智慧城市建设：基于深度学习的智能停车位检测系统实现

基于深度学习的停车位检测系统（UI界面+YOLOv8/v7/v6/v5代码+训练数据集）

引言

停车位检测在智能交通系统和智慧城市建设中扮演着重要角色。通过自动检测停车位的使用情况，可以有效提高停车管理效率，减少因停车问题引发的交通拥堵。本文将介绍如何构建一个基于深度学习的停车位检测系统，详细说明环境搭建、数据准备、模型训练、系统实现和用户界面设计等步骤。

系统概述

本系统的实现流程如下：

1. 环境搭建
2. 数据收集与处理
3. 模型训练
4. 系统实现
5. 用户界面设计

环境搭建

首先，需要搭建一个适合深度学习的开发环境。本文使用Python 3.8或以上版本，并依赖于多个深度学习和图像处理库。

安装必要的库

使用以下命令安装所需库：

登录后复制

pip install numpy pandas matplotlib opencv-python torch torchvision ultralytics pyqt5

• 1.

数据收集与处理

数据收集

收集包含停车场及其停车位的图像数据集，可以从公开的停车位数据集下载，或者通过摄像头自行采集。确保数据集包含不同角度、不同光照条件下的停车位图像。

数据处理

将图像数据整理到指定的文件夹结构，并标注停车位的位置。以下是示例的文件夹结构：

登录后复制

datasets/
    ├── images/
    │   ├── train/
    │   │   ├── image1.jpg
    │   │   ├── image2.jpg
    │   ├── val/
    │   │   ├── image1.jpg
    │   │   ├── image2.jpg
    ├── labels/
        ├── train/
        │   ├── image1.txt
        │   ├── image2.txt
        ├── val/
            ├── image1.txt
            ├── image2.txt

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.

每个标签文件的内容如下：

登录后复制

class x_center y_center width height

• 1.

其中，class表示类别编号，x_center、y_center为归一化后的中心坐标，width和height为归一化后的宽度和高度。

模型训练

使用YOLO模型进行训练。

配置文件

创建一个配置文件config.yaml：

登录后复制

path: datasets
train: images/train
val: images/val
test: images/test

nc: 1  # 类别数
names: ['parking_space']

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.

训练代码

使用以下代码训练模型：

登录后复制

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')

# 训练模型
model.train(data='config.yaml', epochs=50, imgsz=640, batch=16, lr0=0.01)

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.

系统实现

训练好的模型可以用于实时停车位检测。使用OpenCV读取视频流，并调用YOLO模型进行检测。

检测代码

登录后复制

import cv2
from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('best.pt')

# 打开视频流
cap = cv2.VideoCapture('parking_lot_video.mp4')

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # 检测停车位
    results = model(frame)
    for result in results:
        bbox = result['bbox']
        label = result['label']
        confidence = result['confidence']

        # 画框和标签
        cv2.rectangle(frame, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (0, 255, 0), 2)
        cv2.putText(frame, f'{label} {confidence:.2f}', (bbox[0], bbox[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

    # 显示结果
    cv2.imshow('Parking Space Detection', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.
• 27.
• 28.
• 29.
• 30.
• 31.
• 32.

用户界面设计

为了提高系统的易用性，我们设计了一个用户友好的界面。使用PyQt5实现用户界面，提供图像或视频播放和停车位检测结果显示。

界面代码

以下是一个简单的PyQt5界面代码示例：

登录后复制

import sys
from PyQt5.QtWidgets import QApplication, QWidget, QVBoxLayout, QLabel, QPushButton, QFileDialog
from PyQt5.QtGui import QPixmap, QImage
import cv2
from ultralytics import YOLO

class ParkingSpaceDetectionUI(QWidget):
    def __init__(self):
        super().__init__()
        self.initUI()
        
        self.model = YOLO('best.pt')
        
    def initUI(self):
        self.setWindowTitle('Parking Space Detection System')
        
        self.layout = QVBoxLayout()
        
        self.label = QLabel(self)
        self.layout.addWidget(self.label)
        
        self.button = QPushButton('Open Image or Video', self)
        self.button.clicked.connect(self.open_file)
        self.layout.addWidget(self.button)
        
