一种基于 YOLOv8 的路口交通信号灯通行规则识别模型及算法
在本项目中,通行规则识别自上而下共分为以下四个步骤:
-
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。
-
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。
-
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。
-
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。
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。
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