企业官网建设流程全解析

简介：本资源是一套完整的车辆目标检测与计数实战项目，面向计算机视觉方向的本科生毕设、课程设计及深度学习初学者，解决交通场景下多类车辆（轿车、卡车、大巴车）的实时检测与统计需求。压缩包共127个文件，含28个核心Python源码（含GUI界面实现）、36个编译后pyc文件、27个YOLOv5配置yaml、2个训练好的.pt模型、13张标注图像及对应XML标签、评估曲线图（loss/precision/recall）、操作说明文档与Docker部署脚本等，整体大小为608.09MB。已有1167人学习下载，内容覆盖从数据加载、模型推理、GUI交互到指标可视化全流程。项目开箱即用，附详细使用说明与训练日志分析，支持直接部署运行或二次开发；预览可见train_batch系列可视化图与prediction结果图，体现模型在复杂交通场景下的检测效果，适合快速构建CV项目原型或深化YOLO系列算法理解。

1. 项目概述：一个拿来即用的车辆检测计数解决方案

最近在整理硬盘，翻出来一个几年前做的老项目，当时是为了给一个停车场管理系统做技术验证。这个项目完整实现了基于YOLOv5和OpenCV的车辆检测与计数功能，并且带有一个用PyQt5写的图形界面。今天把它重新整理、优化并开源出来，希望能帮到正在做类似项目的朋友。这个项目最大的特点就是“开箱即用”，我不仅提供了完整的源代码，还打包了训练好的模型、我自用的数据集、训练过程中的评估指标曲线，以及一份详细的操作说明。无论你是想直接部署使用，还是想学习YOLOv5的训练和部署流程，甚至是研究如何将深度学习模型集成到桌面应用中，这个项目都能提供一个清晰的参考。

简单来说，这个项目能做什么？你运行起来之后，会看到一个桌面窗口。你可以选择打开一个视频文件（比如一段道路监控录像），或者直接调用电脑的摄像头。程序会实时识别视频中的车辆（包括小汽车、卡车、公交车等），用框把它们标出来，并在屏幕的指定区域（比如一条虚拟的“检测线”）统计通过的车辆数量。所有核心功能——从模型推理、图像处理到结果展示和计数逻辑——都被封装好了。对于初学者，你可以直接运行体验效果；对于开发者，你可以深入研究每一行代码，理解从数据标注、模型训练到应用集成的完整链路。

2. 核心思路与技术选型解析

2.1 为什么选择YOLOv5+OpenCV这个组合？

在做车辆检测这类实时性要求较高的应用时，技术选型直接决定了项目的成败。我最终敲定YOLOv5+OpenCV，是经过多方面权衡的。

首先，YOLOv5在速度与精度之间取得了非常好的平衡。相较于两阶段的Faster R-CNN等模型，YOLO（You Only Look Once）系列是单阶段检测器的代表，其“一次扫描，全局预测”的思想天生适合实时视频流处理。YOLOv5更是YOLO家族中的“实用派”，它由Ultralytics团队维护，代码结构清晰，文档丰富，并且提供了从YOLOv5n（纳米级）到YOLOv5x（超大级）一系列不同大小的预训练模型，方便我们根据硬件性能（是边缘设备Jetson Nano还是服务器GPU）进行选择。对于车辆检测，我们通常不需要极致的精度（如YOLOv5x），一个中等大小的YOLOv5s或YOLOv5m模型在1080p视频上就能达到很高的准确率和超过30 FPS的推理速度，完全满足实时性需求。

其次，OpenCV是计算机视觉领域的“瑞士军刀”。我们的任务不仅仅是模型推理，还包括视频流的读取、每一帧图像的预处理（缩放、归一化）、后处理（画检测框、画计数线、显示文字）以及图形界面的绘制。OpenCV提供了极其高效和稳定的接口来完成所有这些任务。它的cv2.VideoCapture可以轻松处理各种格式的视频文件和摄像头流，其绘图函数性能远超许多其他GUI库自带的绘图工具。更重要的是，OpenCV与Python的NumPy数组无缝集成，使得图像数据在模型（通常是PyTorch Tensor）和OpenCV处理流程之间转换非常方便。

最后，PyQt5用于构建GUI。虽然OpenCV有cv2.imshow可以显示图像，但它功能简单，难以构建复杂的交互界面（如按钮、下拉菜单、参数调整滑块）。PyQt5是Qt框架的Python绑定，功能强大，跨平台，能轻松创建出专业的桌面应用程序界面。我们将OpenCV处理后的图像（NumPy数组）转换为Qt支持的图像格式，实时显示在PyQt5的标签（QLabel）上，同时围绕它布置各种控制控件，这样就形成了一个既美观又实用的应用程序。

