基于深度学习的夜间车辆检测系统详解：使用YOLOv10、UI界面及自定义数据集的实现

深度学习实战项目

于 2024-10-07 22:24:11 发布

阅读量438

点赞数 3

分类专栏： YOLOv10/v8/v7/v6/v5实战项目文章标签：深度学习 YOLO ui 人工智能目标检测无人机夜间车辆检测

本文链接：https://blog.csdn.net/m0_52343631/article/details/142747793

版权

YOLOv10/v8/v7/v6/v5实战项目专栏收录该内容

120 篇文章 0 订阅

订阅专栏

1. 背景介绍

随着城市交通的日益复杂，特别是在夜间，车辆检测的需求不断增长。传统的基于图像处理的检测方法在光照不足、低对比度和噪声干扰下往往难以提供可靠的检测结果。近年来，随着深度学习的迅猛发展，尤其是目标检测领域的进步，深度学习模型能够在不同光照条件下自动识别和检测车辆，从而大大提高了检测的准确率和鲁棒性。

本文将探讨如何使用YOLOv10（You Only Look Once，第10代模型）进行夜间车辆检测，并展示如何结合一个简易的UI界面，供用户上传夜间图像并进行检测。我们将详细介绍项目的实施步骤，包括数据集准备、模型训练、界面搭建和模型部署等，并提供完整的代码和配置文件。

6.2 创建 app.py UI 界面代码

2. 项目流程概览

我们的夜间车辆检测系统项目包括以下几个主要步骤：

数据集准备：收集或创建夜间车辆的图像数据集，并进行标注。
模型选择与训练：使用YOLOv10模型进行车辆检测任务的训练。
UI界面设计：使用Streamlit搭建一个简易用户界面，用户可以上传图片并进行实时检测。
模型推理与结果展示：通过UI界面显示检测结果。
部署与优化：探讨如何将系统部署至生产环境，及未来的优化方向。

3. 数据集准备

3.1 数据集来源

为了训练一个能够有效检测夜间车辆的模型，首先需要准备合适的数据集。数据集可以通过以下两种方式获得：

公开数据集：可以从公开的车辆检测数据集中获取一些夜间车辆的图像。例如：
- NightOwls Dataset：一个专门为夜间行人和车辆检测设计的数据集，包含多种照明条件下的图像。
- KITTI Dataset：虽然主要用于白天场景，也包含一些夜间的图像，可以做数据增强处理。
自建数据集：如果公开数据集不能满足需求，可以使用行车记录仪或监控摄像头采集夜间车辆图像。然后使用标注工具（如LabelImg）为数据集进行手动标注，标注内容包括车辆的类别和边界框。

3.2 数据增强

由于夜间车辆的检测需要应对低光照、噪声和高动态范围问题，数据增强可以有效提高模型的泛化能力。常用的数据增强方法包括：

亮度调整：模拟不同的夜间光照强度，增加模型的鲁棒性。
对比度增强：增强图像对比度，帮助模型更好地识别车辆轮廓。
噪声添加：为图像添加不同类型的噪声，模拟夜间低光照条件下的噪声干扰。
颜色调整：调整色调和饱和度，增加模型在不同光照条件下的表现。

4. YOLOv10 模型简介

YOLOv10 是 YOLO 系列的最新版本，其性能在速度和精度上都有了显著提升。YOLOv10通过改进特征提取网络和检测头，实现了在低光照和复杂背景下的高效目标检测。该模型特别适合应用于实时检测任务，比如夜间车辆检测。

YOLOv10 主要优势：

实时性强：YOLOv10 的模型设计使其能够在保证高精度的同时，进行实时的目标检测。
高精度：通过优化卷积网络结构，YOLOv10 提供了更高的检测精度，特别是在低光照环境下，能够更好地捕捉目标。
灵活性：YOLOv10 支持多种输入尺寸和自定义类别数，可以根据实际应用需求进行调整。

