YOLOv8车流检测毕设实战：CPU环境零GPU部署指南

简介：本资源是一套基于YOLOv8的多端车流检测系统完整实现，面向计算机、人工智能、自动化等专业的本科生及初阶开发者，适用于毕业设计、课程设计与项目实践。系统支持多路视频流实时检测，涵盖模型训练、推理部署、GUI界面及报警机制，代码经实测可稳定运行，答辩获95分高分评价。压缩包共397个文件，含150个核心Python源码（含train/val/inference模块）、34个YOLOv8配置yaml文件、40张测试与报警截图、23张实景标注样图、以及shell脚本、环境配置、SQL数据库和模型权重（.pt）等关键组件，整体大小为16.94MB，结构清晰便于二次开发与功能拓展。目前已有165人学习下载，配套文档详尽、注释规范，并包含多场景实测图像（如alarm/default/testImg命名样本），为学习目标检测落地与交通监控应用提供可即用、可复现、可进阶的全流程参考。

1. 为什么毕设选“YOLOv8车流检测”能稳过、易出彩、真落地？

去年带了7个计算机/智能科学与技术专业的毕设，其中4个选了目标检测方向，最后只有用YOLOv8做车流检测的两个项目拿了校级优秀——不是因为模型多新，而是它把“毕设三难”一次性解掉了：数据难凑（用公开交通摄像头视频就能裁剪）、部署难验（CPU环境跑得动、Web界面能交互、树莓派也能压测）、答辩难讲（检测框+统计曲线+时段热力图，三页PPT就让老师点头）。很多人卡在“想用深度学习但怕调不通”，其实YOLOv8的PyTorch原生支持+Ultralytics官方API+中文社区成熟教程，已经把训练门槛压到和调参Sklearn差不多。你不需要懂反向传播，但得会看loss曲线是否收敛、会改data.yaml里那几行路径、会用labelimg标50张图——这些全是可量化、可截图、可录屏的操作。本项目就是按这个逻辑设计的：不堆论文指标，只保功能闭环；不炫GPU算力，专攻CPU可用；不写空泛架构，每一步都对应毕设答辩必问点。源码里连requirements_cpu.txt和demo_web.py都备好了，开箱即用不是口号，是压缩包解压后3分钟启动检测的实感。

2. 从零搭起YOLOv8车流检测最小可行系统：Ubuntu 20.04 + CPU环境实操

2.1 为什么坚持用CPU环境？——毕设现场演示的生存法则

很多同学一上来就装CUDA、配NVIDIA驱动，结果答辩当天借不到实验室GPU服务器，或者演示时显卡驱动冲突直接蓝屏。而YOLOv8的CPU推理在Ultralytics v8.0.190+版本后已足够稳定：单帧处理耗时约320ms（i5-8250U），对25fps监控视频做1/3帧采样，完全满足车流统计精度需求。更重要的是，CPU环境规避了所有驱动兼容性问题——Ubuntu 20.04自带的Linux kernel 5.4对Intel核显/NVIDIA开源驱动支持极佳，apt install python3-pip之后，所有依赖都能通过pip install -r requirements_cpu.txt干净安装。我让学生统一用这个环境，三年没出现过“在我电脑上能跑，答辩机上报错”的翻车事故。

提示：本方案默认使用Ultralytics官方PyPI包（非GitHub源码编译），避免因git clone后忘记python setup.py install导致ultralytics模块找不到。所有操作均在纯净Ubuntu 20.04虚拟机中验证通过（VMware Workstation 16.2 + 4GB内存）。

2.2 三步完成环境搭建：命令、参数、失败回退路径

步骤1：创建隔离Python环境（防系统污染）

# 创建conda环境（推荐，比venv更稳） conda create -n yolov8-cpu python=3.8 conda activate yolov8-cpu # 或用系统pip（若未装conda） python3 -m venv yolov8_env source yolov8_env/bin/activate

逻辑说明：毕设环境必须与系统Python分离。conda环境能自动解决OpenCV与NumPy的ABI兼容问题（Ubuntu 20.04默认Python 3.8.10，某些pip安装的opencv-python会因glibc版本报错）。

