基于YOLOv8深度学习的智慧交通事故评级检测系统研究与实现(PyQt5界面+数据集+训练代码)

本文研究并实现了一种基于YOLOv8深度学习模型的智慧交通事故评级检测系统，旨在解决传统交通事故检测过程中效率低、误报率高等问题。该系统通过深度学习技术的应用，结合交通事故图像的分析，能够实现对事故的精准识别和评级，进而为交通管理部门提供有效的决策支持。

在系统的设计与实现过程中，我们采用了YOLOv8（You Only Look Once Version 8）模型，这是一个基于深度学习的目标检测算法，具有实时性强、检测精度高等优势。YOLOv8模型不仅能够快速定位交通事故的发生区域，还能根据训练集的学习，对事故的严重程度进行有效判断。本系统将交通事故划分为多个等级，包括“中等”和“严重”两类，通过输出精确的边界框及分类结果，直观地展示事故的评级信息。模型的训练过程使用了精心挑选和标注的自定义数据集，确保了系统的泛化能力和稳定性。

为了提升用户体验，我们在系统中集成了基于PyQt5的图形用户界面（GUI）。该界面设计简洁直观，用户可以方便地通过界面进行图像的加载、检测任务的启动，并实时查看交通事故的检测与评级结果。此外，系统还提供了检测结果的保存与导出功能，方便用户对历史数据进行存档与分析。系统的功能模块包括图像预处理、YOLOv8模型推理、检测结果可视化展示以及检测结果的数据管理模块，极大地提升了系统的实用性和易用性。

系统的评估结果表明，YOLOv8模型在交通事故图像检测中的表现优异。在精度、召回率和mAP（平均精度）等关键指标上，系统均达到了较高的水平，尤其是在mAP@0.5这一评价指标上，达到了98%以上的准确率，展现了该模型在检测复杂场景中的强大能力。经过多次实验验证，系统能够高效地处理不同光照条件、不同视角下的交通事故图像，且检测时间能够保持在毫秒级，满足实时性的要求。

本文提出的智慧交通事故评级检测系统具有较强的实用性和前瞻性，能够为交通事故的自动化处理提供技术支持。该系统不仅能够显著提升交通管理的智能化水平，还能够在事故处理的效率上实现突破，为未来智慧交通系统的建设打下坚实基础。通

算法流程

项目数据

通过搜集关于数据集为各种各样的交通事故等级相关图像，并使用Labelimg标注工具对每张图片进行标注，分2个检测类别，分别是severe表示”重度碰撞”、moderate表示”中度碰撞”。

目标检测标注工具
（1）labelimg:开源的图像标注工具，标签可用于分类和目标检测，它是用python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持 COCO数据集格式。
（2）安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

结束后，在cmd中输入labelimg

初识labelimg

打开后，我们自己设置一下

在View中勾选Auto Save mode

接下来我们打开需要标注的图片文件夹

并设置标注文件保存的目录（上图中的Change Save Dir）
接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。

Labelimg的快捷键

（3）数据准备
这里建议新建一个名为data的文件夹（这个是约定俗成，不这么做也行），里面创建一个名为images的文件夹存放我们需要打标签的图片文件；再创建一个名为labels存放标注的标签文件；最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。

data的目录结构如下：
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别（这个文件可有可无，但是在我们定义类别比较多的时候，最好有这个创建一个这样的txt文件来存放类别）

首先在images这个文件夹放置待标注的图片。
生成文件如下:

“classes.txt”定义了你的 YOLO 标签所引用的类名列表。

（4）YOLO模式创建标签的样式

存放标签信息的文件的文件名为与图片名相同，内容由N行5列数据组成。
每一行代表标注的一个目标，通常包括五个数据，从左到右依次为：类别id、x_center、y_center、width、height。
其中：
–x类别id代表标注目标的类别；
–x_center和y_center代表标注框的相对中心坐标；
–xwidth和height代表标注框的相对宽和高。

注意：这里的中心点坐标、宽和高都是相对数据！！！

存放标签类别的文件的文件名为classes.txt (固定不变)，用于存放创建的标签类别。

完成后可进行后续的yolo训练方面的操作。

模型训练

模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一个SOTA模型，它建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性，使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体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，可在CPU到GPU的多种硬件平台上运行。

YOLOv8是Yolo系列模型的最新王者，各种指标全面超越现有对象检测与实例分割模型，借鉴了Yolov5、Yolov6、YoloX等模型的设计优点，在全面提升改进Yolov5模型结构的基础上实现，同时保持了Yolov5工程化简洁易用的优势。