注意：这个技术栈是经典的“深度学习模型+传统视觉库+GUI框架”组合，其优势在于分工明确、生态成熟、资源丰富。YOLOv5负责“看得懂”，OpenCV负责“处理得快”，PyQt5负责“用得好”。对于大多数中小型视觉项目，这个组合的性价比非常高。

2.2 车辆计数逻辑的设计考量

检测出车辆只是第一步，如何准确计数才是项目的核心挑战。常见的计数方法有“虚拟线法”和“区域法”。在这个项目中，我采用的是更直观、更稳定的虚拟检测线法。

1. 虚拟线法的原理：在视频画面的特定位置画一条水平的“检测线”。我们只关心那些与这条线相交的车辆检测框。核心思路是追踪每个车辆框的中心点坐标的移动轨迹。当一个车辆框的中心点从上往下穿过这条线时，我们记为“进入”或“离开”（取决于你的场景定义，比如从屏幕上方进入下方，可以认为是离开监控区域，计数+1）。为了避免同一辆车因为抖动而被重复计数，必须引入一个“防重判”机制。

2. 防重判机制的实现：这是我踩过坑的地方。最初我简单地判断中心点坐标是否跨过线，结果发现车辆在检测线附近抖动时，中心点坐标可能在线的两侧反复横跳，导致一秒内被计数好几次。解决方案是引入一个状态记录。我为每个跟踪的车辆ID维护一个状态，比如‘above’（线上方）或‘below’（线下方）。只有当状态从‘above’变为‘below’时，才触发一次计数，并且在状态改变后设置一个短暂的“冷却时间”或锁定状态，防止立即再次触发。在代码里，我使用了一个字典来记录每个目标ID的最近一次位置状态。

3. 目标跟踪的简化实现：为了给每个车辆分配一个唯一的ID以实现持续跟踪，最严谨的方法是集成一个跟踪算法，如DeepSORT。但为了降低项目复杂度并保证实时性，我采用了一种基于IOU（交并比）的简易跟踪方法。在连续帧之间，计算当前帧检测框与上一帧检测框的IOU。如果IOU超过一个阈值（如0.4），则认为它们是同一个目标，继承其ID。否则，就分配一个新的ID。这种方法在车辆运动平缓、帧率较高时效果很好，且计算开销极小。当然，在车辆密集、遮挡严重时可能会ID切换（ID Switch），但对于一般的道路车流计数，其准确率已经足够。

3. 项目结构与核心模块详解

解压提供的.7z文件后，你会看到一个结构清晰的项目目录。理解这个结构，对于你后续的修改和调试至关重要。

vehicle_detection_counter/ ├── data/ # 数据相关 │ ├── dataset/ # 我使用的车辆数据集（images, labels） │ └── video/ # 用于测试的示例视频 ├── models/ # 模型相关 │ ├── yolov5s_vehicle.pt # 训练好的YOLOv5s模型权重 │ └── yolov5/ # YOLOv5官方源码（或精简版） ├── runs/ # 训练与评估输出 │ └── train/ # 训练过程记录，包含损失曲线、精度曲线等图片 ├── utils/ # 工具函数 │ ├── track.py # 简易跟踪与计数逻辑 │ ├── plots.py # 画检测框、标签的工具函数 │ └── gui_helpers.py # GUI相关的辅助函数 ├── detect.py # 主推理脚本（命令行版本） ├── train.py # 模型训练脚本 ├── gui_main.py # 带GUI的主程序入口 ├── requirements.txt # Python依赖包列表 └── README.md # 详细的操作使用说明

3.1 模型训练模块 (train.py)

这个文件直接使用了YOLOv5官方的训练脚本，但其中的数据配置和参数是针对车辆数据集调整过的。核心是data/vehicle.yaml这个配置文件，它指明了训练集、验证集的路径，以及车辆类别的名称和数量。

关键训练参数解析：

• --weights yolov5s.pt: 这里使用的是YOLOv5s的预训练权重进行迁移学习。从COCO等大型数据集预训练的模型初始化，能极大加快收敛速度并提升最终精度。
• --data data/vehicle.yaml: 指向我们的自定义数据集配置文件。
• --epochs 100: 训练轮数。对于车辆检测，100-150轮通常足够。
• --img-size 640: 输入图像的尺寸。YOLOv5会将所有图像缩放到此尺寸进行训练。640是速度和精度的良好折衷。
• --batch-size 16: 批大小。取决于你的GPU显存，8、16、32都是常见值。
• --device 0: 指定使用第0块GPU。如果是CPU则设为--device cpu。

