深度学习框架基于YOLOv8➕pyqt5的交通标志与行人车辆检测系统 YOLOV8模型如何训练交通标志与行人车辆检测数据集 识别 [‘交通信号灯‘, ‘停止信号‘, ‘限速信号‘, ‘人行横道信号‘,

基于YOLOv8➕pyqt5的交通标志与行人车辆检测系统，

附1500张交通标志与行人车辆数据集
包括[‘交通信号灯’, ‘停止信号’, ‘限速信号’, ‘人行横道信号’, ‘人行横道’,‘行人’, ‘公交车’, ‘汽车’, ‘卡车’, ]，8类

也可自行替换模型，使用该界面做其他检测

1

基于 YOLOv8 + PyQt5 的交通标志与行人车辆检测系统的完整代码实现，支持图片、视频、摄像头实时检测，附带1500 张标注数据集（8 类），可直接运行。

✅ 一、项目概览

✅ 二、项目目录结构

TrafficDetection/ ├── datasets/# 数据集文件夹（含 train/val）│ ├── train/ │ └── val/ ├── models/# 训练好的模型│ └── best.pt# YOLOv8 模型权重├── runs/# 训练结果缓存├── save_data/# 检测结果保存路径├── TestFiles/# 测试用图片├── ui/# UI 相关文件│ └── MainProgram.py# 主程序入口├── CameraTest.py# 摄像头测试脚本├── Config.py# 配置文件├── detect_tools.py# 检测工具函数├── imgTest.py# 图片检测脚本├── VideoTest.py# 视频检测脚本├── yolov8n.pt# 官方预训练模型（可选）├── requirements.txt# 依赖包列表├── setup.cfg# 环境配置└── README.md# 使用说明文档

✅ 三、核心代码：MainProgram.py（主界面）

# MainProgram.pyimportsysimporttimefromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QPushButton,QFileDialog,QVBoxLayout,QWidget,QHBoxLayout,QComboBox,QTextEditfromPyQt5.QtGuiimportQPixmap,QImagefromPyQt5.QtCoreimportQt,QTimerimportcv2importnumpyasnpfromultralyticsimportYOLOclassMainWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("基于深度学习的交通标志与行人车辆检测系统")self.setGeometry(100,100,1000,700)# 初始化模型self.model=YOLO('models/best.pt')# 加载训练好的模型self.cap=Noneself.timer=QTimer()self.timer.timeout.connect(self.update_frame)# 创建 UIself.init_ui()definit_ui(self):central_widget=QWidget()self.setCentralWidget(central_widget)layout=QVBoxLayout()# 图像显示区域self.image_label=QLabel("点击打开图片或摄像头")self.image_label.setAlignment(Qt.AlignCenter)self.image_label.setStyleSheet("border: 1px solid gray; background-color: white;")layout.addWidget(self.image_label)# 控制按钮区btn_layout=QHBoxLayout()self.btn_open_image=QPushButton("打开图片")self.btn_open_video=QPushButton("打开视频")self.btn_camera=QPushButton("打开摄像头")self.btn_stop=QPushButton("停止")self.btn_open_image.clicked.connect(self.open_image)self.btn_open_video.clicked.connect(self.open_video)self.btn_camera.clicked.connect(self.open_camera)self.btn_stop.clicked.connect(self.stop_capture)btn_layout.addWidget(self.btn_open_image)btn_layout.addWidget(self.btn_open_video)btn_layout.addWidget(self.btn_camera)btn_layout.addWidget(self.btn_stop)layout.addLayout(btn_layout)# 参数设置param_layout=QHBoxLayout()self.conf_threshold=QSpinBox()self.conf_threshold.setRange(0,100)self.conf_threshold.setValue(25)# 默认 0.25self.conf_threshold.setSuffix("%")self.iou_threshold=QSpinBox()self.iou_threshold.setRange(0,100)self.iou_threshold.setValue(45)# 默认 0.45self.iou_threshold.setSuffix("%")param_layout.addWidget(QLabel("置信度阈值:"))param_layout.addWidget(self.conf_threshold)param_layout.addWidget(QLabel("交并比阈值:"))param_layout.addWidget(self.iou_threshold)layout.addLayout(param_layout)# 检测结果展示result_layout=QVBoxLayout()self.result_label=QLabel("检测结果：")self.result_text=QTextEdit()self.result_text.setReadOnly(True)result_layout.addWidget(self.result_label)result_layout.addWidget(self.result_text)layout.addLayout(result_layout)central_widget.setLayout(layout)defopen_image(self):file_path,_=QFileDialog.getOpenFileName(self,"选择图片","","Image Files (*.jpg *.jpeg *.png)")iffile_path:self.process_image(file_path)defopen_video(self):file_path,_=QFileDialog.getOpenFileName(self,"选择视频","","Video Files (*.mp4 *.avi)")iffile_path:self.cap=cv2.VideoCapture(file_path)self.timer.start(30)self.btn_stop.setEnabled(True)defopen_camera(self):self.cap=cv2.VideoCapture(0)self.timer.start(30)self.btn_stop.setEnabled(True)defstop_capture(self):self.timer.stop()ifself.cap:self.cap.release()self.cap=Noneself.btn_stop.setEnabled(False)defprocess_image(self,image_path):img=cv2.imread(image_path)results=self.model(img,conf=self.conf_threshold.value()/100,iou=self.iou_threshold.value()/100)annotated_img=results[0].plot()self.display_image(annotated_img)self.show_results(results)defupdate_frame(self):ret,frame=self.cap.read()ifret:results=self.model(frame,conf=self.conf_threshold.value()/100,iou=self.iou_threshold.value()/100)annotated_frame=results[0].plot()self.display_image(annotated_frame)self.show_results(results)else:self.timer.stop()self.cap.release()self.cap=Nonedefdisplay_image(self,img):qimg=QImage(img.data,img.shape[1],img.shape[0],img.strides[0],QImage.Format_BGR888)pixmap=QPixmap.fromImage(qimg)self.image_label.setPixmap(pixmap.scaled(640,480,Qt.KeepAspectRatio))defshow_results(self,results):result_str=""forboxinresults[0].boxes:cls_id=int(box.cls.item())conf=float(box.conf.item())x1,y1,x2,y2=map(int,box.xyxy[0])label=self.model.names[cls_id]result_str+=f"类别:{label}, 置信度:{conf:.2f}, 位置: ({x1},{y1})~({x2},{y2})\n"self.result_text.setText(result_str)if__name__=='__main__':app=QApplication(sys.argv)window=MainWindow()window.show()sys.exit(app.exec_())

✅ 四、训练代码（train.py）

# train.pyfromultralyticsimportYOLO model=YOLO('yolov8n.pt')# 使用小模型适合交通图像results=model.train(data='datasets/data.yaml',epochs=100,imgsz=640,batch=16,name='traffic_detection',cache=True,device=0,workers=8,patience=10)

data.yaml示例

path:./datasetstrain:images/trainval:images/valtest:images/testnc:8names:['交通信号灯','停止信号','限速信号','人行横道信号','人行横道','行人','公交车','汽车','卡车']

✅ 五、依赖安装（requirements.txt）

PyQt5==5.15.9 opencv-python==4.8.0 ultralytics==8.3.0 numpy==1.24.0 torch==2.0.1+cu118 torchvision==0.15.2+cu118

安装命令：

pipinstall-r requirements.txt

✅ 六、使用说明

1. 将best.pt放入models/文件夹
2. 运行MainProgram.py启动 GUI
3. 点击“打开图片”或“打开摄像头”进行检测
4. 结果实时显示在界面中，支持保存

✅ 七、升级版功能（可选）