步骤2：安装CPU专用依赖（关键！别用默认requirements）

# 重点：必须指定--no-deps跳过torch自动装CUDA版 pip install torch==1.13.1+cpu torchvision==0.14.1+cpu torchaudio==0.13.1+cpu -f https://download.pytorch.org/whl/torch_stable.html # 安装Ultralytics及生态组件 pip install ultralytics==8.0.190 pip install opencv-python==4.8.0.76 # 固定版本防cv2.dnn.readNetFromONNX报错 pip install numpy==1.23.5 pandas==1.5.3 matplotlib==3.7.1

参数说明：

• torch==1.13.1+cpu：这是YOLOv8.0.190兼容的最高CPU版PyTorch，更高版本（如1.14）会导致model.predict()返回空列表；
• opencv-python==4.8.0.76：Ultralytics 8.0.190内部调用cv2.dnn.NMSBoxes，新版OpenCV（4.9+）修改了该函数签名，必须锁定此版本；
• ultralytics==8.0.190：非最新版！实测8.1.x在CPU模式下save=True会触发Segmentation fault，8.0.190是当前最稳版本。

步骤3：验证安装是否成功（必须执行！）

python -c "from ultralytics import YOLO; print('YOLOv8 CPU环境就绪'); model = YOLO('yolov8n.pt'); results = model('https://ultralytics.com/images/bus.jpg', verbose=False); print(f'检测到{len(results[0].boxes)}个目标')"

预期输出：

YOLOv8 CPU环境就绪 检测到6个目标

若报错ModuleNotFoundError: No module named 'ultralytics'，检查是否激活了正确环境；若报错OSError: libcudnn.so.8: cannot open shared object file，说明torch装了CUDA版，需pip uninstall torch torchvision torchaudio后重装CPU版。

3. 数据准备与标注：用LabelImg生成YOLO格式数据集（毕设级精简流程）

3.1 毕设数据集怎么“够用又体面”？——500张图的实战取舍逻辑

毕设不需要Cityscapes级别的规模。我们实测：用10段30秒交通卡口视频（总时长约5分钟），以2fps抽帧得600帧，人工筛选出含车流的500帧，标注后mAP@0.5达0.82。关键不在数量，在质量：

• 场景覆盖：早高峰（拥堵缓行）、午间（中速通行）、夜间（车灯识别）、雨天（挡风玻璃反光）各100张；
• 目标多样性：轿车、SUV、货车、公交车、摩托车全部包含，且每类至少50个实例；
• 标注规范：只标“car”和“truck”两类（YOLOv8二分类足够应付毕设答辩），忽略自行车、行人等干扰项。

注意：不要用网上下载的“车流数据集”直接训练！多数标注错误率超15%（如把广告牌当车），毕设答辩时老师会抽查标注质量，自己亲手标500张，答辩时能指着图说“这张是凌晨2点拍的，车灯拖影明显，我特意加了亮度增强预处理”。

3.2 LabelImg标注全流程：从安装到生成YOLO格式TXT

安装LabelImg（Ubuntu 20.04适配版）

sudo apt-get install pyqt5-dev-tools sudo pip install labelImg # 若报错Qt平台插件，执行： export QT_QPA_PLATFORM_PLUGIN_PATH=/usr/lib/x86_64-linux-gnu/qt5/plugins/platforms labelImg

标注操作四步法（附避坑点）

1. 打开目录：点击Open Dir选择存放图片的images/文件夹；
2. 设置保存路径：Change Save Dir指向同级labels/文件夹（自动生成）；
3. 标注车辆：按W键框选目标 → 在弹出窗口输入car或truck→ 按Ctrl+S保存（此时生成同名.txt文件）；
4. 批量导出：标注完所有图后，点击File → Save All确保每个图片都有对应.txt。

生成的YOLO格式TXT示例（00001.txt）：

0 0.452 0.321 0.123 0.245 # car类，归一化中心点xy+宽高 1 0.789 0.654 0.098 0.187 # truck类

关键规则：

• 类别ID从0开始：car→0,truck→1；
• 坐标必须归一化：x_center/img_width,y_center/img_height,width/img_width,height/img_height；
• 每行一个目标，空行分隔不同图片。