训练过程的所有日志和权重都会保存在runs/train/exp目录下。里面最重要的就是那些.png曲线图：

• results.png: 包含了训练集和验证集的边界框损失、分类损失、目标度损失，以及mAP@0.5、mAP@0.5:0.95等关键指标。通过观察这些曲线是否平稳下降并收敛，可以判断训练是否正常。
• confusion_matrix.png: 混淆矩阵，直观展示模型在各个类别上的分类错误情况。
• val_batchX_pred.jpg: 验证集的批次预测样例，可以直观看到模型在未见过的数据上的检测效果。

3.2 图形界面核心 (gui_main.py)

这是用户交互的核心。我使用PyQt5的QtDesigner工具先设计了界面布局（生成.ui文件），再转换为Python代码。主窗口主要包含以下几个区域：

1. 视频显示区：一个大的QLabel控件，用于实时显示OpenCV处理后的视频帧，上面叠加了检测框、标签和计数线。
2. 控制面板：
   • 源选择：按钮或下拉菜单，用于选择“摄像头”（索引0,1...）或“视频文件”。
   • 开始/停止：控制视频流的启停。
   • 参数调节：滑块（QSlider）用于实时调整检测置信度阈值（conf-thres）和NMS的IOU阈值（iou-thres）。置信度阈值越低，检测出的目标越多（但误检也可能增多）；IOU阈值影响重叠框的合并程度。
   • 计数显示：一个QLCDNumber或大的QLabel，动态显示当前累计的车辆数量。
   • 计数线设置：输入框或滑块，允许用户动态调整画面中那条黄色计数线的Y坐标位置。

界面与逻辑的绑定：PyQt5使用信号（Signal）与槽（Slot）机制。例如，当用户点击“打开文件”按钮时，会触发该按钮的clicked信号，这个信号连接到一个自定义的槽函数open_file_dialog()。在这个槽函数里，我们调用QFileDialog让用户选择视频文件，然后用OpenCV打开它，并启动一个定时器（QTimer）。定时器每隔几十毫秒（根据帧率计算）触发一次，在对应的槽函数中执行读取一帧 -> YOLOv5推理 -> 计数逻辑 -> OpenCV绘图 -> 转换为Qt图像并显示这一整套流程。这种设计确保了GUI界面不会因为繁重的计算而卡死（计算在定时器槽函数中完成，主事件循环保持响应）。

3.3 检测与计数引擎 (detect.py与utils/track.py)

detect.py是YOLOv5官方的推理脚本增强版。我主要修改了以下部分以适应计数任务：

1. 视频流循环：将原本对单张图片或一批图片的处理，改写成对cv2.VideoCapture对象的连续帧读取循环。
2. 集成计数逻辑：在模型推理得到预测框（pred）之后，不是直接画图，而是先将这些框送入utils/track.py中的Counter类进行处理。这个类负责分配ID、判断是否穿过检测线并更新计数。
3. 可视化增强：在调用画图函数时，不仅画出带类别标签的框，还在画面顶部或底部绘制计数线和当前计数结果。

utils/track.py是计数逻辑的核心。Counter类的主要属性和方法包括：

• line_pos: 检测线的Y坐标。
• counter: 累计计数。
• track_history: 字典，以目标ID为键，存储其最近的中心点坐标和位置状态（‘above‘/’below‘）。
• update(detections): 核心方法。输入当前帧的所有检测框，通过IOU匹配更新已有目标的轨迹，判断新目标，并执行穿线计数判断。
• is_crossing_line(center, prev_center, prev_state): 判断一个目标的中心点移动是否导致了有效的穿线行为。

