YOLOv8停车场占道违停检测实战：从环境搭建到模型训练全流程解析

简介：一份面向计算机视觉毕业设计与课程设计的YOLOv8停车场车辆占道违停检测完整项目包，适合计算机科学、人工智能、通信工程、自动化等专业学生及不同基础水平的开发者使用。资源内含可直接运行的Python源码、训练好的模型权重、完整数据集及可视化界面，支持生成核心指标曲线、混淆矩阵、F1分数曲线、PR曲线、验证集预测结果与标签分布图，附部署说明与README，下载后按指引即可运行。压缩包共8个文件，以py脚本（训练、检测及可视化界面）、pt模型（预训练权重与最佳模型）和txt说明为主，整体约15.91MB，轻量紧凑。目前已有62人在线学习，项目代码经测试通过，功能完善，适合直接用于答辩演示或在此基础上二次扩展。整体上覆盖了从数据准备、模型训练到结果分析的全流程，同时支持视频检测与可视化页面交互，拿来即用。

1. 停车场占道违停检测不是玄学：YOLOv8 资源包到手后怎么落地

停车场里“占道违停”这个检测难点，不在“识别车辆”，而在“判断这辆车是不是占了不该占的位置”。基于 YOLOv8 的这套项目，正好把最后一公里的可视化、指标图和模型权重都替你打包好了。它不是让你从零写神经网络，而是把训练、推理、展示三条链路都准备好，你只要把环境配起来，先跑通视频检测，再决定是直接用现成 weights 还是用自己的数据集重新训练一轮。适合正在做毕设、课程设计，或者第一次接触 YOLO 目标检测的同学——你不需要懂底层 C++ 实现，但至少要会看路径、会跑命令、会读报错。这篇文章按“先推理、再训练、边踩坑、后进阶”的顺序，把资源包里的真实用法和容易翻车的地方讲透。

2. 先跑通推理再看界面：环境搭建与首轮检测的四个关键点

2.1 压缩包里的文件到底谁管谁：先读 README 再动手

解压后第一件事不是双击任何一个界面文件，而是打开 README.txt。我见过太多人直接运行 Visual_interface.py 然后闪退，回头问为什么——原因往往就是没按 README 里写的顺序装依赖。这个包的文件组织并不复杂，核心是三个代码文件加两个权重文件。

理解这个结构之后，你就能把“训练”和“推理”分开。best.pt 是已经训练过的产物，Detection_video.py 是消费这个产物；train_mode.py 是重新生产这个产物。先跑推理，能让你快速确认环境没问题，再碰训练就不会被“到底是环境错还是代码错”这种问题绕晕。

2.2 搭建 YOLOv8 运行环境：CPU 也能跑，但别指望实时

这个资源对算力要求不高，纯 CPU 也能完成推理和训练，只是速度慢。建议先用 Python 3.8 到 3.10 之间建一个虚拟环境，避免系统 Python 被各种依赖搞乱。安装的核心库是 ultralytics、torch、opencv-python，其中 torch 要根据你是否有 NVIDIA 显卡选择对应版本。没有 GPU 就装 CPU 版，有 GPU 就先查一下 CUDA 版本再决定 torch 的安装源。

# 创建虚拟环境（Windows 用 conda create，Linux 直接 python3 -m venv） conda create -n parking_yolov8 python=3.9 -y conda activate parking_yolov8 # 安装基础依赖 pip install ultralytics==8.2.0 opencv-python pandas matplotlib gradio # CPU 版 torch：直接装官方默认源即可 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 如果你有 NVIDIA GPU，先确认 CUDA 版本再装对应 torch，例如 CUDA 11.8： # pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

装完后用一条命令验证环境是否正确：python -c "from ultralytics import YOLO; print(YOLO.__module__)"。如果输出的是模块路径而不是报错，说明 ultralytics 装好了。这里强调虚拟环境，是因为很多毕设翻车现场都是把项目直接丢在 base 环境里，opencv 版本冲突导致界面起不来。另外，如果你的电脑内存小于 8G，训练时 batch size 往小了调，后文会专门讲。