Yolov8模型网络结构图如下图所示：

2.数据集准备与训练

本研究使用了包含各种交通事故等级相关图像的数据集，并通过Labelimg标注工具对每张图像中的目标边框（Bounding Box）及其类别进行标注。然后主要基于YOLOv8n这种模型进行模型的训练，训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致，包括：数据集准备、模型训练、模型评估。本次标注的目标类别为交通事故等级，数据集中共计包含11807张图像，其中训练集占9758张，验证集占1374张，测试集占675张。部分图像如下图所示：

部分标注如下图所示：

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datasets目录下。

接着需要新建一个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:/TrafficAccidentDetection_v8/datasets/train/images 训练集的路径
val: E:/TrafficAccidentDetection_v8/datasets/valid/images 验证集的路径
test: E:/TrafficAccidentDetection_v8/datasets/test/images 测试集的路径

nc: 2 模型检测的类别数，共有2个类别。
names: [‘moderate’, ‘severe’]
#中度碰撞、重度碰撞

这个文件定义了用于模型训练和验证的数据集路径，以及模型将要检测的目标类别。

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)。

CPU/GPU训练代码如下：

加载名为 yolov8n.pt 的预训练YOLOv8模型，yolov8n.pt是预先训练好的模型文件。
使用YOLO模型进行训练，主要参数说明如下：
（1）data=data_yaml_path: 指定了用于训练的数据集配置文件。
（2）epochs=100: 设定训练的轮数为100轮。
（3）batch=4: 指定了每个批次的样本数量为4。
（4）optimizer=’SGD’):SGD 优化器。
（7）name=’train_v8′: 指定了此次训练的命名标签，用于区分不同的训练实验。

3.训练结果评估

在深度学习的过程中，我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于YOLOv8模型的训练，主要涉及三类损失：定位损失（box_loss）、分类损失（cls_loss）以及动态特征损失（dfl_loss）。训练完成后，相关的训练过程和结果文件会保存在 runs/ 目录下，具体如下：

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。

训练结果如下：

这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势，具体如下：

train/box_loss：
（1）这是训练过程中边界框损失的变化。边界框损失用于衡量模型预测的目标框与实际目标框的差异。
（2）随着训练轮次的增加，损失值逐渐下降，说明模型的边界框预测在不断变好。

train/cls_loss：
（1）这是训练集上的分类损失。分类损失衡量模型对目标类别的预测准确性。
（2）类似地，类别损失也在不断下降，说明模型对目标类别的分类准确性在提升。

train/dfl_loss：
（1）这是分布聚焦损失（distribution focal loss），用于帮助模型对目标框的精确定位。
（2）该损失是用于改进边界框回归的，随着训练轮次的增加，它的下降表明模型在预测物体的边界框方面的表现也在提升。

metrics/precision(B)：
（1）这是训练集上的精度（precision）曲线。精度表示模型在检测到的目标中有多少是真正的目标。
（2）精度随着训练轮次的增加逐渐上升，表明模型预测的物体中正确检测的比例越来越高。

metrics/recall(B)：
（1）这是训练集上的召回率（recall）曲线。召回率表示模型检测出的真实目标的比例。
（2）召回率也在逐渐上升，表明模型能够检测到的实际物体比例在增加。

val/box_loss：
（1）这是验证集上的边界框损失曲线。
（2）损失值与训练中的趋势类似，验证集上的损失也在不断下降，表明模型在未见过的数据上表现良好。

val/cls_loss：
（1）这是验证集上的分类损失曲线。
（2）类别损失在验证集上的下降表明模型在验证集上也具有良好的分类效果。

val/dfl_loss：
（1）这是验证集上的分布聚焦损失曲线。
（2）损失值的下降表明模型在验证集上的边界框预测表现也在不断提升。

metrics/mAP50(B)：
（1）这是验证集上的mAP50曲线，表示在交并比阈值为0.5时模型的平均精度（mean Average Precision）。
（2）随着训练轮次的增加，mAP50逐渐提高，接近1，说明模型的检测性能在不断提升。

metrics/mAP50-95(B)：
（1）这是验证集上的mAP50-95曲线，表示在不同交并比阈值（从0.5到0.95）下模型的平均精度。
（2）mAP50-95也在逐步上升，说明模型在各种IoU阈值下的检测效果都在提升。

