基于YOLOv8行人车辆检测系统

本项目面向道路交通场景中的行人与车辆目标检测任务，完成 YOLOv8 与 Faster R-CNN 两类检测模型的训练、评估、可视化对比，并集成 PyQt5 桌面端检测系统。系统支持图片检测、视频检测、摄像头实时检测、检测数量统计、历史记录保存以及 CSV / JSON 数据导出。

项目概述

项目以行人和车辆两类目标为检测对象，围绕模型训练、效果评估、模型对比和桌面端应用四个部分展开：

• 使用 YOLOv8s 完成单阶段目标检测训练，默认作为桌面端系统的推理模型。

• 使用 Faster R-CNN ResNet50 FPN 完成两阶段检测模型训练，用于和 YOLOv8 进行性能对比。

• 保存训练日志、指标 CSV、训练曲线、混淆矩阵、PR 曲线、F1 曲线等结果文件。

• 基于 PyQt5 构建图形界面，提供图片、视频、摄像头三种检测入口。

• 检测结果包含目标框、类别、置信度、行人数、车辆数和总目标数。

默认桌面端入口为detection_ui.py，默认加载权重为：

runs/detect/person_car_detect/weights/best.pt

数据集说明

本项目使用 YOLO 标注格式的数据集，检测类别为person和car。当前交付目录主要包含训练产物、模型权重和系统代码，若需要重新训练，需要准备或补齐data数据集目录。

数据集结构

Faster R-CNN 训练脚本默认读取如下目录结构，YOLOv8 训练也可按相同数据划分准备data.yaml：

data/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 └── labels/ ├── train/ # 训练集标注 └── val/ # 验证集标注

标注格式

标注文件为 YOLO 格式，每张图片对应一个同名.txt文件，每行表示一个目标：

class_id x_center y_center width height

字段说明：

数据统计

根据当前项目中的 YOLOv8 训练日志，验证阶段数据统计如下：

说明：当前 README 只记录训练日志和项目文件中能够确认的数据。若后续替换数据集，请以实际data/目录和data.yaml为准同步更新本节。

模型方案

YOLOv8 检测模型

YOLOv8 是本项目桌面端默认使用的检测模型，适合实时检测场景。其整体流程如下：

输入图像 │ ▼ YOLOv8 Backbone 特征提取 │ ▼ Neck 多尺度特征融合 │ ▼ Detect Head 输出目标框、类别和置信度 │ ▼ NMS 后处理 │ ▼ 行人 / 车辆检测结果

本项目中 YOLOv8 的主要作用：

• 训练person、car两类目标检测权重。

• 提供桌面端图片、视频和摄像头实时检测能力。

• 输出检测框、类别标签、置信度和数量统计。

• 生成混淆矩阵、PR 曲线、F1 曲线、训练结果曲线等可视化文件。

Faster R-CNN 检测模型

Faster R-CNN 用于模型对比实验和批量图片检测。项目采用 TorchVision 中的 Faster R-CNN ResNet50 FPN，并将分类头替换为 3 类输出：

输入图像 │ ▼ ResNet50 + FPN 特征提取 │ ▼ RPN 候选框生成 │ ▼ RoI Align 特征对齐 │ ▼ 分类分支 + 边界框回归分支 │ ▼ 置信度过滤与结果输出

Faster R-CNN 训练时会将 YOLO 标注转换为x_min, y_min, x_max, y_max格式，并将类别编号转换为 TorchVision 检测模型所需的标签编号，其中0作为背景类，1表示行人，2表示车辆。