2.3 用 best.pt 跑第一轮视频检测：参数含义与输出结果

环境就绪后，先直接调用 Detection_video.py 对一段测试视频做检测。这个脚本的核心逻辑是加载 best.pt，用 YOLO 模型逐帧推理，再把标注框和类别名字画到每一帧上，最后通过 OpenCV 的 VideoWriter 写回新视频。运行命令如下：

# 基本用法：指定输入视频、权重文件、置信度阈值 python Detection_video.py \ --source parking_lot_test.mp4 \ --weights best.pt \ --conf 0.5 \ --save-dir output # 如果要用摄像头实时检测，把 source 改成 0 # 如果只用 CPU，建议加 --device cpu 强制指定

--conf 0.5表示只有置信度大于等于 0.5 的检测框才会被保留。这个值不是越高越好——调高了漏检，尤其是占道车辆往往被部分遮挡；调低了误检，可能把普通停着的车也画上框。我的习惯是先取 0.4 跑一遍看看，如果画面里框特别多、互相重叠，再逐步升到 0.6。输出目录里会得到一段带标注的视频，同时终端会打印每一帧的检测类别、置信度和坐标。如果你在控制台看到no detections或者几乎没框，先检查 source 路径是不是对的，再检查 best.pt 是否损坏——用python -c "from ultralytics import YOLO; m=YOLO('best.pt'); print(m.names)"打印类别名看一下，正常应该输出类似 {0: 'vehicle', 1: 'blocking'} 的字典。

3. 把训练链路走通：数据集格式、超参数与指标曲线生成

3.1 YOLO 数据集格式：目录编排和标签文件必须逐行核对

如果你决定用自己的停车场图片重新训练，第一步不是改模型结构，而是把数据集整理成 YOLO 能读的标准格式。这个资源自带的数据集已经排好，直接复制它的目录结构是最省事的方式。标准结构是 datasets 根目录下分 images 和 labels，两个目录里各自有 train 和 val 子集，images/train 放图片，labels/train 放同名 txt 标签文件。

datasets/ ├── images/ │ ├── train/ │ │ ├── img_001.jpg │ │ └── ... │ └── val/ ├── labels/ │ ├── train/ │ │ ├── img_001.txt │ │ └── ... │ └── val/ └── data.yaml

每个 txt 文件里每一行代表一个目标，格式是class_id x_center y_center width height，注意坐标全部归一化到 0～1。比如下面这行表示类别 0（普通车辆），中心点在图像的 (0.5, 0.5) 处，宽高各占图像的 40%：0 0.5 0.5 0.4 0.4。最容易踩的坑是用 LabelImg 等工具标注完后，导出了绝对值坐标，而 YOLO 要的是归一化后的值。资源包里的数据集既然能训练出 best.pt，说明它的标签格式是对的——你换数据时一定要用能导出 YOLO 格式的标注工具，或者写完脚本转换后再跑yolo check验证标签范围。

3.2 train_mode.py 训练参数深度解读：epochs、batch、imgsz 的关系

train_mode.py 本质上是调用 ultralytics 的 YOLO 接口完成训练。打开脚本，你会看到类似下图的参数初始化逻辑：

from ultralytics import YOLO # 加载预训练权重，yolov8n.pt 是 nano 版本，速度最快，精度偏低 model = YOLO("yolov8n.pt") # 核心超参数；常见默认值就不建议大改 model.train( data="datasets/data.yaml", epochs=100, # 完整遍历训练集的次数 batch=8, # 一次迭代喂入的图片张数 imgsz=640, # 输入图片缩放到 640x640 patience=20, # 连续 20 个 epoch 指标不提升就早停 project="runs/train", name="exp", device="cpu", # 有 GPU 改成 0 或 0,1 plots=True, # 生成指标曲线、混淆矩阵等图 )

epochs 太小会欠拟合，太大容易过拟合，但 patience 机制能在指标停滞时自动停止，所以设成 200 也不用担心跑过头。batch 是最吃显存/内存的参数，CPU 训练建议 4～8，GPU 16G 显存可以设 16 以上。imgsz 默认 640，如果你的图片本身是 1920×1080，先缩放到 640 会丢失部分小目标信息；但调大 imgsz 到 1280 会让训练时间翻倍。停车场占道检测的目标是车辆，属于中大目标，640 够用。如果训练过程中 loss 出现 NaN，优先把 batch 调小，大概率是显存溢出导致的。这里还要注意plots=True，它会自动生成训练曲线图、混淆矩阵、F1 分数曲线、P-R 曲线，保存到 runs/train/exp/ 目录下，这些图恰好是毕设答辩里最缺的素材。