3.3 划分训练/验证/测试集：按毕设答辩逻辑设计比例

毕设数据集划分不能套用工业标准（如7:2:1）。我们采用答辩友好型比例：

• train/：350张（70%）→ 用于训练模型，展示loss下降曲线；
• val/：100张（20%）→ 用于验证集指标（mAP@0.5），答辩PPT核心图表来源；
• test/：50张（10%）→ 独立测试集，答辩现场实时演示用（老师可随机选图验证）。

生成划分脚本split_dataset.py：

import os, shutil, random from pathlib import Path # 配置路径（按实际修改） images_dir = Path("datasets/traffic/images") labels_dir = Path("datasets/traffic/labels") output_dir = Path("datasets/traffic/split") # 创建输出目录 for split in ['train', 'val', 'test']: (output_dir / split / 'images').mkdir(parents=True, exist_ok=True) (output_dir / split / 'labels').mkdir(parents=True, exist_ok=True) # 获取所有图片路径 all_images = list(images_dir.glob("*.jpg")) + list(images_dir.glob("*.png")) random.shuffle(all_images) # 打乱顺序防时间序列偏差 # 划分比例（毕设特供） train_num = int(0.7 * len(all_images)) val_num = int(0.2 * len(all_images)) test_num = len(all_images) - train_num - val_num # 复制文件 splits = [('train', train_num), ('val', val_num), ('test', test_num)] start_idx = 0 for split_name, num in splits: for img_path in all_images[start_idx:start_idx + num]: # 复制图片 shutil.copy(img_path, output_dir / split_name / 'images' / img_path.name) # 复制对应label（替换后缀） label_path = labels_dir / img_path.with_suffix('.txt').name if label_path.exists(): shutil.copy(label_path, output_dir / split_name / 'labels' / label_path.name) start_idx += num print(f"划分完成：train={train_num}, val={val_num}, test={test_num}")

运行后目录结构：

datasets/traffic/split/ ├── train/ │ ├── images/ # 350张jpg/png │ └── labels/ # 350个txt ├── val/ │ ├── images/ # 100张 │ └── labels/ # 100个 └── test/ ├── images/ # 50张 └── labels/ # 50个

4. 训练YOLOv8模型：配置文件详解、关键参数调优、训练过程监控

4.1 data.yaml：毕设数据集的最小必要配置（删掉所有冗余字段）

YOLOv8的data.yaml是训练入口，但官方模板有20+行，毕设只需保留5行：

train: ../split/train/images val: ../split/val/images test: ../split/test/images nc: 2 names: ['car', 'truck']

逐行解析：

• train/val/test：必须用相对路径（从yolov8n.pt所在目录算起），绝对路径会导致ultralytics读取失败；
• nc: 2：number of classes，必须与names长度一致，否则训练报错AssertionError: nc mismatch；
• names：类别名必须小写、无空格、无特殊字符，['Car','Truck']会因大小写不匹配导致预测全为背景。

提示：把data.yaml放在与训练脚本同级目录，避免路径错误。实测发现80%的“找不到数据集”报错源于train路径写成./split/train/images（多了.）。

4.2 训练命令与参数：毕设场景下的黄金组合

基础训练命令（CPU环境必加参数）：

yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=100 \ batch=8 \ imgsz=640 \ name=traffic_yolov8n_cpu \ device=cpu \ workers=2 \ patience=10 \ save_period=10

参数详解（毕设关键点）：

• device=cpu：强制CPU训练，缺此参数在无GPU机器上会报错CUDA out of memory；
• workers=2：Ubuntu 20.04下DataLoader多进程数设为2（超过4会因内存不足卡死）；
• patience=10：早停阈值，验证集mAP连续10轮不升则停止，防过拟合（毕设数据少，必须开）；
• save_period=10：每10轮保存一次权重，方便答辩前挑选最佳epoch（如weights/best.pt可能不如weights/epoch_85.pt）；
• batch=8：CPU环境下最大安全batch size，设16会触发MemoryError。

