基于 YOLOv8 的交通车辆(12 种常见车型)实时检测系统识别项目｜完整源码数据集+PyQt5 界面+完整训练流程+开箱即用！

源码包含：完整 YOLOv8 训练代码+数据集(带标注)+权重文件+直接可允许检测的 yolo 检测程序+直接部署教程/训练教程‘

源码在文末哔哩哔哩视频简介处获取。

项目摘要

本项目集成了 YOLOv8 交通车辆检测模型 和 PyQt5 图形界面工具，实现了包括图片、文件夹、视频、摄像头等多种输入方式的实时交通车辆检测功能。通过 YOLOv8 模型的高精度预测，结合 PyQt5 提供的用户友好界面，使得用户能够直观地体验到强大的交通监控与分析能力。完整的源码与训练流程说明也使得本项目能够快速进行二次开发和定制化。

你可以根据项目需求调整输入方式，无论是批量处理图片、实时视频流，还是通过摄像头实时检测，都能轻松应对。源码已经打包并附带详细的使用教程，让你开箱即用、快速部署自己的车辆检测系统。

前言

本项目基于 YOLOv8 模型，通过高效的卷积神经网络进行实时车辆检测，支持 12 种不同类型的交通车辆。系统能够实时处理不同来源的视频流，如监控视频、摄像头输入等，能够准确识别出每一帧中的目标车辆并标注其类别。并且配备了一个基于 PyQt5 构建的图形界面，让用户在无编程基础的情况下即可操作该检测系统。

一、软件核心功能介绍及效果演示

1.1 实时检测功能

本项目的核心功能是基于 YOLOv8 的实时交通车辆检测。无论是视频文件还是实时摄像头输入，系统都能够快速读取并分析每一帧图像，准确地标出车辆并分类。每个车辆都会在图像中显示出对应的边界框和标签，精确到单个车辆的检测。

• 输入方式：支持图片、视频、摄像头、文件夹批量处理。

• 输出结果：每个检测到的车辆都会被标注出类别和位置，输出为实时更新的图像或视频流。

• 支持的车辆类别：支持 12 种交通车辆类型，涵盖常见的大型巴士、卡车、轿车等。

1.2 PyQt5 图形界面

为了提高用户体验，系统集成了一个简单易用的图形界面，基于 PyQt5 开发。用户可以通过图形界面进行设置操作，无需修改任何代码就能使用整个系统。

• 界面功能：

• 输入选择：用户可以通过界面选择单张图片、视频文件、摄像头或者文件夹作为输入源。

• 实时监控：能够展示实时视频流中的检测结果，框出目标车辆并显示其类型。

• 操作简便：通过简单的按钮操作实现系统的启动、暂停、结束等功能。

1.3 训练与部署流程

本项目附带完整的训练流程和部署教程，即使没有深度学习经验的用户也能通过以下简单步骤进行训练和部署：

1. 数据准备：项目包含了带标注的车辆数据集，用户可以直接使用该数据集进行训练，也可以根据需求自定义数据集。

2. 训练模型：通过 YOLOv8 预训练模型，用户只需少量的代码修改即可开始训练，系统支持 GPU 加速，显著提高训练速度。

3. 模型部署：训练完成后，模型可以直接通过 PyQt5 界面部署，用户无需繁琐的配置步骤即可完成部署。

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们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。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

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

分类包括（可自定义）：

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

至项目实录视频下方获取：https://www.bilibili.com/video/BV1dwg5zCEkL/

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

本项目基于 YOLOv8 目标检测框架，结合 PyQt5 图形界面，实现了对 12 类交通车辆的高精度实时检测。无论是图片、视频，还是摄像头输入，系统都能高效完成车辆定位与分类。通过集成训练流程、标注数据集、权重文件与可视化界面，极大降低了使用门槛，用户无需编程经验即可开箱即用、快速部署。

本项目特别适用于：

• 智慧交通监控系统

• 城市道路车流量统计

• 智能驾驶辅助系统

• AI 科研与教学实验

未来可扩展方向包括交通流量预测、车辆轨迹追踪、多摄像头融合分析等功能，具备广阔的工程与研究应用价值。欢迎感兴趣的开发者在此基础上进行二次开发与模型优化。