企业官网建设流程全解析

简介：一份面向计算机视觉毕业设计场景的YOLOv8停车场车辆占道违停检测项目，基于YOLOv8实现车辆检测与占道违停识别，适合计算机科学、人工智能、电子信息等专业学生用于毕设、课程设计或项目立项演示。压缩包共8个文件，15.91MB，含3个py脚本、3个pt权重文件和2个txt说明。py脚本覆盖可视化界面、视频检测与模型训练；pt权重含yolov8n.pt、best.pt、yolo11n.pt，可直接加载；txt含README与使用说明，便于快速部署运行。代码全部测试通过，运行成功后上传，可生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果与标签分布图，便于毕设答辩展示与分析论证。已有62人关注学习，下载后参照说明可复现完整流程，也便于二次开发。

1. 停车场占道违停检测：一个能直接跑通的 YOLOv8 毕设方案

做毕设最怕的不是模型难，而是拿到项目以后跑步起来。这份基于 YOLOv8 的停车场车辆占道违停检测资源，把源码、可视化界面、数据集、部署教程打包在一起，解压以后按 README 走，训练到演示的链路能直接拉通。它解决的场景很明确：监控画面里，车辆停在消防通道、非停车区这类占道行为，用目标检测模型框出来并给出依据。适合计算机视觉方向的学生做毕设或课设，也适合刚学 YOLOv8 的人当练习工程。

拆这个工程时，第一眼看到 train_mode.py 和 Detection_video.py 这种命名，就知道它把训练和检测分开了。yolov8n.pt、yolo11n.pt、best.pt 三个权重，既有预训练，又有训练好的结果。对答辩来说，现场能跑出检测框、能调出混淆矩阵和 PR 曲线，远比贴结构图更有说服力。

如果你机器上有 Python 和一块显卡，按 README 配完依赖就能先跑演示，再改数据。基础好一点的话，把检测脚本替换成自己的推理服务也方便，这套资源本质上是一个可以改装的 YOLOv8 落地骨架。

2. 源码包拆解与环境配置：先花十分钟把工程点亮

2.1 资源里到底有什么：文件视角的工程骨架

解压 zip 后，你看到的不是一个深不可测的框架，而是几个职责很清晰的文件。我用目录树把它展开：

. ├── Visual_interface.py # 可视化界面，交互式展示检测结果 ├── Detection_video.py # 视频检测脚本，读入图片/视频输出检测结果 ├── train_mode.py # 训练入口，指定数据集后开始训练 ├── yolov8n.pt # YOLOv8n 预训练权重 ├── yolo11n.pt # YOLO11n 预训练权重（视版本而定） ├── best.pt # 训练得到的最优权重，默认推理用它 ├── README.txt # 使用说明，第一步先读它 ├── datasets/ # 数据集目录 └── runs/ # 训练输出目录（训练后生成）

这个结构最大的优点是职责分离：train_mode.py 负责训练，Detection_video.py 负责批量检测，Visual_interface.py 负责答辩演示。三个文件正好对应开题、中期、答辩三个阶段要做的事，你不需要在不同项目之间来回切换。

yolov8n.pt 是 YOLOv8 的 nano 权重，模型体积小，训练快、显存占用低。yolo11n.pt 是 YOLO11 系列的 nano 权重，属于更新的主干，如果你的 ultralytics 版本偏老，加载 yolo11n.pt 可能会报错，这时直接用 yolov8n.pt 训练就行。best.pt 是最终要用的模型，正常推理都靠它。下载后第一件事不是双击 py 文件，而是打开 README.txt，里面一般写了数据集放哪、依赖装什么、先跑哪个脚本。

2.2 环境依赖与安装顺序：Python、CUDA、ultralytics 怎么对齐

这个工程依赖 ultralytics、torch、opencv-python，界面部分还需要 PyQt5 这类工具库。常见做法是先建一个干净的 conda 环境，避免跟机器上已有的 Python 环境打架。我一般用 Python 3.9，因为很多带摄像头调用的 opencv-python 在 3.9 下最稳。

conda create -n yolo_parking python=3.9 -y conda activate yolo_parking pip install ultralytics pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install opencv-python pyqt5

注意--index-url是告诉 pip 用 PyTorch 官方 CUDA 11.8 的源。如果你机器是 NVIDIA 卡且驱动较新，也可以直接pip install torch，默认会装 CUDA 12 对应版本。训练小模型的话 CPU 也能跑，只是慢，所以演示阶段还是建议优先用 GPU。

