") / uploaded.name
        tmp.write_bytes(uploaded.getvalue())
        annotated, df = infer_image(model, tmp, conf)
        col1, col2 = st.columns(2)
        col1.image(uploaded.getvalue(), caption="原图", width="stretch")
        col2.image(annotated, caption="检测结果", width="stretch")
        st.metric("识别锥桶数量", int(len(df)))
        if not df.empty:
            st.metric("平均置信度", f"{df['confidence'].mean():.2%}")
        st.dataframe(df, width="stretch")

逐段解析

1. yaml.safe_load(project.yaml) 把 inference.conf / inference.iou / app.title 全部抽到配置层，调超参不用改代码，巡检 SaaS 多租户场景极友好。
2. @st.cache_resource 缓存 YOLO(path)：Streamlit 每次交互都会重跑脚本，缓存避免 200ms 级的模型加载开销，让单图响应稳定在 50ms 量级。
3. model.predict 一行完成"预处理 + 推理 + NMS"，返回 Results，.plot() 直接生成带标注框的 ndarray，免去手画 cv2 矩形的工作量。
4. result.boxes 迭代得到 cls / conf / xyxy，组成 DataFrame：单类项目里 class_name 永远是 交通锥，但保留字段是为了未来扩展（如增加"倾倒锥桶"、"破损锥桶"子类）。
5. st.radio + if/elif 路由四种输入模式，模型一次加载、四个入口共享。摄像头 / 视频模式只需复用 infer_image，把帧 ndarray 灌进去即可。

四、训练效果

训练采用 YOLO11n 预训练权重 微调 ，epochs=200, imgsz=640, batch=16, patience=50（实际跑到 113 epoch 触发早停）。best.pt 对应的最佳指标：

说明：当前 mAP@0.5 ≈ 0.75，模型仍在迭代中。从误差分布看，主要瓶颈在三个方向：

• 远距离小目标：高速场景下 50m 外的锥桶在 640×640 输入里只有几像素，需要更高分辨率（imgsz=1280）或 P2 检测头；
• 倾倒 / 重度遮挡：长尾样本不足，模型偶尔把倾倒锥桶判成背景；
• 夜间反光：夜间锥桶反光条会让模型把多个连续锥桶 NMS 误合为一个。

下一阶段优化方向：

1. imgsz 提到 1280 + 加入 P2 高分辨率检测头，专治远距离小目标；
2. 使用 Mosaic + Copy-Paste 增强长尾倾倒样本；
3. 训练时混合一定比例的夜间增强数据，缓解光照域差；
4. 升级到 YOLO11s 后量化部署到 Jetson Orin Nano，平衡精度与推理速度。

由于本阶段 mAP 尚未达到放出 PR / 混淆矩阵的内部阈值（≥ 0.85），暂仅展示训练 loss / 指标随 epoch 的总览图。从曲线看，box / cls / dfl loss 平稳下降，P/R 在中后段趋于平台期，未出现过拟合震荡，整体走势健康。

五、项目总结

做对了什么

• 一份代码 + 一份 project.yaml，可同时跑高速养护、城市施工、自驾感知三种业务，配置即业务。
• 数据集采集时刻意覆盖了天气、光照、姿态长尾，模型即使没到 SOTA，泛化能力也比"晴天直立锥桶"训练集强不少。
• Streamlit 多模式入口让算法成果能直接给前线交警 / 路政人员演示，缩短从"训练完模型"到"业务方能看见效果"的链路。

还能怎么做

• 接入巡检车 GPS + 时间戳，把锥桶检测结果落到地图上做"全路段锥桶库存表"，回答"今天 K78 处少了几枚锥桶"这种业务问题。
• 上时序跟踪（ByteTrack）把单帧锥桶串成"事件"，识别"锥桶被车撞倒"瞬间，配合视频取证做交通事故快速复盘。
• 量化到 INT8 部署到 Jetson Orin Nano，单帧推理 < 20ms，可直接装到巡检车前视相机里，离线也能跑。
• 加入"车 / 人 / 锥桶"多类同框，识别施工区是否有违规闯入。

一句话总结

YOLO11n + Streamlit 给智慧交通领域提供了一个开箱即用、可配置化、可边缘部署的交通锥识别底座，无论是高速养护 SaaS、自驾感知补丁，还是事故现场快速取证，都能在它上面拼装出自己的业务闭环。