这组图全面展示了YOLOv8模型在训练和验证过程中的损失函数下降和性能指标（精度、召回率、mAP）的提升情况。总体来看，模型在经过100个训练轮次后，无论在训练集还是验证集上，都取得了较好的表现，损失逐步减少，精度和召回率稳步提升，mAP值接近1，说明模型的目标检测效果非常好。

这张图展示的是 Precision-Recall 曲线，用于评估模型在不同类别下的检测性能。以下是详细解释：

Precision-Recall 曲线的含义：
（1）Precision（精度）：表示模型预测为正类的样本中，有多少是真正的正类样本。
（2）Recall（召回率）：表示所有正类样本中，有多少被模型正确检测出来。
（3）Precision-Recall 曲线：随着模型预测阈值的变化，精度和召回率的关系也随之变化。理想情况下，精度和召回率都应该接近1。

不同类别的曲线：
（1）浅蓝色曲线（moderate 0.970）：代表模型在“moderate”（中等程度）类别上的精度和召回率表现，最终达到了 0.970 的 mAP（平均精度），即IoU阈值为0.5时的平均精度。
（2）橙色曲线（severe 0.995）：代表模型在“severe”（严重）类别上的精度和召回率表现，mAP达到了 0.995，表示模型在检测严重类别物体时表现几乎完美。
（3）深蓝色曲线（all classes 0.982 mAP@0.5）：代表所有类别的整体精度和召回率曲线，平均精度（mAP@0.5）为 0.982。

总体趋势：
（1）精度和召回率都接近1，表示模型在大多数情况下都能够正确检测和分类物体。
（2）曲线接近右上角：说明模型的整体性能非常好，既能检测出大部分目标，又能保证较高的精度。

mAP@0.5：
（1）图例中的 mAP@0.5 表示平均精度（mAP）在IoU阈值为0.5时的计算结果。
（2）moderate类别的mAP为0.970，severe类别的mAP为0.995，而所有类别的整体mAP为0.982，表示模型在所有类别上都具有非常高的检测精度。

这张图表明模型在“中等”和“严重”类别上的检测表现非常出色。总体来看，模型的召回率和精度都接近1，说明它在大多数情况下能够高效地检测到目标物体，并且误报率极低。

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/train/weights目录下。我们可以使用该文件进行后续的推理检测。
imgTest.py 图片检测代码如下：

加载所需库：
（1）from ultralytics import YOLO：导入YOLO模型类，用于进行目标检测。
（2）import cv2：导入OpenCV库，用于图像处理和显示。

加载模型路径和图片路径：
（1）path = ‘models/best.pt’：指定预训练模型的路径，这个模型将用于目标检测任务。
（2）img_path = “TestFiles/0229.png”：指定需要进行检测的图片文件的路径。

加载预训练模型：
（1）model = YOLO(path, task=’detect’)：使用指定路径加载YOLO模型，并指定检测任务为目标检测 (detect)。
（2）通过 conf 参数设置目标检测的置信度阈值，通过 iou 参数设置非极大值抑制（NMS）的交并比（IoU）阈值。

检测图片：
（1）results = model(img_path)：对指定的图片执行目标检测，results 包含检测结果。

显示检测结果：
（1）res = results[0].plot()：将检测到的结果绘制在图片上。
（2）cv2.imshow(“YOLOv8 Detection”, res)：使用OpenCV显示检测后的图片，窗口标题为“YOLOv8 Detection”。
（3）cv2.waitKey(0)：等待用户按键关闭显示窗口

此代码的功能是加载一个预训练的YOLOv8模型，对指定的图片进行目标检测，并将检测结果显示出来。

执行imgTest.py代码后，会将执行的结果直接标注在图片上，结果如下：

这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果，具体内容如下：

图像信息：
（1）处理的图像路径为：TestFiles/imagetest.jpg。
（2）图像尺寸为 640×640 像素。

检测结果：
（1）模型检测到图片中有1个中等交通事故评级 (moderate)。
（2）每张图片的推理时间4.0毫秒。

处理速度：
（1）预处理时间：3.000毫秒
（2）推理时间：4.001毫秒
（3）后处理时间：56.001毫秒

显示了YOLOv8模型成功地检测到了一张测试图像中的一起交通事故评级，检测速度较快，且结果已保存到指定的文件夹中。

运行效果

– 运行 MainProgram.py

1.主要功能：
（1）可用于实时检测目标图片中的交通事故评级;
（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）支持图片或者视频的检测结果保存。