装完以后验证一下环境：python -c "import torch, ultralytics; print(torch.cuda.is_available(), ultralytics.__version__)"。如果输出 True 说明显卡被识别；如果 False，说明装的是 CPU 版 torch，需要重装。这一步别跳过，很多翻车都是到这里才发现的。

版本对齐方面，yolov8n.pt 对应 ultralytics 8.0 以上，yolo11n.pt 需要 8.3.0 以上。如果训练时报ModuleNotFoundError或者和 yolo11 相关的 KeyError，别犹豫，把训练脚本里的模型路径改回 yolov8n.pt。这个项目不只一个人改过，权重混用的情况很常见，认准 best.pt 才是你最终要用的模型。

2.3 数据集目录与标注格式：训练前必须对齐的三张表

标准 YOLO 数据集结构是 images 和 labels 成对出现，train 和 val 分开。val 的比例我习惯留 20%，如果作者只给了一个总文件夹，你最好自己按 8:2 分一下，不然训练时的验证指标会失真。

datasets/ ├── images/ │ ├── train/ # 训练图片 │ └── val/ # 验证图片 ├── labels/ │ ├── train/ # 对应标注 │ └── val/ # 对应标注 └── parking.yaml # 模型引用的数据集配置

parking.yaml 是 train_mode.py 运行时会读取的配置，内容很简单，就是告诉模型图片在哪个目录、有几个类别。对占道违停检测来说，类别数一般只有 1 或 2。如果只检测违停车辆，nc=1；如果还想检测正常停放车辆，nc=2。这个决定要在训练前定好，否则标注要重改。

train: datasets/images/train val: datasets/images/val nc: 1 names: 0: illegal_parking

names 里的 key 要和标注文件里的 class id 对应。标注格式也顺手说明一下：每行是class x_center y_center width height，坐标全部归一化到 0~1。比如一张 1920x1080 的图，车中心在 (960, 540)，宽 480，高 360，那么 txt 里就是0 0.5 0.5 0.25 0.3333。

很多人拿到数据集以后不看标注内容，直接开训练，结果类别对不上、训练 loss 变成 NaN。所以我在训练前会先跑一个小脚本核对图片和 label 文件名是否一一对应：

import os img_dir = 'datasets/images/train' lab_dir = 'datasets/labels/train' imgs = {os.path.splitext(f)[0] for f in os.listdir(img_dir)} labels = {os.path.splitext(f)[0] for f in os.listdir(lab_dir)} print('imgs:', len(imgs), 'labels:', len(labels)) print('missing labels:', len(imgs - labels)) print('missing images:', len(labels - imgs))

如果 missing labels 不是 0，说明有些图片没有标注，这些图在训练时会被忽略，数量多了会影响 mAP。我一般把缺失的图片挪到另一个文件夹，而不是直接删掉，防止以后想补标注时找不到原图。

3. 训练自己的违停检测模型：从数据准备到指标曲线

3.1 训练脚本怎么改：train_mode.py 的常用参数与启动命令

train_mode.py 是这份资源的训练入口。它本质上是对 ultralytics YOLO 训练接口的封装，所以你可以在命令行直接加参数覆盖默认值。我在自己机器上跑过，最稳的命令是 batch=8、epochs=150、imgsz=640；机器好一点可以上 batch=16，但效果不会线性变好，只是训练时间缩短。

python train_mode.py --data datasets/parking.yaml --epochs 150 --batch 8 --imgsz 640 --model yolov8n.pt --device 0

--model可以传 yolov8n.pt 或 yolo11n.pt。如果你想接着上次训练的结果继续练，把--model改成runs/train/exp/weights/last.pt，这样会继承之前的权重和优化器状态。

train_mode.py 里如果写了固定参数，比如 epochs=50，那么命令行传的--epochs不一定会覆盖，因为脚本内部可能是自己定义变量再赋值的。遇到这种时候，直接打开 py 文件，搜索epochs=或batch=，改成你需要的数值。毕设脚本写得再干净，也免不了有几个硬编码，这是常态。

这里给一个等价写法，让你知道脚本内部大概做了什么，方便自己改逻辑：

from ultralytics import YOLO # 加载预训练权重，nano 版本速度最快 model = YOLO('yolov8n.pt') # 开始训练 model.train( data='datasets/parking.yaml', epochs=150, imgsz=640, batch=8, device=0, # 0 表示第一块显卡，CPU 用 'cpu' project='runs/train', name='exp_parking', exist_ok=True, # 允许覆盖同名文件夹 )

device 参数值得单独说：如果你的机器没有 GPU，device='cpu'也能跑，但 nano 模型 640 输入，100 epoch 可能要十几个小时。大部分毕设机器哪怕是 GTX 1660 Ti 6G，也会比纯 CPU 快 5 倍以上。有卡就优先用卡，别拿时间硬扛。

