企业官网建设流程全解析

使用YOLOv8进行训练道路车道线及路面标识检测数据集 使用权重识别直行右转限速虚线直线右转向左转向禁止直行等 并构建道路路面标识识别系统

以下文字及代码仅供参考。

道路车道线检测数据集 1700张 车道线 带标注 voc yolo

1

构建一个针对道路车道线检测的系统，并使用YOLOv8进行训练，我们需要完成以下几个步骤：数据准备、模型训练、验证和推理，以及构建用户界面。下面将详细介绍每个步骤。
以下是翻译后的内容：

标签 图片编号 边界框编号 虚线 （939，1287） 无 直线 （616，964） 无 右方向 （409，437） 无 左合流线 （252，258） 无 人员安全区 （245，259） 无 直行车道方向 （602，900） 无 右合流线 （146，146） 无 限速40（Spedini:40） （15，24） 无 左方向 （256，283） 无 左合流箭头 （180，196） 无 中心线 （367，380） 无 限速80（SpeedlinitB0） （19，40） 无 直行和右转 （139，141） 无 （Caloreone ） （28，83） 无 反向三角形 （92，97） 无 施工区 （5，6） 无 公交专用道 （17，19） 无 限速50（25，39） 无 右合流箭头 （56，59） 无 限速30（51，77） 无 禁止掉头 （19，20） 无 道路菱形标识 （92，162） 无 禁止直行 （135，152） 无 禁止右转 （36，36） 无 禁止左转 （53，53） 无 限速70（9，17） 无 限速60（11，21） 无 直行和左转 （116，120） 无 对向车道左转 （26，27） 无 限速90（5，9） 无 突发虚线 （17，18） 无 左转和掉头 （36，36） 无 转弯虚线 （46，46） 无 停止线 （185，188） 无 掉头 （42，44） 无 （Croslalk 拼写可能有误，暂无法准确翻译） （172，190） 无 对向车道掉头 （13，13） 无 公交停靠区 （6，7） 无 自行车道 （0，7） 无 施工左合流箭头 （1，1） 无 直行、左转、右转 （1，1） 无 转弯方向 （8，11） 无 左转和右转 （3，3） 无 限速50（1，1） 无 总计 （1792，6878） 无

请注意，原文中 “Caloreone” 和 “Croslalk” 可能拼写错误，导致无法准确翻译，你可以根据实际情况进行确认和修正。

数据准备

假设您的数据集已经按照VOC格式标注好，并且您希望将其转换为YOLO格式（如果尚未准备好）。首先，确保数据集按以下结构组织：

dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/

同时，提供一个data.yaml文件，内容如下：

train:./dataset/images/trainval:./dataset/images/valtest:./dataset/images/testnc:31# 类别数量，根据提供的类别计算得出names:['DotLine','StraightLine','RightDirection','LeftNergeLine','PeopleSafetyZone','StraightDirection','RightWNergeLine','Spedini40','LeftDireotion','Leftmergarrow','CenterLine','SpeedlinitB0','StraightandRight','Caloreone','OppositeTrisngle','ConstructionZone','BusLine','Speedlinit50','Rightnergearrou','Speedlinit30','Nouturn','Roadianond','NoStraight','NoRightTurn','NoLeftTurn','speedlinit70','spedlinit60','StraightandLoft','OppositeideLoft','Speedlinit90','SuddenlyDotLine','LeftandUturn','TurnDotLine','StopLine','Uturn','Croslalk','OppositeSidelturn','Busstopzone','bikeroad','Constructionleftmergcarrow','StraightLeftRight','TurnDirection','LeftandRight','SpeedLinit50']

模型训练

下面是详细的训练代码示例：

fromultralyticsimportYOLOimportosdefmain():# 加载预训练的YOLOv8模型model=YOLO('yolov8n.pt')# 根据实际情况选择其他版本如'yolov8s.pt', 'yolov8m.pt'等# 开始训练results=model.train(data='./path/to/data.yaml',# 替换为您的data.yaml路径epochs=300,# 根据需要调整epoch数量imgsz=640,# 输入图像尺寸batch=16,# 批次大小，根据GPU内存调整project='./runs/detect',# 训练结果保存位置name='lane_detection',# 实验名称optimizer='SGD',# 优化器类型device='0',# 使用第0号GPU，'cpu'表示使用CPUsave=True,# 是否保存模型权重cache=True,# 是否缓存数据到内存加速训练)if__name__=='__main__':main()