5. 模型训练流程

5.1 环境配置

在开始训练之前，首先需要配置好深度学习环境，确保已经安装了必要的库，如 PyTorch、YOLOv10 相关依赖库。

pip install torch torchvision opencv-python numpy pyyaml matplotlib

5.2 配置 `data.yaml` 文件

在 YOLOv10 模型中，数据集的类别和路径需要通过配置文件进行定义。我们创建一个 data.yaml 文件来指定训练集和验证集的路径，以及检测目标的类别。文件结构如下：

# data.yaml 文件
train: /path_to_dataset/images/train  # 训练集图片路径
val: /path_to_dataset/images/val      # 验证集图片路径

# 类别数
nc: 1  # 夜间车辆检测中的类别数，通常只有一个类别"车辆"

# 类别名称
names: ['vehicle']  # 定义类别名称为车辆

5.3 YOLOv10 模型训练代码

模型的训练步骤通过 PyTorch 框架进行。以下是 YOLOv10 训练的代码：

import torch
from yolov10 import YOLOv10
import yaml

# 加载 data.yaml 文件
with open('data.yaml', 'r') as f:
    data = yaml.safe_load(f)

# 加载 YOLOv10 模型，并设置类别数
model = YOLOv10(num_classes=data['nc'])
model.load_pretrained_weights('yolov10.pt')  # 加载预训练模型权重

# 设定训练集与验证集路径
train_images = data['train']
val_images = data['val']

# 设定训练超参数
epochs = 100  # 训练轮数
batch_size = 16  # 每批次的图片数量
img_size = 640  # 输入图片尺寸

# 开始训练
model.train_model(train_images, val_images, img_size=img_size, batch_size=batch_size, epochs=epochs)

# 保存训练好的模型
model.save('runs/train/yolov10_night_vehicle.pt')

上述代码实现了夜间车辆检测模型的训练。训练过程会保存模型权重，供后续推理使用。

6. UI 界面实现

为了让非技术用户也能轻松使用夜间车辆检测系统，我们可以通过 Streamlit 构建一个简易的用户界面。用户可以通过该界面上传夜间车辆的图像，系统将自动进行车辆检测，并返回检测结果。

6.1 安装 Streamlit

Streamlit 是一个非常方便的 Python 库，可以用于快速构建 Web 应用。首先通过以下命令安装 Streamlit：

pip install streamlit pillow

6.2 创建 `app.py` UI 界面代码

以下是一个基于 Streamlit 的夜间车辆检测界面代码：

import streamlit as st
from PIL import Image
import torch
import numpy as np
from models.common import DetectMultiBackend
from utils.datasets import LoadImages
from utils.general import non_max_suppression, scale_coords
import cv2

# 加载训练好的YOLOv10模型
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = DetectMultiBackend('runs/train/yolov10_night_vehicle.pt', device=device)

# Streamlit 界面标题
st.title("夜间车辆检测系统")

# 上传图片
uploaded_file = st.file_uploader("上传夜间车辆图片进行检测", type=["jpg", "png", "jpeg"])

if uploaded_file is not None:
    # 读取上传的图片
    image = Image.open(uploaded_file)
    st.image(image, caption='上传的图片', use_column_width=True)

    # 将图片转为 NumPy 数组
    img = np.array(image)

    # YOLOv10 模型推理
    img_input = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)  # 将RGB转为BGR
    img_input = cv2.resize(img_input, (640, 640))  # 调整图片大小
    img_input = torch.from_numpy(img_input).float().to(device).unsqueeze(0)
    pred = model(img_input)

    # 进行非极大值抑制 (NMS)
    pred = non_max_suppression(pred, conf_thres=0.25, iou_thres=0.45)
    
    # 在图像上绘制检测框和标签
    for det in pred:
        if len(det):
            for *xyxy, conf, cls in det:
                label = f'{model.names[int(cls)]} {conf:.2f}'
                cv2.rectangle(img, (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3])), (0, 255, 0), 2)
                cv2.putText(img, label, (int(xyxy[0]), int(xyxy[1]) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)

    # 显示检测结果
    st.image(img, caption='检测结果', use_column_width=True)

该 UI 界面代码允许用户上传夜间车辆图片，并实时展示检测结果。