3.2 训练流程与产物：best.pt、yolov8n.pt、yolo11n.pt 分别干什么

训练启动后，ultralytics 会先把数据集的标签统计出来，生成一张标签分布图；然后逐 epoch 迭代。每跑完一个 epoch，用验证集算一次 Precision、Recall、mAP50、mAP50-95，之后把所有曲线写进 runs/train/exp 目录。这个过程中你不太需要盯着控制台，重点是看 results.png 里的曲线变化。

训练结束时，weights 目录下会生成两个文件：best.pt 和 last.pt。best.pt 是验证集 mAP 最高的那个 epoch 的权重，last.pt 是最后一个 epoch 的权重。如果你只想做演示，用 best.pt 就够了；如果你想续训，才用 last.pt。

yolov8n.pt 是起始预训练权重，负责给你 COCO 上的先验；best.pt 是你的停车场场景下的最终模型；yolo11n.pt 是作者放进去的另一个预训练选择。三个名字看起来像，实际职责完全不同。训练完以后，推理路径只认 best.pt，不要再改回 yolov8n.pt，否则检测框会变得特别稀疏，因为你用的是没有微调的 COCO 检测器。

3.3 核心指标曲线怎么读：混淆矩阵、F1、PR 的答辩语言

训练结束后，runs/train/exp 目录下会有一堆图。评审老师最容易抓住提问的是这几张：混淆矩阵、F1 曲线、PR 曲线、验证集预测结果。你有必要提前准备好怎么讲。

混淆矩阵 confusion_matrix.png 的横轴是预测类别，纵轴是真实类别，对角线的值越接近 1，说明这个类别分得越准。占道违停检测如果只有一类，矩阵就是一个 1x1 的方块加一个 background 列，真正要看的其实是 background 被误检成车辆的比例。如果 background 那一列有数字，说明模型把路沿、树影当成了车，这时候需要增加负样本，或者提高置信度阈值。

F1_curve.png 和 PR_curve.png 都适合放进答辩 PPT。F1 曲线是置信度阈值从 0 到 1 变化时 F1 值的变化，峰值对应的阈值就是理论上最优的 conf。PR 曲线下的面积就是 AP，面积越大越好。我一般会圈出 PR 曲线上靠近左上角的位置，跟老师说“我在阈值为 0.4 附近取得精度和召回率的平衡”。评委一听就知道你确实自己调过模型。

val_batch 开头的图片是验证集的可视化结果，上面有预测框和置信度。把这些图和真实标注放在一起看，能直观知道哪些车漏检了。停车场的漏检通常发生在两类情况：车身颜色和路面相近、两车紧贴停靠形成一个长框。遇到前者，增加白天不同光线的训练图片；遇到后者，可以在后处理里降低 NMS 阈值，让两个紧密框不被合并。

4. 可视化页面与视频检测：从权重文件到可演示界面

4.1 可视化页面设计：Visual_interface.py 的界面逻辑与调用方式

Visual_interface.py 是这份资源里最容易被忽略的部分。很多学生拿到手只跑 train_mode.py，训练完就不知道该给老师展示什么。其实这个脚本把界面和模型串起来了，你在界面上点几个按钮，就能实时看到检测框。

典型的界面逻辑是三段式：加载模型、打开视频或图片、显示结果。界面左边是操作区，右边是视频画面。用 PyQt5 实现时，核心是定时器不断从 OpenCV 的 VideoCapture 读帧，然后把帧送进模型，结果转成 QImage 显示在 QLabel 上。代码结构通常长这样：

import cv2 from ultralytics import YOLO from PyQt5.QtGui import QImage, QPixmap class ParkingApp: def __init__(self): self.model = YOLO('best.pt') self.conf_thres = 0.4 def process_frame(self, frame): results = self.model(frame, conf=self.conf_thres, verbose=False)[0] annotated = results.plot() # 画框后的 BGR 图 rgb = cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, ch = rgb.shape img = QImage(rgb.data, w, h, ch * w, QImage.Format_RGB888) return QPixmap.fromImage(img)

