基于YOLOv8深度学习的路面标志线检测与识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。

✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~

👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】	10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】	12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】	14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】	16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】	18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】	20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】

二、机器学习实战专栏【链接】 ，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】

《------正文------》

基本功能演示

摘要：路面标志线检测与识别对于道路安全维护、交通流畅性提升和自动驾驶技术发展都具有关键性作用。正确的标志线识别能够协助司机作出合适的行驶决策，减少违章行为，避免交通事故。本文基于YOLOv8深度学习框架，通过2776张图片，训练了一个进行路面标志线检测与识别的目标检测模型，准确率高达92%。并基于此模型开发了一款带UI界面的路面标志线检测与识别系统，可用于实时检测场景中的路面标志线检测与识别，更方便进行功能的展示。该系统是基于python与PyQT5开发的，支持图片、视频以及摄像头进行目标检测，并保存检测结果。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。

文章目录

基本功能演示
前言
一、软件核心功能介绍及效果演示
二、模型的训练、评估与推理
- 1.YOLOv8的基本原理
- [2. 数据集准备与训练](#2. 数据集准备与训练)
- [3. 训练结果评估](#3. 训练结果评估)
- [4. 检测结果识别](#4. 检测结果识别)
【获取方式】
结束语

点击跳转至文末**《完整相关文件及源码》**获取

前言

路面标志线检测与识别对于道路安全维护、交通流畅性提升和自动驾驶技术发展都具有关键性作用。正确的标志线识别能够协助司机作出合适的行驶决策，减少违章行为，避免交通事故，比如区分公交专用车道、直行车道或转弯车道。此外，斑马线的检测有助于提醒驾驶员注意减速礼让行人，而自行车道的识别则可以提醒驾驶员保持对自行车骑行者的警惕。

在自动驾驶技术领域，路面标志线识别是保证自动驾驶系统安全导航的核心功能之一。自动驾驶车辆依赖于对标志线类型和路面状况的准确解读，才能做出正确的行驶决策，如保持车道、转弯或靠边停车。同时，该系统也可以用于智能交通监控系统中，辅助监控道路状况，评估交通设计是否合理，并根据实际车流量调整道路标线设计。

此外，城市规划和维护部门可以利用路面标志线检测与识别系统对城市路面状况进行智能化监控，及时发现和维修损坏的路面标志线，保障道路交通秩序、提升道路使用效率。在紧急情况或临时活动中，该系统也能够辅助交通管理人员快速绘制或更改临时交通标志线以适应特殊需求。

综上所述，路面标志线检测与识别系统不仅对个体驾驶者的行车安全至关重要，而且对智能交通系统的整体效率和未来自动驾驶车辆的成功商用发挥着决定性作用。

博主通过搜集不同路面标识线的相关数据图片，根据YOLOv8的目标检测技术，基于python与Pyqt5开发了一款界面简洁的路面标志线检测与识别系统，可支持图片、视频以及摄像头检测，同时可以将图片或者视频检测结果进行保存。

软件初始界面如下图所示：

检测结果界面如下：

一、软件核心功能介绍及效果演示

软件主要功能

1. 可进行13种路面标志线的检测与识别，分别为：['公交专用车道', '黄色标线', '直行车道', '转弯车道', '斑马线', '菱形', '慢行', '左转箭头', '直行箭头', '前进-左转箭头', '前进-右转箭头', '右转箭头', '自行车道']；
2. 支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
3. 界面可实时显示目标位置、目标总数、置信度、用时等信息;
4. 支持图片或者视频的检测结果保存；

（1）图片检测演示

点击图片图标，选择需要检测的图片，或者点击文件夹图标，选择需要批量检测图片所在的文件夹，操作演示如下：
点击目标下拉框后，可以选定指定目标的结果信息进行显示。 点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
注：1.右侧目标位置默认显示置信度最大一个目标位置。所有检测结果均在左下方表格中显示。
单个图片检测操作如下：