进阶调参建议（提升mAP的3个实操技巧）：

1. 学习率微调：lr0=0.01（默认0.01）→lr0=0.005，小数据集易收敛；
2. 数据增强开关：augment=True（默认False），开启Mosaic+MixUp，提升小样本鲁棒性；
3. IoU阈值调整：iou=0.5（默认0.7），降低NMS阈值使密集车流不漏检。

4.3 训练过程监控：怎么看懂loss曲线、怎么判断是否收敛

训练启动后，终端会输出类似：

Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 0/100 0.000G 1.2456 0.8765 1.0234 123 640 1/100 0.000G 1.1234 0.7654 0.9876 132 640 ...

关键指标解读：

• box_loss：定位损失，应从1.2+降至0.3以下（说明框回归准）；
• cls_loss：分类损失，应从0.8+降至0.2以下（说明车/货分类准）；
• Instances：每轮参与计算的目标数，若持续为0说明标注路径错误；
• GPU_mem：CPU环境恒为0.000G，若显示0.500G说明device=cpu未生效。

收敛判断三准则：

1. 双降：box_loss和cls_loss同步下降，且最后20轮波动<0.05；
2. 不抖：验证集mAP@0.5曲线平滑上升，无剧烈震荡（震荡说明学习率太大）；
3. 不飘：val/box_loss不再显著低于train/box_loss（差距>0.2说明过拟合）。

可视化loss曲线（答辩必备图）：

# 训练完成后，Ultralytics自动生成results.csv python -c " import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('runs/detect/traffic_yolov8n_cpu/results.csv') plt.figure(figsize=(12,4)) plt.subplot(1,3,1); plt.plot(df['epoch'], df['train/box_loss']); plt.title('Train Box Loss') plt.subplot(1,3,2); plt.plot(df['epoch'], df['val/mAP50']); plt.title('Val mAP@0.5') plt.subplot(1,3,3); plt.plot(df['epoch'], df['val/precision']); plt.title('Val Precision') plt.tight_layout(); plt.savefig('loss_curves.png', dpi=300); plt.show() "

生成的loss_curves.png直接插入答辩PPT——老师一眼看出训练质量。

5. 模型部署与系统集成：从单图检测到Web界面（毕设演示闭环）

5.1 CPU推理优化：用ONNX加速YOLOv8（提速40%，毕设演示更流畅）

PyTorch模型直接推理慢（320ms/帧），转ONNX后降至190ms/帧，且跨平台兼容性更好：

# 导出ONNX模型（必须指定dynamic_axes保证动态batch） yolo export \ model=runs/detect/traffic_yolov8n_cpu/weights/best.pt \ format=onnx \ imgsz=640 \ dynamic=True \ simplify=True \ opset=12 # 生成 traffic_yolov8n_cpu.onnx（在weights同目录）

关键参数说明：

• dynamic=True：启用动态batch size，后续Web服务可并发处理多图；
• simplify=True：用onnxsim优化图结构，减少冗余节点；
• opset=12：ONNX算子集版本，兼容Ubuntu 20.04的onnxruntime 1.13.1。

ONNX推理验证脚本infer_onnx.py：

import cv2, numpy as np import onnxruntime as ort # 加载ONNX模型 session = ort.InferenceSession("traffic_yolov8n_cpu.onnx", providers=['CPUExecutionProvider']) # 读图预处理（YOLOv8要求BGR→RGB→归一化→NHWC→NCHW） img = cv2.imread("test.jpg") img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img_resized = cv2.resize(img_rgb, (640, 640)) img_norm = img_resized.astype(np.float32) / 255.0 img_nchw = np.transpose(img_norm, (2, 0, 1))[None] # [1,3,640,640] # 推理 results = session.run(None, {"images": img_nchw}) boxes, scores, class_ids = results[0][0], results[1][0], results[2][0] # 可视化（画框+标签） for i, (box, score, cls_id) in enumerate(zip(boxes, scores, class_ids)): if score > 0.5: # 置信度阈值 x1, y1, x2, y2 = map(int, box) label = f"{'car' if cls_id==0 else 'truck'} {score:.2f}" cv2.rectangle(img, (x1, y1), (x2, y2), (0,255,0), 2) cv2.putText(img, label, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1) cv2.imwrite("result.jpg", img) print(f"检测完成，共{len(boxes)}个目标")

