机器学习实验大作业：Yolov5s交通标志检测

设计内容与要求 

1.自行搭建Yolov5s网络完成交通标志检测和识别任务，训练和验证数据集采用课程QQ群里发布的“交通标志检测数据集CCTSDB”，测试集采用“交通标志检测数据集CCTSDB”和较为简洁的“交通标志检测”数据集；

2.训练模型参数如img（输入图像大小）、batch-size（批次大小）、epochs（训练迭代次数）、weights（训练权重）等自行选择，可以根据训练结果进行参数调整和模型优化；

3.进行必要的可视化，如网络结构图、实验结果可视化和评价指标可视化。

实验环境

1）硬件环境：

CPU：Intel酷睿i7 9750H

GPU：特斯拉v100

内存：8GB

显存：16GB

硬盘：512GB

2）软件环境

操作系统：Windows 10

开发平台：PyCharm 2021.3.1 + Anaconda3

学习框架：pytorch 2.1.1

系统分析与设计

数据集选择

CCTSDB：CSUST Chinese Traffic Sign Detection Benchmark 中国交通数据集，由长沙理工大学综合交通运输大数据智能处理湖南省重点实验室张建明老师团队制作完成。来源于A Real-Time Chinese Traffic Sign Detection Algorithm Based on Modified YOLOv2一文提出的训练数据集。

该数据集中目前的标注数据只有三大类：指示标志（mandatory）、禁止标志（prohibitory）、警告标志（warning）。

数据集已经进行了标注，标注文件以txt文件形式保存，如图4.1所示，标注文件中的四个整数数值表示标注框的长宽和中心点的坐标。

......

批量检测识别结果

神经网络训练与预测部分批量检测识别效果图如图5.1 -图5.6所示。该数据集分为三类：[warning，prohibitory，mandatory]。图中红色框代表warning类，橙色框代表prohibitory类，粉色框代表mandatory类。在预测结果中，0.9的红色框表示模型有高达90%的置信度认为该框为warning类交通标识，0.9的橙色框表示模型有高达90%的置信度认为该框为prohibitory类交通标识，0.9的粉色框表示模型有高达90%的置信度认为该框为mandatory类交通标识。

......

......

...... 

源码和报告问题交流：个人主页查看博客简介