这里model(frame, conf=self.conf_thres)返回的结果带有一个plot()方法，会直接把框、类别名、置信度画在拷贝图上，不用自己写绘制框的代码。如果你想在界面上额外显示“当前检测到 N 辆车”，可以遍历 results.boxes.cls 统计。

注意 QImage 的 bytesPerLine 参数是ch * w，很多教程写成w，导致图片显示成斜条纹或者颜色错位。这句是我在 PyQt5 里最容易踩的坑，先写在这给你避雷。

4.2 视频检测脚本：Detection_video.py 的输入输出与参数

Detection_video.py 面向的是批量处理场景，比如你有一段停车场监控视频，想快速得到一段带框的输出视频。它和可视化界面的区别是：不需要交互，纯命令行跑完就走。常见调用方式是这样：

python Detection_video.py --source test_video.mp4 --weights best.pt --conf 0.4 --save --device 0

--source可以传视频文件、图片文件夹、摄像头编号。摄像头传 0 表示本机第一个摄像头，在答辩现场演示时很有用。--save的意思是保存结果到 runs/detect/predict 目录，默认文件名是 exp 加序号。如果不加--save，只会在终端打印检测结果和 FPS，旁边的人看不到画面，所以演示时记得加--save，或者配合显式窗口显示。

如果 Detection_video.py 本身不支持命令行参数，而你需要换模型，就打开脚本搜索YOLO(这一行，把它替换成YOLO('best.pt')。这类脚本往往把模型路径写死在文件里，不要犹豫，直接改。

4.3 把检测结果接到界面上：置信度阈值与类别过滤的四个参数

检测场景的效果由几个参数决定，我列成一张表，方便你对着调：

如果画面上出现大量重复框，就把 iou 调低一点，比如 0.3；如果车辆被切成了半个框，就把 iou 调高，比如 0.7。这个参数没有绝对最优，我通常先用 conf=0.4、iou=0.45 跑一遍，再根据错检漏检调整。

要是界面需要区分“违停”和“正常停车”，就要在训练时定义两个类别。但这份资源的数据集从命名看是单类场景，所以先以一类目标为主。多类别扩展也不麻烦：在 data.yaml 里改 nc=2，并保证 label 文件里的 class id 有 0 和 1，重新训练后 best.pt 就会输出两个类别。

5. 避坑排查：数据、显存、路径与部署中的五个翻车点

这份资源我拆完以后，也帮两个师弟跑过。下面是从实操中记下来的五类高频问题，每一条都是先看到现象，再定位原因，最后给解决路径。做毕设时不用全看，卡在哪就查哪。

5.1 中文路径导致数据集加载失败

现象：训练刚启动，还没进第一个 epoch，终端报 FileNotFoundError 或Assertion 't' failed，提示找不到 parking.yaml。

原因：Windows 下路径里带中文用户名，比如C:\用户\张三\Desktop，ultralytics 的文件处理模块会把中文路径编码搞乱。

解决：把整个工程复制到纯英文路径下，比如D:\yolo_parking，再打开 train_mode.py 把所有相对路径重新确认一遍。如果你机器用户名本身是中文，不要改系统用户名，而是新建一个纯英文目录，比如D:\project，把代码和数据都放进去。

5.2 显存不足与 batch_size 的取舍

现象：训练到第二三个 epoch 时，出现 CUDA out of memory。

原因：batch=16、imgsz=640 时显存占用超过显卡容量，尤其 4G 显存的机器很容易爆。

解决：先降到 batch=4，如果还报错，用 imgsz=480 训练。YOLOv8n 是小模型，batch=8 和 batch=4 的最终 mAP 差距不大，别为了追求 batch 大硬撑。我的习惯是训练前用nvidia-smi看剩余显存，剩余 6G 以上才用 batch=8，3-6G 用 batch=4。

5.3 best.pt 与 last.pt 选错导致演示效果差

现象：用训练好的模型跑视频，检测框非常少，车辆只框出一半。

原因：你说用“训练好的” last.pt，但最后一个 epoch 的权重不一定最优，过拟合或训练不充分都会让它效果变差。

解决：推理时一定要指定 best.pt，最好在 Detection_video.py 里直接写死 best.pt 路径。训练完以后，在 runs/train/exp/weights 目录确认两个文件都存在；如果只有 last.pt，说明训练被中断，用 last.pt 续训几个 epoch 再重新评估。更稳妥的做法是把 best.pt 单独复制到项目根目录，让脚本引用根目录的模型。