训练过程

YOLOv8 训练流程

1. 读取数据集配置文件data.yaml。

1. 加载yolov8s.pt预训练权重。

1. 按 640 x 640 输入尺寸进行训练。

1. 使用 YOLOv8 默认检测损失，包括边界框损失、分类损失和 DFL 损失。

1. 训练过程中保存best.pt和last.pt。

1. 训练结束后在验证集上评估 Precision、Recall、mAP50、mAP50-95。

当前训练配置记录在：

runs/detect/person_car_detect/args.yaml

Faster R-CNN 训练流程

1. 读取data/images/train、data/labels/train作为训练集。

1. 读取data/images/val、data/labels/val作为验证集。

1. 加载 COCO 预训练权重：

fasterrcnn/fasterrcnn_resnet50_fpn_coco-258fb6c6.pth

1. 替换检测头，使模型输出背景、行人、车辆 3 类。

1. 使用 SGD 优化器和 StepLR 学习率衰减策略训练 100 轮。

1. 每轮训练后计算 Precision、Recall、F1。

1. 按 F1 分数保存最优模型best.pth，同时保存最后一轮模型last.pth。

1. 输出训练日志、CSV 指标、JSON 历史记录和可视化曲线。

训练参数

YOLOv8 参数

Faster R-CNN 参数

训练结果

YOLOv8 验证结果

YOLOv8 最优权重为：

runs/detect/person_car_detect/weights/best.pt

整体结果：

分类别结果：

Faster R-CNN 训练结果

Faster R-CNN 最优权重为：

runs/fasterrcnn/person_car_detect/weights/best.pth

最佳性能出现在第 78 轮：

最终第 100 轮结果：

模型对比

综合当前训练结果，YOLOv8 更适合作为桌面端实时检测模型；Faster R-CNN 在召回率上更高，适合对漏检更敏感的离线检测或对比实验。

可视化结果说明

YOLOv8 可视化文件

目录：

runs/detect/person_car_detect/

Faster R-CNN 可视化文件

目录：

runs/fasterrcnn/person_car_detect/

模型对比文件

目录：

runs/comparison/

桌面端系统功能

桌面端系统入口：

detection_ui.py

图片检测

• 支持选择本地单张图片进行目标检测。

• 显示带检测框的结果图。

• 统计行人数量、车辆数量和总目标数量。

• 展示每个检测目标的类别和置信度。

• 图片检测结果会写入detection_history.json。

视频检测

• 支持选择本地视频文件。

• 对视频帧逐帧执行 YOLOv8 检测。

• 实时刷新检测画面和数量统计。

• 可在界面中停止当前检测任务。

摄像头检测

• 支持选择摄像头编号 0、1、2。

• 调用本机摄像头进行实时行人车辆检测。

• 实时显示检测框、类别、置信度和数量统计。

历史记录

• 历史记录保存在detection_history.json。

• 支持在界面中查看检测时间、输入来源、行人数、车辆数和总数。

• 支持导出为 CSV。

• 支持导出为 JSON。

技术栈

项目结构

c88/ ├── detection_ui.py # PyQt5 桌面端主程序，默认加载 YOLOv8 best.pt ├── detection_history.json # 图片检测历史记录 ├── train_fasterrcnn.py # Faster R-CNN 训练脚本 ├── detect_fasterrcnn.py # Faster R-CNN 批量检测脚本 ├── fasterrcnn_config.py # Faster R-CNN 训练配置 ├── visualize_fasterrcnn_results.py # Faster R-CNN 训练曲线和摘要生成脚本 ├── compare_models.py # YOLOv8 与 Faster R-CNN 指标对比脚本 ├── redraw_epoch_plots.py # 根据 CSV 重新绘制训练图表 ├── requirements_fasterrcnn.txt # Faster R-CNN 训练相关依赖 ├── 训练日志.txt # YOLOv8 训练日志 ├── yolov8s.pt # YOLOv8s 预训练权重 ├── yolov8s-cls.pt # YOLOv8 分类权重文件 ├── yolo11n.pt # YOLO 系列权重文件 ├── yolo11m.pt # YOLO 系列权重文件 ├── fasterrcnn/ │ └── fasterrcnn_resnet50_fpn_coco-258fb6c6.pth │ # Faster R-CNN COCO 预训练权重 ├── runs/ │ ├── detect/person_car_detect/ │ │ ├── weights/ │ │ │ ├── best.pt # YOLOv8 最优权重，桌面端默认加载 │ │ │ └── last.pt # YOLOv8 最后一轮权重 │ │ ├── results.csv # YOLOv8 每轮训练指标 │ │ └── *.png / *.jpg # YOLOv8 训练与验证可视化结果 │ ├── fasterrcnn/person_car_detect/ │ │ ├── weights/ │ │ │ └── best.pth # Faster R-CNN 最优权重 │ │ ├── results.csv # Faster R-CNN 每轮训练指标 │ │ ├── training_history.json # Faster R-CNN 训练历史 │ │ ├── training_results.png # Faster R-CNN 训练曲线 │ │ └── summary_report.txt # Faster R-CNN 训练摘要 │ └── comparison/ │ ├── model_comparison.png # 两类模型对比图 │ ├── comparison_report.txt # 两类模型对比报告 │ └── comparison_data.json # 两类模型对比数据 ├── vis_output/ # 检测可视化输出图片 └── data/ # 重新训练时需要准备的数据集目录

环境准备与启动

1. 创建 Python 环境

建议使用 Python 3.9，并优先使用独立虚拟环境。

cd <项目根目录>

2. 安装依赖

先安装 Faster R-CNN 训练依赖：

python -m pip install -r requirements_fasterrcnn.txt

再安装桌面端和 YOLOv8 推理所需依赖：

python -m pip install ultralytics PyQt5 opencv-python

如需使用 GPU，请确保本机 PyTorch、CUDA 和显卡驱动版本匹配。

3. 启动桌面端系统

python .\detection_ui.py

启动后可在界面中选择：

• 图片检测

• 视频检测

• 摄像头检测

• 历史记录查看与导出

4. 重新训练 YOLOv8

如果需要重新训练 YOLOv8，请先准备数据集和data.yaml，再执行：

yolo detect train model=yolov8s.pt data=<数据集目录>\data.yaml epochs=100 batch=16 imgsz=640 project=runs/detect name=person_car_detect

训练完成后，桌面端默认读取：

runs/detect/person_car_detect/weights/best.pt

5. 训练 Faster R-CNN

请先按 数据集结构 准备data/目录，然后执行：

python .\train_fasterrcnn.py

训练输出目录：

runs/fasterrcnn/person_car_detect/

6. Faster R-CNN 批量检测

python .\detect_fasterrcnn.py --weights runs/fasterrcnn/person_car_detect/weights/best.pth --source data/images/val --output runs/fasterrcnn/detect --conf 0.5

参数说明：

7. 生成可视化和对比结果

生成 Faster R-CNN 训练图表和摘要：

python .\visualize_fasterrcnn_results.py

生成 YOLOv8 与 Faster R-CNN 对比图表：

python .\compare_models.py

根据现有 CSV 重新绘制训练图：

python .\redraw_epoch_plots.py

本项目为个人原创，结构清晰，功能完整，适合计算机视觉方向课程设计、毕业设计和项目演示使用。有定制化需求可以评论或私信作者。

作者原创项目地址：michael-jay.pages.dev/projects.html