基于YOLO11的路口交通信号灯指引灯通行规则识别

基于YOLO11的路口交通信号灯通行规则识别（v2.0.0）

新变化

在v2.0.0版本中，我们引入了YOLO11模型，并搭配更为丰富的数据集来训练模型。这一改进带来了显著的变化：原本独立的目标检测和信号分类两个步骤得以整合。在以往的流程中，这两个步骤存在较多冗余的过滤筛选操作，而此次改进将其简化，实现了交通信号灯识别的一步到位。经过这样的优化，得到的新模型不仅在识别准确率上有了少量提升，在推理效率方面同样有所增强，并且整体部署变得更加便捷。

项目简介

本项目聚焦于路口交通信号灯通行规则的识别，整个过程分为两个关键步骤：

目标检测

借助YOLO11目标检测模型，精准定位图像中的交通信号灯，并识别其颜色、形状等特征。交通信号灯的形状主要包括圆形、左箭头、上箭头和右箭头。

规则解析

针对图像中检测到的交通信号灯，深入分析其所代表的通行规则，即明确车辆能否直行、左转以及右转。

在通行规则方面，圆形信号灯对三个方向（直行、左转、右转）的通行规则进行控制，但其优先级相对较低；而箭头形信号灯仅针对对应方向（如左箭头对应左转方向）的通行规则进行控制，不过优先级较高。另外，在没有明确信号指示的情况下，例如没有红色的右箭头信号灯时，默认车辆可以右转。

效果展示

性能评估

• 推理耗时：模型输入尺寸固定为640x480。在该输入条件下，使用PyTorch进行平均一张图片的推理，耗时大约为50ms；采用ONNX Runtime进行推理，平均耗时约为40ms。测试环境为：CPU为11th Intel Core i5 - 1155G7 ，主频2.50GHz，模型为YOLO11n。
• 目标检测准确性指标：在当前数据集下，信号灯目标检测的各项准确性指标如下：

Class	Precision	Recall	mAP50	mAP50 - 95
ALL	0.97	0.971	0.989	0.89
F0	0.99	1	0.995	0.871
F1	1	0.981	0.995	0.872
L0	0.981	0.985	0.994	0.912
L1	0.982	1	0.995	0.915
S0	1	0.817	0.944	0.878
S1	1	0.987	0.995	0.885
R0	0.815	1	0.995	0.914
R1	0.993	1	0.995	0.876

需要特别说明的是，由于本项目训练所用的数据集规模相对较小，因此在真实环境中的鲁棒性可能存在一定不足。

使用说明

环境准备与模型推理部署

首先，安装项目所需的环境依赖包。目前项目采用ONNX Runtime进行模型推理，可通过以下命令安装依赖：

pip install -r requirements.txt

若希望使用GPU进行推理，则还需安装 onnxruntime-gpu：

pip install onnxruntime-gpu

图像目录与模型权重设置

待识别的图像默认存放在 inferences/images/ 目录下，识别结果默认保存在 inferences/results/ 目录。若这两个目录不存在，请先手动创建。

将所有待识别的图像放入 inferences/images/ 目录，要求图像尺寸为640x480。您可以在本项目的Releases中下载训练好的模型权重文件，并将其解压到 inferences/models/ 目录下。

运行识别程序

完成上述准备工作后，运行 main.py 即可启动识别程序：

python main.py

配置文件说明

本项目识别程序的默认配置文件为 configs/inference.yaml，其中各属性含义如下：
• precision: "fp32"：推理运算精度，可选择 “fp32”（单精度）或 “fp16”（半精度）。
• session-providers：ONNX Runtime Providers参数，目前默认设置为 "CPUExecutionProvider"。
• conf-threshold: 0.25：目标检测置信度阈值。
• iou-threshold: 0.45：目标检测非极大值抑制IoU阈值。
• model-path: "inferences/models/detection-fp32.onnx"：模型加载路径。

自定义数据集训练模型

如果您希望使用自己的数据集训练模型，则需要安装 ultralytics 框架，并参照Ultralytics官方文档进行模型的训练。训练完成后，将模型转换为ONNX格式，即可用于部署：

pip install ultralytics

通过以上步骤，您就可以顺利使用本项目进行路口交通信号灯通行规则的识别工作 。