        self.setLayout(self.layout)
    
    def open_file(self):
        options = QFileDialog.Options()
        file_path, _ = QFileDialog.getOpenFileName(self, "Open File", "", "All Files (*);;MP4 Files (*.mp4);;JPEG Files (*.jpg);;PNG Files (*.png)", options=options)
        
        if file_path:
            if file_path.endswith('.mp4'):
                self.detect_parking_space_video(file_path)
            else:
                self.detect_parking_space_image(file_path)
    
    def detect_parking_space_image(self, file_path):
        frame = cv2.imread(file_path)
        results = self.model(frame)
        for result in results:
            bbox = result['bbox']
            label = result['label']
            confidence = result['confidence']
                
            cv2.rectangle(frame, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (0, 255, 0), 2)
            cv2.putText(frame, f'{label} {confidence:.2f}', (bbox[0], bbox[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
            
        height, width, channel = frame.shape
        bytesPerLine = 3 * width
        qImg = QImage(frame.data, width, height, bytesPerLine, QImage.Format_RGB888).rgbSwapped()
        
        self.label.setPixmap(QPixmap.fromImage(qImg))
    
    def detect_parking_space_video(self, file_path):
        cap = cv2.VideoCapture(file_path)
        while cap.isOpened():
            ret, frame = cap.read()
            if not ret:
                break

            # 检测停车位
            results = self.model(frame)
            for result in results:
                bbox = result['bbox']
                label = result['label']
                confidence = result['confidence']

                # 画框和标签
                cv2.rectangle(frame, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (0, 255, 0), 2)
                cv2.putText(frame, f'{label} {confidence:.2f}', (bbox[0], bbox[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

            height, width, channel = frame.shape
            bytesPerLine = 3 * width
            qImg = QImage(frame.data, width, height, bytesPerLine, QImage.Format_RGB888).rgbSwapped()

            self.label.setPixmap(QPixmap.fromImage(qImg))
            cv2.waitKey(1)
        
        cap.release()

if __name__ == '__main__':
    app = QApplication(sys.argv)
    ex = ParkingSpaceDetectionUI()
    ex.show()
    sys.exit(app.exec_())

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.
• 27.
• 28.
• 29.
• 30.
• 31.
• 32.
• 33.
• 34.
• 35.
• 36.
• 37.
• 38.
• 39.
• 40.
• 41.
• 42.
• 43.
• 44.
• 45.
• 46.
• 47.
• 48.
• 49.
• 50.
• 51.
• 52.
• 53.
• 54.
• 55.
• 56.
• 57.
• 58.
• 59.
• 60.
• 61.
• 62.
• 63.
• 64.
• 65.
• 66.
• 67.
• 68.
• 69.
• 70.
• 71.
• 72.
• 73.
• 74.
• 75.
• 76.
• 77.
• 78.
• 79.
• 80.
• 81.
• 82.
• 83.
• 84.
• 85.
• 86.

上述代码实现了一个简单的PyQt5界面，用户可以通过界面打开图片或视频文件，并实时查看停车位检测结果。

进一步优化

为了进一步提升系统性能，可以在以下几个方面进行优化：

数据增强

通过数据增强技术，可以增加训练数据的多样性，从而提高模型的泛化能力。例如，可以对图像进行随机裁剪、旋转、翻转等操作。

登录后复制

from torchvision import transforms

data_transforms = {
    'train': transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
    'val': transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
}

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.

模型调优
可以尝试不同的YOLO模型（如YOLOv5、YOLOv6、YOLOv7、YOLOv8），并调整模型的超参数，如学习率、批量大小、训练轮数等，以获得最佳性能。

部署优化
在实际部署中，可以使用TensorRT等工具对模型进行优化，以提高推理速度和效率。

总结与声明
本文详细介绍了如何构建一个基于深度学习的停车位检测系统。从环境搭建、数据收集与处理、模型训练、系统实现到用户界面设计，提供了完整的实现步骤和代码示例。

原创作者: u_16751290 转载于: https://blog.51cto.com/u_16751290/11609340