3.3 可视化界面：用 Visual_interface.py 生成评审想要的指标图

训练结束后，runs/train/exp/ 里已经有一堆 png 文件，但很多人不会直接看曲线，更习惯用界面点两下。Visual_interface.py 这个脚本的作用就是把这些结果从文件变成交互式展示。运行它之前，先确认results.csv存在，因为曲线图的数据源就是那个 csv。启动命令很简单：python Visual_interface.py。脚本内部会启动一个本地服务，默认地址是 http://127.0.0.1:7860 ，打开浏览器就能看到界面。界面上通常有几个区域：一个是选择权重文件，一个是上传图片/视频，还有一个是展示 loss 曲线、混淆矩阵等图表的下拉菜单。

如果你不想依赖界面，也可以直接从 runs/train/exp/ 里拿图。下面的代码可以把训练过程中的 loss 曲线重新画出来，并且合并到一张图里方便放进论文：

import pandas as pd import matplotlib.pyplot as plt # 训练日志文件，由 ultralytics 自动生成 df = pd.read_csv("runs/train/exp/results.csv") # 看有哪些列可以画 print(df.columns) plt.figure(figsize=(10, 6)) plt.plot(df["epoch"], df["train/box_loss"], label="box_loss") plt.plot(df["epoch"], df["val/box_loss"], label="val_box_loss") plt.xlabel("epoch") plt.ylabel("loss") plt.legend() plt.title("YOLOv8 训练与验证 box loss 曲线") plt.savefig("loss_curve_custom.png", dpi=300)

这里的列名可能因版本略有差异，常见的有train/box_loss、val/cls_loss、metrics/mAP50-95(B)。画图前先 print 列名，别直接照抄。可视化界面的价值在于它把“训练结果查看”从命令行变成了点击操作，你可以在答辩时现场演示，也可以提前把图导出来放进 PPT。需要提醒的是，Visual_interface.py 如果报错找不到文件，多半是脚本里的相对路径和你的实际路径不一致，改脚本里指向 runs/train/exp 的路径常量即可。

4. 避坑指南：占道违停检测最容易翻车的四个典型场景

4.1 现象：训练时 loss 一开始就很大，最终 mAP 不到 0.3

原因：大概率是 data.yaml 里的类别数nc和实际标签里的类别 ID 不一致。比如标签文件里出现了 class_id=2，但 data.yaml 里只写了nc: 2，代码会直接崩溃或忽略第 3 类目标。也有可能是标签坐标没有归一化，出现 width 大于 1 的情况。

解决：训练前先跑yolo check或者自己写几行代码扫描标签文件，验证所有标签是否在同一范围内。我一般会在训练前打印 data.yaml 内容，然后单独检查 labels 目录里全部 txt 的最大 class_id 是多少。如果发现类别号不连续，需要用脚本重映射标签编号，别手改。

4.2 现象：用 CPU 推理视频，每一帧要 2～3 秒，视频卡成幻灯片

原因：没有指定设备，ultralytics 默认会用 GPU，如果没有 GPU 就自动切 CPU，但 CPU 推理本来就慢。另外，输入视频分辨率太高，比如 4K 视频直接喂给 imgsz=640 的模型，OpenCV 读取原分辨率帧后还要做缩放，CPU 忙不过来。

解决：检测时显式指定--device cpu，并把--imgsz 640写在命令里，让图片预先缩放到模型输入尺寸。如果还卡，可以跳帧检测，每 5 帧检测一次，中间帧复制上一次的结果，用 OpenCV 的 VideoCapture 设置 CAP_PROP_POS_FRAMES 即可。反正占道检测不需要实时连续追踪，10 秒一次判定足够。

4.3 现象：Visual_interface.py 启动后浏览器打不开，或者程序直接闪退

原因：最常见的是缺少 gradio 或 Flask 依赖，或者端口被占用。另一种可能是脚本里用了相对路径，而你把压缩包解压到了带中文或空格的路径下，OpenCV 和 matplotlib 处理中文路径经常出问题。