4. 环境搭建与快速启动指南

为了让任何人都能快速跑起来，项目的requirements.txt文件已经列出了所有必需的依赖。但有些库的安装有坑，这里我详细说明。

4.1 一步到位的环境配置（推荐）

最省事的方法是使用Conda创建一个独立的Python环境。

# 1. 创建并激活环境（Python 3.8是一个兼容性很好的版本） conda create -n vehicle_detection python=3.8 conda activate vehicle_detection # 2. 安装PyTorch（这是最大的坑，必须去官网核对） # 首先，打开 https://pytorch.org/get-started/locally/ # 根据你的CUDA版本（在命令行输入 `nvidia-smi` 查看）选择命令。 # 例如，如果你有CUDA 11.3，命令可能是： pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113 # 如果你没有NVIDIA GPU，或者想先用CPU测试，安装CPU版本： pip install torch torchvision torchaudio # 3. 安装项目其他依赖 # 切换到项目根目录，执行： pip install -r requirements.txt

requirements.txt里关键包的作用：

• opencv-python: OpenCV的核心库。
• PyQt5: 用于构建图形界面。
• pyqt5-tools: 包含Qt Designer等工具（可选，用于修改界面）。
• matplotlib: 用于绘制训练曲线（如果你要重新训练）。
• seaborn: 美化绘图。
• pandas: 处理数据日志。
• ultralytics: 这是YOLOv5官方维护的pip包。但在这个项目中，我们使用的是克隆的YOLOv5源码，所以这个包可能不是必须的，但安装也无妨。

4.2 可能遇到的安装问题与解决

1. “ERROR: Could not find a version that satisfies the requirement torch...”

   • 原因：PyTorch的安装命令必须严格匹配你的系统和CUDA版本。
   • 解决：再次强调，去PyTorch官网复制命令。如果不确定CUDA版本，就安装CPU版本。CPU版本对于演示和测试完全够用，只是速度慢。

2. “ModuleNotFoundError: No module named ‘PyQt5.sip‘”

   • 原因：PyQt5版本兼容性问题。
   • 解决：尝试先卸载再安装指定版本：pip uninstall PyQt5 PyQt5-sip pyqt5-tools -y，然后pip install PyQt5==5.15.7 PyQt5-Qt5==5.15.2 PyQt5-sip==12.11.0。

3. OpenCV无法读取视频或摄像头

   • 原因：缺少视频编解码后端。
   • 解决：安装完整版的OpenCV：pip uninstall opencv-python -y，然后安装pip install opencv-contrib-python。这个版本包含了更多功能。

4.3 运行你的第一个车辆计数程序

环境准备好后，运行就非常简单了。

# 确保在项目根目录下，且虚拟环境已激活 python gui_main.py

如果一切顺利，一个GUI窗口会弹出。接下来你可以：

1. 点击“打开视频”按钮，选择项目data/video目录下的示例视频（比如highway.mp4）。
2. 点击“开始”按钮。
3. 你会看到视频开始播放，车辆被绿色框识别出来，画面中间有一条黄色的水平线，车辆穿过时，左上角的计数器会增加。
4. 尝试拖动“置信度阈值”滑块。调低它会看到更多检测框（可能包含一些误检），调高它则只显示置信度很高的车辆。
5. 调整“计数线位置”滑块，将黄线移动到车流必经之路。

5. 从零训练你自己的车辆检测模型

虽然我提供了训练好的模型，但如果你想用在自己的数据集上，或者想深入理解训练过程，这部分是为你准备的。

5.1 数据准备与标注

1. 收集图片：收集包含车辆的各种场景图片（白天/夜晚、晴天/雨天、高速/市区）。数量上，建议至少500-1000张，覆盖越广，模型鲁棒性越强。将图片放在data/dataset/images/train和data/dataset/images/val文件夹下（按8:2或9:1划分训练集和验证集）。
2. 标注工具：使用labelImg或Roboflow进行标注。标注格式选择YOLO格式。每张图片会生成一个同名的.txt文件。
3. YOLO格式详解：.txt文件中每一行代表一个标注对象。格式为：<class_id> <x_center> <y_center> <width> <height>。所有坐标都是归一化的，即相对于图片宽度和高度的比例值（0到1之间）。例如，0 0.5 0.5 0.2 0.1表示类别0（如“car”），其边界框中心位于图片正中央，宽度占图片宽的20%，高度占图片高的10%。
4. 创建配置文件：在data/目录下创建my_vehicle.yaml，内容如下：

   # 类别数量和名称 nc: 3 # 例如，我定义了3类：car, bus, truck names: ['car', 'bus', 'truck'] # 训练集和验证集图片的路径（相对于项目根目录） train: data/dataset/images/train val: data/dataset/images/val

5.2 启动训练与监控

准备好数据后，训练就是一行命令的事：

python train.py --img 640 --batch 16 --epochs 100 --data data/my_vehicle.yaml --weights yolov5s.pt --device 0