运行效果：result.jpg中绿色框标注车辆，标签显示类别和置信度——这就是答辩现场可演示的最小闭环。

5.2 Web服务搭建：Flask+Vue轻量级界面（毕设答辩“加分项”）

毕设答辩时，老师常问：“能实际用吗？”——一个能上传图片、显示检测结果、统计车流量的Web界面，比纯命令行强十倍。我们用Flask后端+Vue前端实现，总代码<300行：

后端（app.py）

from flask import Flask, request, jsonify, render_template import cv2, numpy as np import onnxruntime as ort app = Flask(__name__) session = ort.InferenceSession("traffic_yolov8n_cpu.onnx", providers=['CPUExecutionProvider']) @app.route('/') def index(): return render_template('index.html') @app.route('/detect', methods=['POST']) def detect(): file = request.files['image'] img_bytes = np.frombuffer(file.read(), np.uint8) img = cv2.imdecode(img_bytes, cv2.IMREAD_COLOR) # ONNX推理（同上节代码） img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img_resized = cv2.resize(img_rgb, (640, 640)) img_norm = img_resized.astype(np.float32) / 255.0 img_nchw = np.transpose(img_norm, (2, 0, 1))[None] results = session.run(None, {"images": img_nchw}) boxes, scores, class_ids = results[0][0], results[1][0], results[2][0] # 统计车流 car_count = sum(1 for cls_id in class_ids if cls_id == 0) truck_count = sum(1 for cls_id in class_ids if cls_id == 1) return jsonify({ 'car_count': car_count, 'truck_count': truck_count, 'total': car_count + truck_count, 'detections': [{'box': box.tolist(), 'score': float(score), 'class': int(cls_id)} for box, score, cls_id in zip(boxes, scores, class_ids) if score > 0.5] }) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=False) # 关闭debug防报错信息泄露

前端（templates/index.html）

<!DOCTYPE html> <html> <head><title>车流检测系统</title></head> <body> <h2>上传图片进行车流检测</h2> <input type="file" id="imageInput" accept="image/*"> <button onclick="upload()">检测</button> <div id="result"></div> <script> function upload() { const file = document.getElementById('imageInput').files[0]; const formData = new FormData(); formData.append('image', file); fetch('/detect', {method: 'POST', body: formData}) .then(r => r.json()) .then(data => { document.getElementById('result').innerHTML = ` <p><strong>检测结果：</strong></p> <p>小汽车：${data.car_count}辆 | 货车：${data.truck_count}辆 | 总计：${data.total}辆</p> <p>置信度>0.5的目标数：${data.detections.length}个</p> `; }); } </script> </body> </html>

启动命令：

pip install flask python app.py

访问http://localhost:5000即可上传图片，3秒内返回统计结果——这就是毕设答辩时老师说“这个可以落地”的瞬间。

6. 毕设答辩高频问题应对与系统升级技巧：从“能跑”到“高分”

6.1 答辩必问的5个问题及满分回答模板（附真实翻车案例）

Q1：为什么不用YOLOv5/v7，而选YOLOv8？
✅ 标准答案：“YOLOv8的Ultralytics API更简洁，model.train()一行启动训练，model.predict()直接返回结果，省去YOLOv5的train.py参数拼接和YOLOv7的cfg文件修改。毕设周期短，稳定性优先于理论创新。”
❌ 翻车回答：“YOLOv8更新，所以更好”（老师追问“好在哪”，答不出）。

Q2：CPU环境速度这么慢，实际部署怎么办？”
✅ 标准答案：“毕设聚焦算法验证，CPU环境已满足教学演示需求。若需工业部署，可迁移至Jetson Nano（已验证rk3588部署YOLOv8流程），或用TensorRT优化ONNX模型（提速3倍）。”
❌ 翻车回答：“以后再优化”（暴露准备不足）。

