Passing Rules

一种基于 YOLOv8 的路口交通信号灯通行规则识别模型及算法

项目简介

在本项目中，通行规则识别自上而下共分为以下四个步骤：

1. 目标检测，采用 YOLOv8 目标检测模型，识别图像中交通信号灯的位置及颜色。

2. 过滤筛选，对检测出的交通信号灯采用改进的层次聚类算法进行聚类，以加权的欧氏距离和尺寸差值作为相似度度量，以一定的相似度阈值作为停止条件，从而筛选出最有可能表示当前通行规则的信号灯组。

3. 信号分类，对当前交通信号灯组中的所有信号灯，分别采用 YOLOv8 图像分类模型，将其表示的信号分为直行（straight）、左转（left）、右转（right）和全部（full）四类。

4. 规则解析，对分类后的交通信号灯组，解析其表示的通行规则（即能否直行、能否左转和能否右转），有两种可选的解析策略：  

   • 保守策略，黄灯视为红灯，若无明确表示可通行则视为不可通行。
   • 激进策略，黄灯视为绿灯，若无明确表示不可通行则视为可通行。

   对于大部分交通信号明确的情况下，两种策略的解析结果相同。此外，对于以上两种策略，若无明确信号右转默认视为允许通行。

效果展示

性能评估

在 640x480 的图像输入下，采用 PyTorch 平均推理一张图片的耗时约为 120ms，采用 ONNX Runtime 推理平均耗时约为 50ms（CPU：11th Intel Core i5-1155G7 2.50GHz，Model：YOLOv8n）。

在当前数据集下信号灯目标检测指标：

P	R	mAP50	mAP50-95
0.921	0.947	0.971	0.791

同时在当前数据集下信号分类准确率接近 100%，模型的整体准确率暂未量化评估。

注：本项目主要用于学习和可行性研究，训练用的数据集规模较小，在真实环境下的鲁棒性可能不够理想。

使用说明

首先安装环境依赖包，项目目前采用 ONNX Runtime 部署模型。

pip install -r requirements.txt

运行以上命令将会安装 OpenCV-Python、NumPy 和 ONNX Runtime 的依赖，若需要使用 GPU 进行推理，则需要安装：

pip install onnxruntime-gpu

分别准备好用于存放待识别图像和输出结果两个空目录，将所有待识别的图像放入待识别图像目录下，也可使用默认的目录，要求图像尺寸为 640x480，运行 main.py 即可。

python main.py

主程序 main.py 支持的命令行参数：

参数名	描述	数据类型	默认值
--source_path	待识别图像路径	str	'images'
--result_path	输出结果路径	str	'results'
--conf_threshold	交通信号灯目标检测置信度阈值	float	0.25
--iou_threshold	交通信号灯目标检测非极大值抑制 IoU 阈值	float	0.45
--filter_weights	过滤器聚类权重系数，为一个三元组，依次为 x 轴权重、y 轴权重和尺寸权重	(float, float, float)	(0.05, 5, 2)
--filter_threshold	过滤器聚类停止阈值	float	40
--device	推理设备，'CPU' 或 'GPU'	str	'CPU'
--precision	推理运算精度，'fp32'（单精度）或 'fp16'（半精度）	str	'fp32'
--strategy	通行规则识别策略，'conservative'（保守策略） 或 'radical'（激进策略）	str	'conservative'
--plotting	是否绘制识别结果到图像	bool	True

如果需要使用自己的数据集训练模型，则需要安装 ultralytics 框架，参照 detector/datasets 和 classifier/datasets 中数据集的结构配置以及 Ultralytics 官方文档 进行模型的训练，最后将模型转换为 ONNX 格式进行部署即可。

pip install ultralytics