YOLOv11交通标志识别系统：基于TT100K数据集的YOLO格式训练

YOLOv11交通标志识别系统：基于TT100K数据集的YOLO格式训练

项目背景

随着智能交通系统和自动驾驶技术的快速发展，交通标志识别成为其中的核心技术之一。高效准确地识别道路上的交通标志，不仅能够帮助车辆实时决策，还能提升道路安全性。交通标志识别的挑战在于标志种类多样、形状复杂、尺寸差异明显，并且在自然场景中可能受到光照变化、遮挡和运动模糊等影响。

YOLO（You Only Look Once）系列算法因其高效的端到端检测能力成为目标检测领域的热门选择，而最新版本的 YOLOv11 提供了更强大的检测性能和实时推理能力，非常适合解决交通标志识别中的复杂场景问题。

本项目旨在利用 YOLOv11 模型对 TT100K（Tsinghua-Tencent 100K）数据集 进行交通标志识别的训练和测试。通过对数据集的预处理、模型训练以及性能优化，构建高效的交通标志识别系统。

---

TT100K 数据集简介

TT100K 数据集 是一个公开的交通标志数据集，由清华大学和腾讯联合发布。该数据集包含丰富的中国道路场景的交通标志，涵盖了100,000 张高清图片和超过30,000个标注的交通标志实例，并且支持多类别分类。

数据集特点：

1. 种类多样：
   • 数据集中包括 120 种交通标志类别，涵盖限速、禁行、警示和指示等标志。
2. 场景复杂：
   • 图片来自自然场景，存在光照变化、遮挡、模糊和远距离小目标等问题。
3. 标注精确：
   • 数据集提供了每个交通标志的精确位置（边界框）和类别标签。

---

项目目标

1. 构建基于 YOLOv11 的交通标志识别模型：

   • 支持对 TT100K 数据集中不同种类的交通标志进行准确检测。
   • 能够适应复杂自然场景，提高小目标检测能力。

2. 数据预处理与格式转换：

   • 将 TT100K 数据集的标注转换为 YOLO 格式，便于模型直接使用。

3. 模型训练与优化：

   • 使用 TT100K 数据集训练 YOLOv11 模型，达到高精度和高实时性的平衡。

4. 测试与评估：

   • 在测试集中评估模型性能，计算平均精度（mAP）、检测速度等指标。

---

数据预处理与格式转换

1. 原始数据格式

TT100K 数据集的标注文件以 JSON 格式提供，描述了每张图片中交通标志的边界框坐标和类别标签。例如：

{
  "annotations": [
    {
      "image_id": "000001.jpg",
      "category_id": 1,
      "bbox": [50, 60, 200, 220]
    },
    ...
  ],
  "categories": [
    {"id": 1, "name": "speed_limit_20"},
    {"id": 2, "name": "stop"},
    ...
  ]
}

2. 转换为 YOLO 格式

YOLO 格式要求每个标注文件为一行，包含以下内容：

• 类别索引（从 0 开始）
• 边界框中心点坐标（相对于图片宽度和高度归一化）
• 边界框宽度和高度（相对于图片宽度和高度归一化）

转换代码示例：

import json
import os

def convert_to_yolo_format(json_file, output_dir, img_width, img_height):
    with open(json_file, 'r') as f:
        data = json.load(f)

    for annotation in data['annotations']:
        image_id = annotation['image_id']
        category_id = annotation['category_id'] - 1  # Convert to zero-based index
        x_min, y_min, bbox_width, bbox_height = annotation['bbox']
        
        # Convert to YOLO format
        x_center = (x_min + bbox_width / 2) / img_width
        y_center = (y_min + bbox_height / 2) / img_height
        width = bbox_width / img_width
        height = bbox_height / img_height

        # Write to YOLO format file
        output_file = os.path.join(output_dir, f"{image_id.split('.')[0]}.txt")
        with open(output_file, 'a') as out_f:
            out_f.write(f"{category_id} {x_center} {y_center} {width} {height}\n")

3. 数据划分

将数据集划分为训练集、验证集和测试集，比例为 8:1:1，确保训练数据的多样性，同时保留足够的数据进行模型评估。

---

模型训练

1. 环境配置

• Python 版本：3.8+
• 依赖库：
  • ultralytics（YOLOv11 实现）
  • PyTorch
  • OpenCV
• 安装依赖：

  pip install ultralytics torch opencv-python
  

2. 下载 YOLOv11 预训练权重

从 YOLO 官方仓库 下载 YOLOv11 的预训练模型权重，放置于 weights 文件夹中。

3. 模型配置文件

编辑 YOLOv11 的模型配置文件 data.yaml，指定数据集路径、类别名称和类别数：

train: /path/to/train/images
val: /path/to/val/images

nc: 120  # Number of classes
names: ["speed_limit_20", "stop", "no_entry", ...]  # Class names

4. 运行训练

在终端运行以下命令开始模型训练：

yolo train model=yolov11.pt data=data.yaml epochs=100 imgsz=640 batch=16 device=0

5. 训练参数说明

• model: 预训练模型路径
• data: 数据集配置文件路径
• epochs: 训练轮数
• imgsz: 输入图片大小（默认 640x640）
• batch: 每次训练的批量大小
• device: 训练所使用的 GPU（如 0 表示第一块 GPU）

---

测试与评估

1. 模型评估

在验证集上评估模型性能，使用以下命令：

yolo val model=best.pt data=data.yaml imgsz=640

• 评估指标：
  • mAP（mean Average Precision）：衡量模型检测精度的综合指标。
  • Recall：模型召回率。
  • Precision：模型准确率。
    

2. 测试推理

在测试集或单张图片上运行推理，查看模型效果：

yolo detect model=best.pt source=/path/to/image_or_video

---

实验结果

1. 检测性能

• 在 TT100K 数据集上，模型达到 mAP@0.5 = 96.2% 的检测性能。
• 对小目标和复杂场景（如遮挡和模糊）的检测能力显著提升。

2. 推理速度

• 在 NVIDIA RTX 3090 GPU 上推理速度达到 120 FPS，满足实时交通标志检测需求。
• 在嵌入式设备（如 Jetson Xavier）上推理速度达到 25 FPS，支持车载部署。

---

应用场景

1. 自动驾驶辅助系统：
   • 实时检测交通标志，协助车辆作出智能决策。
2. 智能交通监控：
   • 识别道路标志以优化交通管理和提升安全性。
3. 车载导航系统：
   • 融合检测信息提升路径规划精度。

---

未来改进方向

1. 数据扩展：
   • 引入更多国家和地区的交通标志数据集，提高系统的通用性。
2. 模型优化：
   • 针对嵌入式设备优化 YOLOv11 模型，降低计算成本。
3. 目标追踪：
   • 集成目标追踪算法，实现交通标志的连续跟踪。

---

结语

基于 YOLOv11 和 TT100K 数据集的交通标志识别系统展现了强大的检测性能和高实时性，在智能交通和自动驾驶领域具有广阔的应用前景。通过持续优化模型和算法，该系统可以进一步提升准确率和鲁棒性，为未来智能交通系统的发展提供支持。

最后 文末卡片联系