Q3：你的数据集只有500张，会不会过拟合？”
✅ 标准答案：“通过三点防控：① 开启Mosaic增强（augment=True）；② 设置早停（patience=10）；③ 验证集mAP@0.5达0.82，测试集误差仅±3%，证明泛化性达标。”
❌ 翻车回答：“我标得很认真”（未用数据说话）。

Q4：车流统计准确率怎么验证的？”
✅ 标准答案：“人工复核测试集50张图，统计漏检/误检数，计算精确率=TP/(TP+FP)=92.3%，召回率=TP/(TP+FN)=89.7%，F1-score=0.91。”
❌ 翻车回答：“模型自己算的”（缺乏验证意识）。

Q5：系统有没有考虑夜间/雨天场景？”
✅ 标准答案：“数据集已包含20%夜间（车灯识别）和15%雨天（挡风玻璃反光）样本，测试集mAP@0.5在两类场景下分别为0.78和0.75，符合毕设要求。”
❌ 翻车回答：“还没做”（暴露设计缺陷）。

6.2 三个低成本高回报的升级技巧（让毕设从“合格”变“优秀”）

技巧1：添加车流热力图（10行代码提升视觉表现力）

在infer_onnx.py末尾加入：

# 生成热力图（按车辆中心点密度） heatmap = np.zeros((img.shape[0], img.shape[1]), dtype=np.float32) for box in boxes: x_c, y_c = int((box[0]+box[2])/2), int((box[1]+box[3])/2) if 0 <= x_c < img.shape[1] and 0 <= y_c < img.shape[0]: heatmap[y_c-5:y_c+5, x_c-5:x_c+5] += 1 heatmap = cv2.normalize(heatmap, None, 0, 255, cv2.NORM_MINMAX) heatmap_colored = cv2.applyColorMap(heatmap.astype(np.uint8), cv2.COLORMAP_JET) cv2.addWeighted(img, 0.7, heatmap_colored, 0.3, 0, img) # 叠加到原图

效果：原图上叠加红色热点区域，直观显示车流密集区——答辩PPT第一页放这张图，老师立刻感知工作量。

技巧2：导出检测视频（答辩现场播放30秒演示）

# 用OpenCV读视频，逐帧检测，写入新视频 cap = cv2.VideoCapture("traffic.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') out = cv2.VideoWriter("detected_traffic.mp4", fourcc, 25, (int(cap.get(3)), int(cap.get(4)))) while cap.isOpened(): ret, frame = cap.read() if not ret: break # 调用ONNX推理（同上） # ...（此处省略推理代码） out.write(frame) cap.release(); out.release()

价值：答辩时播放30秒检测视频，比静态图更有说服力，且代码仅20行。

技巧3：增加时段统计折线图（用Matplotlib一行生成）

# 假设你有24小时检测记录（hour_list=[0,1,...,23], count_list=[120,98,...,156]） import matplotlib.pyplot as plt plt.plot(hour_list, count_list, marker='o') plt.xlabel('小时'); plt.ylabel('车流量'); plt.title('24小时车流变化趋势') plt.grid(True); plt.savefig('traffic_trend.png', dpi=300)

答辩话术：“通过统计每小时车流量，发现早高峰7-9点峰值达180辆/小时，与交管部门公开数据吻合，验证了系统实用性。”

我带毕设时反复强调：高分项目不靠炫技，而靠闭环——从数据采集、标注、训练、评估到部署演示，每个环节都要能讲清“为什么这么做”“怎么做出来的”“结果怎么验证”。这个YOLOv8车流检测系统，就是按这个逻辑打磨出来的：没有一行多余代码，没有一个虚设模块，所有功能都直指答辩现场。压缩包里的README.md写了每步截图位置，demo_web.py预留了接口扩展点，连答辩PPT模板都按“问题-方法-结果-验证”四页结构排好了。希望帮到你。

本文还有配套的精品资源，点击获取