训练过程中的监控技巧：

• 训练开始后，会在runs/train/exp（如果exp存在则为exp1, exp2...）文件夹下生成实时日志。
• 你可以使用TensorBoard来可视化训练过程，更直观：tensorboard --logdir runs/train，然后在浏览器打开localhost:6006。
• 重点看两个指标：
  • metrics/mAP_0.5：在IOU阈值为0.5时的平均精度均值。这是最常用的指标，训练过程中它会稳步上升，最终趋于平稳。达到0.9以上说明模型很不错。
  • loss/box_loss,loss/obj_loss,loss/cls_loss：三个损失值。它们应该随着训练轮数增加而快速下降，然后在小范围内波动。如果损失不降反升，可能是学习率太高或数据有问题。

5.3 模型导出与使用

训练完成后，最好的模型权重会保存在runs/train/exp/weights/best.pt。你可以直接用它替换我提供的models/yolov5s_vehicle.pt，然后在GUI中加载使用。

如果你想将模型部署到其他平台（如C++环境、移动端），可能需要导出为其他格式。YOLOv5提供了导出脚本：

python export.py --weights runs/train/exp/weights/best.pt --include onnx # 导出为ONNX格式

导出的ONNX模型可以被OpenCV的dnn模块直接读取，实现纯OpenCV推理，从而摆脱对PyTorch的依赖，这在某些生产环境中非常有用。

6. 性能优化与实战调参心得

在实际部署中，我们总是希望程序跑得更快、更准、更稳。下面分享一些我摸索出来的优化经验。

6.1 推理速度优化

1. 模型轻量化：如果是在CPU或树莓派上运行，YOLOv5s可能都嫌大。可以尝试更小的模型yolov5n，或者使用模型剪枝、量化技术。PyTorch提供了动态量化和静态量化工具，可以将FP32模型转换为INT8，在几乎不损失精度的情况下显著提升速度。
2. OpenCV的DNN模块：如前所述，将模型导出为ONNX，然后用OpenCV的cv2.dnn.readNetFromONNX()加载并推理。OpenCV DNN在某些CPU上的优化比PyTorch要好。不过，预处理和后处理代码需要相应调整。
3. 图像尺寸与帧率权衡：在detect.py或GUI的推理循环中，可以降低输入模型的图像尺寸（--img-size 320），这会大幅提升速度，但会降低对小目标的检测能力。也可以降低视频的处理帧率，比如不是每一帧都推理，而是每隔一帧（frame_skip=2）推理一次，用上一帧的结果来近似当前帧，这对车流速度不快的场景很有效。
4. 多线程处理：GUI的主线程负责响应界面，推理和图像处理放在另一个工作线程（QThread）中，避免界面卡顿。这是生产级应用的必要优化。

6.2 检测精度调参

1. 置信度阈值（conf-thres）：这是最直接的旋钮。默认0.25是一个平衡值。在干净的高速公路场景，可以调到0.4-0.5以减少误检（如将阴影误认为车）。在拥堵、模糊的城区场景，可能需要降到0.15-0.2才能不漏检。
2. NMS的IOU阈值（iou-thres）：默认0.45。当车辆重叠严重时（如堵车），降低这个值（如0.3）可以让重叠的车辆都被检测出来；调高它（如0.6）则会让重叠框合并得更激进，可能只保留一个框。
3. 数据增强（Data Augmentation）：在train.py中，YOLOv5默认开启了强大的数据增强（Mosaic, MixUp等）。如果你的数据集背景单一，可以适当增强；但如果你的数据已经非常多样，过度的增强反而可能有害。可以在data/hyps/hyp.scratch-low.yaml中调整增强参数，例如减少色彩抖动(hsv_h,hsv_s,hsv_v)的强度。

6.3 计数逻辑的鲁棒性增强

这是保证计数准确的关键，我为此迭代了好几个版本。

1. 检测线位置的动态校准：固定的一条线可能不适应所有视频。我后来增加了一个功能：允许用户在GUI中用鼠标拖动这条线到任意位置，程序会实时保存这个位置。甚至可以实现一个“学习模式”，让用户标定几帧中车辆应该触发计数的位置，程序自动计算出一条最优的线。
2. 多线计数与方向判断：对于双向车道，可以画两条线，分别统计两个方向的车辆。通过判断中心点移动方向（比较连续帧的Y坐标变化），可以区分是“进入”还是“离开”。
3. 跟踪算法的升级：简易IOU跟踪在复杂场景会失效。如果项目要求高，集成DeepSORT是更好的选择。DeepSORT在IOU匹配的基础上，加入了外观特征（使用一个简单的CNN提取）匹配，能有效处理短时遮挡和ID切换。网上有将DeepSORT与YOLOv5结合的成熟开源代码，可以整合进来替换掉utils/track.py中的简易跟踪器。
4. 误检过滤：有时远处的行人、自行车也可能被误检为车辆。除了调高置信度，还可以根据车辆框的宽高比进行过滤。小汽车的宽高比和行人、电线杆的宽高比有明显区别。在计数前，可以加入一个判断：if w/h > 1.2 and w/h < 3.0: count as vehicle。