解决：先确认安装过pip install gradio，然后执行python Visual_interface.py看终端报错。如果是路径相关，把整个项目目录复制到D:\project\parking这种纯英文路径下再试。如果端口被占用，改脚本里的launch(server_port=7861, share=False)换个端口。记住，界面闪退 99% 是依赖缺失或路径问题，不是代码本身坏了。

4.4 现象：重新训练自己的数据集后，用 best.pt 检测，框全画在图像角落，或坐标完全错位

原因：训练图片尺寸和推理图片尺寸不一致，或者标签归一化基准不对。更隐蔽的是，用自己的数据时把类别顺序改了，比如原资源里 ``0` 是占道车，你新数据里 0 是普通车，但忘了同步改 data.yaml 里的 names 顺序。

解决：训练完先打印model.names，确认类别顺序符合预期。然后跑一张验证集图片，将推理结果和原始标签对比。如果框错位，检查是否在训练前对图片做了裁剪或缩放，而标签没有跟着变换。以后每次换数据集，我都强制走一遍“标签扫描→类别校验→单图测试”三步，这套流程就是我从这几次翻车里攒出来的血泪经验。

5. 进阶技巧：从检测框到“占道”判定，以及模型上限验证

5.1 把检测结果转成占道逻辑：区域 IoU 才是关键

YOLOv8 只告诉你“这里有车”，不会告诉你“这车占道”。真正做违停判定，需要额外定义一个禁止停车区域，然后计算车辆框和禁停区域的交并比。常见做法是在代码里用多边形坐标框出禁停区，例如通道、消防通道，然后用 shapely 库的Polygon.intersection计算重叠面积占比。

from shapely.geometry import Polygon # 定义禁停区域，四个顶点按顺时针给出 forbidden_zone = Polygon([(100, 500), (700, 500), (700, 900), (100, 900)]) # 假设 YOLO 检测结果给出一个车辆框 vehicle_box = Polygon([(200, 450), (600, 450), (600, 800), (200, 800)]) # 计算车辆框与禁停区域的交集占比 intersection = vehicle_box.intersection(forbidden_zone).area vehicle_area = vehicle_box.area overlap_ratio = intersection / vehicle_area # 占道判定：超过 15% 就算违停，阈值你自己调 if overlap_ratio > 0.15: print("检测到占道违停")

车辆框本身就带着四个顶点坐标，不需要额外转换。这里的阈值 0.15 是我常用的起始值——设太低，泊位边缘的车容易被误判；设太高，真正横在通道中央的车反而漏判。你可以统计一批验证集，调整这个比例直到误报率最低。这个逻辑不会写进 Detection_video.py，而是写在业务判断层，属于你二次开发的部分。

5.2 用混淆矩阵和 P-R 曲线验证模型上限

训练完生成的 confusion_matrix.png 是最直观的观察入口。如果“占道车”类别被大量识别成“普通车”，说明这两类外观太接近，需要增加占道车在遮挡、夜间、不同光照下的样本。如果 P-R 曲线里某类别的召回率爬不上去，说明漏检多，此时应该降低置信度阈值或增加训练轮数。记住，混淆矩阵是在验证集上算出来的，不代表测试集的真实分布，所以最好单独预留一部分没参与训练的视频，用做最终评测。

5.3 换模型：yolov8n 和 yolo11n 哪个更适合占道检测

资源里同时放了 yolov8n.pt 和 yolo11n.pt，这就是给你做对比用的。yolov8n 是经典基线，稳、文档多、报错好查；yolo11n 是后出的版本，理论上在相同尺寸下速度略快。但实际训练时，yolov8n 的收敛曲线更平缓，yolo11n 对小目标稍有提升，而停车场车辆通常不小，优势不明显。我的建议是先用 yolov8n 把整套流程跑通，出图、答辩都够了；如果你想在论文里写一句“尝试了更新架构”，再训练一版 yolo11n 做对比实验。

从那以后，我每次拿到这类 YOLO 资源包，都会强制走一遍固定流程：先看 README，再查依赖，然后用官方权重跑一次推理，确认 baseline 正常，最后才动训练参数。中间任何一步报错，先看终端最后 20 行日志，而不是立刻怀疑代码被加密。这套检查习惯让我少走了很多弯路，希望帮到你。

本文还有配套的精品资源，点击获取