YOLOv8 模型训练轨道交通障碍物检测数据集 通过训练出的轨道交通安全道路障碍物数据集的权重 建立深度学习铁路轨道障碍物检测系统

YOLOv8 模型训练轨道交通障碍物检测数据集 通过训练出的轨道交通安全道路障碍物数据集的权重 建立深度学习铁路轨道障碍物检测系统

📊 一、数据集概览

🧱 二、数据准备与组织结构

✅ 1. 数据目录结构

确保你的数据集按如下结构组织：

railway_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/

每个图像文件对应一个.txt文件（YOLO 格式），内容为：

class_id x_center y_center width height

其中class_id范围是 0~7，对应以下类别：

names:-person-car-bus-truck-other-vehicles-turnout-train-bicycle-animal

✅ 2. 创建 data.yaml 文件

创建一个名为data.yaml的配置文件，用于 YOLOv8 训练：

train:railway_dataset/images/train/val:railway_dataset/images/val/test:railway_dataset/images/test/nc:8names:['person','car','bus-truck','other-vehicles','turnout','train','bicycle','animal']

🛠️ 三、环境搭建

安装 Ultralytics YOLOv8 环境：

# 克隆仓库gitclone https://github.com/ultralytics/ultralytics.gitcdultralytics# 安装依赖pipinstall-rrequirements.txt

🚀 四、模型训练

使用命令行进行训练：

yolo traindata=data.yamlmodel=yolov8s.ptepochs=100batch=16imgsz=640

参数说明：

🔍 五、推理与结果展示

✅ 单张图像推理：

fromultralyticsimportYOLO# 加载最佳模型model=YOLO('runs/train/exp/weights/best.pt')# 推理单张图像results=model('test_images/railway_001.jpg')# 显示结果forrinresults:print(r.boxes)# 输出预测框信息annotated_img=r.plot()cv2.imshow("Detection",annotated_img)cv2.waitKey(0)

✅ 视频流实时检测：

defdetect_video(source=0):cap=cv2.VideoCapture(source)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=model(frame)annotated_frame=results[0].plot()cv2.imshow("Real-time Railway Detection",annotated_frame)ifcv2.waitKey(1)==27:# ESC键退出breakcap.release()cv2.destroyAllWindows()

📈 六、性能评估

使用验证命令评估 mAP、Recall、Precision 等指标：

yolo valdata=data.yamlmodel=runs/train/exp/weights/best.ptimgsz=640

输出包括：

• mAP@0.5
• mAP@0.5:0.95
• Precision / Recall 曲线
• F1-score

📦 七、模型导出

将模型导出为 ONNX、TensorRT 或 OpenVINO 等格式以便部署：

yoloexportmodel=runs/train/exp/weights/best.ptformat=onnx

支持格式：onnx,engine,coreml,tflite,pb,pt等

🧪 八、推荐训练技巧

📌 九、总结