5.4 可视化界面启动失败：依赖缺失与 OpenCV 版本冲突

现象：运行 Visual_interface.py 直接闪退，或者在 import cv2 时报错，安装 opencv-python 后又出现 Qt 相关报错。

原因：界面脚本同时依赖 OpenCV 和 PyQt5，如果两个库单独安装，版本不匹配会导致 QImage 转换失败。另一个常见情况是 opencv-python 和 opencv-contrib-python 同时存在，这两个包会抢同一套 DLL，导致奇怪崩溃。

解决：重新安装 PyQt5 和 opencv-python，并使用 ultralytics 的plot()方法代替手写画框。如果还闪退，就在终端运行python Visual_interface.py，看具体报错模块。如果装了 contrib 包，先pip uninstall opencv-python opencv-contrib-python，只保留其中一个。

5.5 部署到 RK3588 时的算子兼容问题

现象：把 best.pt 转成 rknn 后，在 RK3588 上推理结果全是乱框，或者完全没有输出。

原因：YOLOv8 的 DFL 结构计算距离回归，直接导出的 ONNX 里包含一些 RKNN 工具链不友好的算子。如果导出时没有做简化和特定 opset 设置，转出来的模型后处理就不对。

解决：先在 ultralytics 里导出 onnx，命令是python -c "from ultralytics import YOLO; YOLO('best.pt').export(format='onnx', opset=12, simplify=True, imgsz=640)"，再把生成的 best.onnx 交给 rknn-toolkit2 转换，配置里选择 post_process 为 yolo11 或 yolov8 对应版本。

这条对大多数人来说属于进阶操作，但如果你的毕设题目里写了“嵌入式部署”，这就是必踩的坑。建议把导出的 onnx 先用 onnxruntime 在电脑上跑一遍，确定框的位置和 PyTorch 推理一致，再转 rknn。否则你在板子上调一整天，也分不清是量化问题还是导出问题。

6. 进阶技巧：导出 ONNX 并用 TensorRT 提速，顺手验证整个流程

如果训练完、界面也跑通了，你还可以做一件让答辩加分的事：把 best.pt 导出成 ONNX，再用 TensorRT 加速。这样能顺便验证训练的模型能不能脱离 PyTorch 独立运行——很多评委喜欢问“你这个模型部署到服务器上用什么推理框架”，你有实测结果，比背台词有说服力。

导出 ONNX 的命令一行就够：

python -c "from ultralytics import YOLO; YOLO('best.pt').export(format='onnx', opset=12, simplify=True, imgsz=640)"

opset=12 是为了兼容 RKNN、TensorRT 这些工具链，simplify=True 会去掉一些冗余算子。导出完成后生成 best.onnx，体积通常比 best.pt 小一些，而且不依赖 PyTorch。

验证导出模型是否正确的脚本也很简单，用 onnxruntime 跑一张图，看输出的形状是不是[1, 84, 8400]或类似结构。如果输出维度不对，多半是 opset 没设对或 simplify 过度清理。我一般会写一个小脚本对比 PyTorch 和 ONNX 对同一张图的框坐标误差，误差超过 1% 就换导出参数。

import cv2 import onnxruntime as ort import numpy as np from ultralytics import YOLO img = cv2.imread('demo.jpg') img_resized = cv2.resize(img, (640, 640)) input_tensor = img_resized[:, :, ::-1].transpose(2, 0, 1)[None].astype('float32') / 255.0 ort_sess = ort.InferenceSession('best.onnx') onnx_out = ort_sess.run(None, {ort_sess.get_inputs()[0].name: input_tensor})[0] print('onnx output shape:', onnx_out.shape) # 用 PyTorch 推理得到框坐标，与 onnx 输出对比 model = YOLO('best.pt') torch_out = model(img_resized, imgsz=640, verbose=False)[0] print('torch boxes:', torch_out.boxes.xyxy.cpu().numpy()[:2])

这里 input_tensor 的格式是 NCHW、RGB、归一化到 0~1，这是 ultralytics 导出模型时约定的输入格式。onnx_out 是原始预测张量，后续 NMS 可以直接用 ultralytics 库里的ops.nms处理，也可以在自己写的部署代码里补充。如果要再转 TensorRT engine，用 trtexec 或 onnx-tensorrt 都行，同样的输入格式，不用改代码。

从那以后，我每次训练完都会强制走一遍导出验证的流程，因为模型部署不了，界面再漂亮也是空中楼阁。希望这个习惯也能帮到你。

本文还有配套的精品资源，点击获取