验证模型

在训练完成后，可以对模型进行验证以评估其性能。

# 加载最佳权重model=YOLO('./runs/detect/lane_detection/weights/best.pt')# 对验证集进行评估results=model.val(data='./path/to/data.yaml',split='val',# 或者'test')

构建道路车道线检测系统

接下来，我们将构建一个简单的GUI来展示模型的预测结果。这里我们使用tkinter作为GUI库，结合OpenCV和Pillow处理图像显示。

关键代码

首先，导入必要的库：

fromtkinterimportTk,Label,Button,filedialog,Canvas,NWfromPILimportImage,ImageTkimportcv2fromultralyticsimportYOLOimportnumpyasnp

定义加载模型和检测函数：

defload_model():"""加载预训练的YOLOv8模型"""model=YOLO('./runs/detect/lane_detection/weights/best.pt')returnmodel model=load_model()defdetect_lane(image_path):"""使用YOLO模型检测车道线"""results=model.predict(source=image_path)img=cv2.imread(image_path)forresultinresults:boxes=result.boxes.numpy()forboxinboxes:r=box.xyxy x1,y1,x2,y2=int(r[0]),int(r[1]),int(r[2]),int(r[3])cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)returnimg

构建GUI界面：

classApp:def__init__(self,window,window_title):self.window=window self.window.title(window_title)self.canvas=Canvas(window,width=640,height=480)self.canvas.pack()self.btn_select_image=Button(window,text="选择图片",width=20,command=self.select_image)self.btn_select_image.pack(anchor='center',expand=True)self.window.mainloop()defselect_image(self):path=filedialog.askopenfilename()iflen(path)>0:image=detect_lane(path)image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)image=Image.fromarray(image)self.image_on_canvas=ImageTk.PhotoImage(image)self.canvas.create_image(0,0,anchor=NW,image=self.image_on_canvas)

启动应用程序：

root=Tk()App(root,"车道线检测系统")

包括训练YOLOv8模型以及创建一个简单的图形用户界面（GUI）用于展示模型的预测结果，下面是完整的主函数代码示例。此示例包含了数据集准备、模型训练、验证和推理，以及构建一个简易的GUI来加载图片并显示车道线检测结果。

主函数代码

fromtkinterimportTk,Label,Button,filedialog,Canvas,NWfromPILimportImage,ImageTkimportcv2fromultralyticsimportYOLOimportnumpyasnpimportos# 加载YOLO模型defload_model():"""加载预训练的YOLOv8模型"""model=YOLO('./runs/detect/lane_detection/weights/best.pt')# 确保路径正确returnmodel model=load_model()# 使用YOLO模型检测车道线defdetect_lane(image_path):"""使用YOLO模型检测车道线"""results=model.predict(source=image_path)img=cv2.imread(image_path)forresultinresults:boxes=result.boxes.numpy()forboxinboxes:r=box.xyxy x1,y1,x2,y2=int(r[0]),int(r[1]),int(r[2]),int(r[3])cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)# 绘制矩形框returnimgclassApp:def__init__(self,window,window_title):self.window=window self.window.title(window_title)self.canvas=Canvas(window,width=640,height=480)self.canvas.pack()self.btn_select_image=Button(window,text="选择图片",width=20,command=self.select_image)self.btn_select_image.pack(anchor='center',expand=True)self.window.mainloop()defselect_image(self):path=filedialog.askopenfilename(filetypes=[("Image files","*.jpg *.jpeg *.png")])iflen(path)>0:image=detect_lane(path)image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)image=Image.fromarray(image)self.image_on_canvas=ImageTk.PhotoImage(image)self.canvas.create_image(0,0,anchor=NW,image=self.image_on_canvas)if__name__=='__main__':# 训练代码部分可以放在注释中或根据需要运行""" from ultralytics import YOLO def main_train(): model = YOLO('yolov8n.pt') # 根据实际情况选择其他版本 results = model.train( data='./path/to/data.yaml', epochs=300, imgsz=640, batch=16, project='./runs/detect', name='lane_detection', optimizer='SGD', device='0', save=True, cache=True, ) main_train() """# GUI启动部分root=Tk()App(root,"车道线检测系统")