批量图片检测操作如下：

（2）视频检测演示

点击视频图标，打开选择需要检测的视频，就会自动显示检测结果。点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。

（3）摄像头检测演示

点击摄像头图标，可以打开摄像头，可以实时进行检测，再次点击摄像头图标，可关闭摄像头。

（4）保存图片与视频检测结果

点击保存按钮后，会将当前选择的图片【含批量图片】或者视频的检测结果进行保存。检测的图片与视频结果会存储在save_data目录下。

二、模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一种前沿的目标检测技术，它基于先前YOLO版本在目标检测任务上的成功，进一步提升了性能和灵活性。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。
其主要网络结构如下：

2. 数据集准备与训练

通过网络上搜集关于路面标志线的各类图片，并使用LabelMe标注工具对每张图片中的目标边框（Bounding Box）及类别进行标注。一共包含2776张图片，其中训练集包含2167张图片，验证集包含417张图片，测试集包含192张图片部分图像及标注如下图所示。

图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入RoadMarkingData目录下。

同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：

python 复制代码

train: E:\MyCVProgram\RoadMarkingsDetection\datasets\RoadMarkingData\train
val: E:\MyCVProgram\RoadMarkingsDetection\datasets\RoadMarkingData\valid
test: E:\MyCVProgram\RoadMarkingsDetection\datasets\RoadMarkingData\test

nc: 13
names: ["Bus lane", "Yellow marking", "Straight lane", "Turning lane", "Pedestrian crosswalk", "Diamond", "Slow", "Left turn arrow", "Straight ahead arrow", "Forward-left turn arrow", "Forward-right turn arrow", "Right turn arrow", "Bicycle lane"]

注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。

数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：

python 复制代码

# 加载模型
model = YOLO("yolov8n.pt")  # 加载预训练模型
# Use the model
if __name__ == '__main__':
    # Use the model
    results = model.train(data='datasets/RoadMarkingData/data.yaml', epochs=250, batch=4)  # 训练模型
    # 将模型转为onnx格式
    # success = model.export(format='onnx')

3. 训练结果评估

在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：

各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。
本文训练结果如下：

我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型两类目标检测的mAP@0.5已经达到了0.87以上，平均值为0.89，结果还是很不错的。

4. 检测结果识别

模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。

图片检测代码如下：

python 复制代码

# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/3_jpg.rf.98fff907698460f4b3ab53b06101bb61.jpg"

# 加载预训练模型
# conf	0.25	object confidence threshold for detection
# iou	0.7	intersection over union (IoU) threshold for NMS
model = YOLO(path, task='detect')
# model = YOLO(path, task='detect',conf=0.5)


# 检测图片
results = model(img_path)
res = results[0].plot()
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)

执行上述代码后，会将执行的结果直接标注在图片上，结果如下：

以上便是关于此款路面标志线检测与识别系统的原理与代码介绍。基于此模型，博主用python与Pyqt5开发了一个带界面的软件系统，即文中第二部分的演示内容，能够很好的支持图片、视频及摄像头进行检测，同时支持检测结果的保存。

关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、测试图片视频等相关文件，均已打包上传，感兴趣的小伙伴可以通过下载链接自行获取。

【获取方式】

关注下方名片G-Z-H：【阿旭算法与机器学习】，回复【软件】即可获取下载方式

本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频 等（见下图），获取方式见文末：

注意：该代码基于Python3.9开发，运行界面的主程序为MainProgram.py，其他测试脚本说明见上图。为确保程序顺利运行，请按照程序运行说明文档txt配置软件运行所需环境。

关注下方名片GZH:【阿旭算法与机器学习】，回复【软件】即可获取下载方式

结束语

以上便是博主开发的基于YOLOv8深度学习的路面标志线检测与识别系统的全部内容，由于博主能力有限，难免有疏漏之处，希望小伙伴能批评指正。
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

觉得不错的小伙伴，感谢点赞、关注加收藏哦！