2.检测结果说明：

这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释：

用时（Time taken）:
（1）这表示模型完成检测所用的时间为0.116秒。
（2）这显示了模型的实时性，检测速度非常快。

目标数目（Number of objects detected）:
（1）检测到的目标数目为1，表示这是当前检测到的第1个目标。

目标选择(下拉菜单)：全部:
（1）这里有一个下拉菜单，用户可以选择要查看的目标类型。
（2）在当前情况下，选择的是“全部”，意味着显示所有检测到的目标信息。

类型（Type）:
（1）当前选中的行为类型为 “重度碰撞”，表示系统正在高亮显示检测到的“severe”。

置信度（Confidence）:
（1）这表示模型对检测到的目标属于“重度碰撞”类别的置信度为94.71%。
（2）置信度反映了模型的信心，置信度越高，模型对这个检测结果越有信心。

目标位置（Object location）:
（1）xmin: 259, ymin: 131：目标的左上角的坐标(xmin, ymin)，表示目标区域在图像中的位置。
（2）xmax: 580, ymax: 384：目标的右下角的坐标(xmax, ymax)，表示目标区域的边界。

这些坐标表示在图像中的目标区域范围，框定了检测到的“重度碰撞”的位置。

这张图展示了交通事故评级系统的一次检测结果，包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。用户可以通过界面查看并分析检测结果，提升事故鉴定 的效率。

3.图片检测说明
（1）中度碰撞

（2）重度碰撞

点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹。
操作演示如下：
（1）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。
（2）点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下。

检测结果：系统识别出图片中的交通事故等级，并显示检测结果，包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。

4.视频检测说明

点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
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。

检测结果：系统对视频进行实时分析，检测到交通事故等级并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。

这个界面展示了系统对视频帧中的多目标检测能力，能够准确识别交通事故等级，并提供详细的检测结果和置信度评分。

5.摄像头检测说明

点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。

检测结果：系统连接摄像头进行实时分析，检测到交通事故等级并显示检测结果。实时显示摄像头画面，并将检测到的行为位置标注在图像上，表格下方记录了每一帧中检测结果的详细信息。

6.保存图片与视频检测说明

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。
保存的检测结果文件如下：

图片文件保存的csv文件内容如下，包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。
注：其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。

（1）图片保存

（2）视频保存

– 运行 train.py
1.训练参数设置

（1）data=data_yaml_path: 使用data.yaml中定义的数据集。
（2）epochs=100: 训练的轮数设置为100轮。
（3）batch=4: 每个批次的图像数量为4（批次大小）。
（4）name=’train_v8′: 训练结果将保存到以train_v8为名字的目录中。
（5）optimizer=’SGD’: 使用随机梯度下降法(SGD)作为优化器。

虽然在大多数深度学习任务中，GPU通常会提供更快的训练速度。
但在某些情况下，可能由于硬件限制或其他原因，用户需要在CPU上进行训练。

温馨提示：在CPU上训练深度学习模型通常会比在GPU上慢得多，尤其是像YOLOv8这样的计算密集型模型。除非特定需要，通常建议在GPU上进行训练以节省时间。

2.训练日志结果

这张图展示了使用YOLOv8进行模型训练的详细过程和结果。

训练总时长：
（1）模型在训练了100轮后，总共耗时4.946小时。

mAP50 (平均精度 @ IoU=50%)：
（1）表示在交并比（IoU）为0.5的情况下，模型的平均精度 (mean Average Precision)。
（2）all：0.982，表示整体上模型的准确率接近100%。
（3）moderate：0.97。
（4）severe：0.995，几乎完全准确。

mAP50-95 (平均精度 @ IoU=50%-95%)：
（1）表示在不同的IoU阈值（从0.5到0.95）下，模型的平均精度。
（2）all：0.943。
（3）moderate：0.926。
（4）severe：0.961。

推理速度：
（1）该模型的推理速度为每秒25.68帧（25.68it/s），表示每秒可以处理约25张图像。
（2）显示出其推理速度较快，适用于实时检测场景。

结果保存：
（1）Results saved to runs\detect\train_v8：验证结果保存在 runs\detect\train_v8 目录下。

完成信息：
（1）Process finished with exit code 0：表示整个验证过程顺利完成，没有报错。

该图展示了YOLOv8模型在验证集上检测“中等严重度”和“严重度”两个类别的效果。整体来看，模型的精度和召回率都非常高，尤其是“severe”类别，达到了接近完美的检测结果，mAP50接近100%，mAP50-95也非常高。

原文地址：https://blog.csdn.net/ZSW1218/article/details/143872773

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！