7. 常见问题排查与解决实录

即使有了完整的代码和说明，在实际运行中你还是可能会遇到各种问题。这里把我遇到的和网友们常问的问题汇总一下。

7.1 运行时报错集锦

Q1: 运行python gui_main.py提示AttributeError: ‘Upsample‘ object has no attribute ‘recompute_scale_factor‘

• 原因：PyTorch版本过高（>=1.11）与YOLOv5旧版本代码的兼容性问题。
• 解决：打开models/yolov5/common.py文件，找到Upsample类，将其forward方法修改为：

  def forward(self, x): return F.interpolate(x, size=self.size, scale_factor=self.scale_factor, mode=self.mode, align_corners=self.align_corners)

  即去掉recompute_scale_factor=self.recompute_scale_factor这个参数。

Q2: GUI界面打开，点击“开始”后程序卡死无响应

• 原因：繁重的推理计算阻塞了GUI的主事件循环。
• 解决：这是最经典的问题。必须将视频处理和推理放到单独的线程中。在PyQt5中，创建一个继承自QThread的类（如VideoThread），将while(cap.isOpened())循环放在这个线程的run()方法里。通过信号（Signal）将处理好的图像帧发送回主线程更新UI。我的项目初始版本可能为了简洁没有做线程分离，你在实际使用时如果遇到卡顿，这是首要的优化点。

Q3: 计数不准，数字乱跳

• 原因：大概率是防重判机制没生效，或者检测线位置设置不合理。
• 排查：
  1. 检查utils/track.py中Counter类的update逻辑，确保状态切换逻辑正确（例如，只有从‘above‘到’below‘才计数）。
  2. 在GUI上打印出每个目标的ID和状态，观察穿过检测线时状态变化是否正确。
  3. 调整检测线位置，确保它穿过车辆主体的中间偏下位置，而不是车顶或车轮（车顶可能被遮挡，车轮在相邻帧间抖动大）。
  4. 尝试增加一个“死区”（dead zone）。例如，当中心点穿过线后，在接下来的10帧内，即使它回到线上方，也不将其状态改回‘above‘，避免抖动。

Q4: 在我的视频上检测效果很差，很多车检不出来

• 原因：训练数据与你的实际场景差异太大（域差异）。我的模型是在公开数据集（如UA-DETRAC, BDD100K）和部分自采数据上训练的，可能不适应你的特定场景（如不同车型、不同光照、不同拍摄角度）。
• 解决：这就是为什么你需要训练自己的模型。按照第5部分的指南，采集并标注至少几十张你场景下的图片，然后用我的模型进行微调（Fine-tuning）。命令如下：

  python train.py --data data/my_scene.yaml --weights models/yolov5s_vehicle.pt --epochs 50 --device 0

  使用预训练权重yolov5s_vehicle.pt而不是官方的yolov5s.pt作为起点，能让模型快速适应你的新场景，所需的数据量和时间远少于从头训练。

7.2 项目扩展思路

这个项目是一个很好的起点，你可以基于它扩展出更多功能：

1. 多类别细分：不仅检测“车辆”，还可以细分为“轿车”、“SUV”、“卡车”、“摩托车”、“公交车”等，并进行分类计数。
2. 流量统计与可视化：除了总数，可以统计每分钟、每小时的流量，并绘制成实时曲线图显示在GUI侧边栏。
3. 违规检测：在画面中划定禁停区或禁行区，检测是否有车辆违规停留或逆行。
4. 车牌识别集成：在检测到车辆后，将车辆区域裁剪出来，送入一个专门的车牌识别（LPR）模型，实现车牌号码的提取和记录。
5. Web服务化：使用Flask或FastAPI将核心检测计数功能封装成REST API，方便与其他系统（如停车场管理系统、交通监控平台）集成。

本文还有配套的精品资源，点击获取