基于 YOLOv8 的 7 种交通场景识别项目｜完整源码数据集+PyQt5 界面+完整训练流程+开箱即用！

机动车、非机动车、行人、红灯、黄灯、绿灯、熄灭的交通灯

这些类别可能出现在智能驾驶、城市监控、自动驾驶感知系统等任务中。

基本功能演示

哔哩哔哩：https://www.bilibili.com/video/BV1yajdzdEvu/

项目摘要

本项目基于最新的 YOLOv8 目标检测算法，设计并实现了一个具备 7 类交通场景识别功能 的智能检测系统，覆盖 机动车、非机动车、行人、红灯、黄灯、绿灯、熄灭的交通灯 七大类交通要素。系统前端采用 PyQt5 图形化界面开发，后端集成训练好的 YOLOv8 检测模型，具备“开箱即用、全流程完整、界面友好”等突出优势。

项目支持多种输入方式，包括单图、批量图片、视频文件和摄像头实时流，同时提供检测结果自动保存、模型自定义训练、可视化评估等模块，便于二次开发与工程部署。

前言

随着智能交通、自动驾驶技术的飞速发展，基于计算机视觉的场景感知成为系统的关键组成部分。交通参与者（如行人、机动车、非机动车）与交通信号灯（红灯、黄灯、绿灯、熄灭灯）构成了典型的交通环境。为了构建一个可实用、可部署的交通场景识别系统，本文基于最新的 YOLOv8 目标检测算法，实现了一个支持 7 类交通要素识别 的完整系统，并配套了 PyQt5 图形界面 和 完整训练流程，具备“开箱即用”的特性。

一、软件核心功能介绍及效果演示

本项目采用 YOLOv8 作为检测后端，集成 PyQt5 构建图形用户界面，实现了如下主要功能：

• 🚗 单张图片识别（机动车、非机动车、行人、信号灯状态）

• 🗂️ 批量文件夹图片识别

• 🎬 视频文件交通场景分析

• 📷 实时摄像头流检测

• 💾 支持检测结果保存（图片/视频）

• 🧠 模型训练与复现支持：YOLOv8 全流程+可视化评估

• 🌈 图形化界面易用直观，无需代码操作即可体验完整功能

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的 7 种交通场景识别能力，本文设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。用户通过简洁易用的界面，可以方便地体验不同模式下的 7 种交通场景识别自动识别过程及其效果，下面依次展示各项功能的具体应用与表现。

（1）单图片检测演示

通过界面点击导入一张交通场景图像，系统即可自动识别图中的机动车、非机动车、行人、各类信号灯状态，并以彩色边框标注显示类别与置信度。

（2）多文件夹图片检测演示

支持批量导入一个包含多张图片的文件夹，系统自动对每张图像执行 YOLOv8 检测，并保存带标签的图片到结果目录。

（3）视频检测演示

系统支持导入 MP4、AVI 等格式的视频，逐帧检测交通场景，实时渲染边框并支持保存视频输出。

（4）摄像头检测演示

调用本地摄像头实现实时交通要素识别，非常适用于部署在道路监控摄像头或智能网联车载系统中。

由于摄像头检测效果与视频检测效果相同，调用打开摄像头即可。

（5）保存图片与视频检测结果

无论是图像、视频还是摄像头流，系统均可选择保存带有检测框的结果，便于回溯、比对与展示。

三、模型的训练、评估与推理

YOLOv8 是 Ultralytics 公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如 CIoU、TaskAlignedAssigner）与 Anchor-Free 策略，在 COCO 等数据集上表现优异。其核心优势如下：

• 高速推理，适合实时检测任务

• 支持 Anchor-Free 检测

• 支持可扩展的 Backbone 和 Neck 结构

• 原生支持 ONNX 导出与部署

3.1 YOLOv8 的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；

• 准确率高：支持 Anchor-Free 架构；

• 支持分类/检测/分割/姿态多任务；

• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往 YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8 原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/├── images/│   ├── train/│   └── val/├── labels/│   ├── train/│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

表情分类包括（可自定义）：

nc: 7names:  0: Motor Vehicle  1: Non_motorized Vehicle  2: Pedestrian  3: Traffic Light-Red Light  4: Traffic Light-Yellow Light  5: Traffic Light-Green Light  6: Traffic Light-Off

机动车、非机动车、行人、红灯、黄灯、绿灯、熄灭的交通灯

使用 Ultralytics 提供的 CLI 工具：

yolo detect train data=main/datasets/txtx/data.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=500 batch=16 lr0=0.001 resume=True

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；

• weights/best.pt：最佳模型权重；

• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8 训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在 runs/目录下，具体内容如下：

3.4 检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2from ultralytics import YOLOimport torchfrom torch.serialization import safe_globalsfrom ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构safe_globals().add(DetectionModel)
# 加载模型并推理model = YOLO('runs/detect/train/weights/best.pt')results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径# 默认保存到 runs/detect/predict/ 目录save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像img = cv2.imread(str(save_path))cv2.imshow('Detection Result', img)cv2.waitKey(0)cv2.destroyAllWindows()

预测结果包含表情类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI 完整源码打包

本文涉及到的完整全部程序文件：包括 python 源码、数据集、训练代码、UI 文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码下载

💾 Gitee 项目地址：ITGen/YOLO-main

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

本文介绍了一个基于 YOLOv8 的完整交通场景识别项目，涵盖 7 类典型交通目标，集成了完整的训练、验证、推理、图形界面流程。该系统具有以下优势：

✅ 使用最新 YOLOv8 模型，检测精度与速度兼顾✅ 支持单图、批图、视频、摄像头多种输入方式✅ 内置图形界面，用户友好，上手简单✅ 数据集开源，训练流程透明，便于学习与扩展

未来方向可进一步支持目标跟踪（如 ByteTrack）、多摄像头融合识别、部署至 Jetson Nano 等边缘设备。