【YOLO数据集】国内交通信号检测

📥 1、背景

在智慧城市与智能交通系统快速发展的时代背景下，交通信号的高效、准确识别已成为提升道路安全、优化交通流管理与推动自动驾驶技术落地的关键环节。当前，随着我国机动车保有量持续增长与城市道路复杂度日益提升，传统的交通信号控制与人工监管模式在实时性、自适应性与大规模覆盖方面面临严峻挑战。与此同时，深度学习与计算机视觉技术的突破性进展，为目标检测技术在交通场景中的应用提供了坚实的技术基础。针对国内特有的交通环境------如多样化的信号灯制式、复杂的气候与光照条件、密集的车流与人流干扰以及极具中国特色的道路结构与交通标识体系------开展高鲁棒性、高精度的交通信号目标检测研究，不仅具有重要的理论价值，更是实现智能化交通感知、建设新一代交通基础设施的迫切工程需求。本研究旨在通过探索适应国内实际路况的检测模型，为构建更安全、高效、自主的交通环境提供有效的技术支撑。

📌 2、数据集概览

项目	内容
数据集名称	国内交通信号数据集
任务类型	目标检测（Object Detection）
类别	58个分类
标注格式	YOLO TXT 格式（`<类别> <中心x> <中心y> <宽度> <高度>`，坐标和尺寸均为相对于图像宽高的归一化值（0-1））
图片总数	5998
标注总数	6164

🗂 3、数据详情

类别ID	类别名称	图片数量	标注数量
0	限速5	132	132
1	限速15	52	52
2	限速30	104	140
3	限速40	318	344
4	限速50	156	156
5	限速60	244	244
6	限速70	108	108
7	限速80	202	202
8	禁止直行或左转	22	22
9	禁止直行和右转	2	2
10	禁止直行	130	130
11	禁止左转	246	268
12	禁止左转和右转	118	118
13	禁止右转	128	128
14	禁止超车	140	140
15	禁止掉头	58	58
16	禁止机动车通行	218	218
17	禁止鸣笛	192	214
18	解除限速40	8	8
19	解除限速50	4	4
20	允许直行和右转	20	20
21	允许直行	24	24
22	允许左转	26	26
23	允许左转和右转	16	24
24	允许右转	112	126
25	靠道路左侧行驶	4	4
26	靠道路右侧行驶	260	260
27	环岛行驶	52	52
28	允许机动车通行	514	514
29	允许鸣笛	70	70
30	允许非机动车行驶	184	184
31	允许掉头	60	60
32	左右绕行	16	16
33	注意信号灯	4	4
34	注意危险	30	34
35	注意行人	202	202
36	注意非机动车	44	52
37	注意儿童	84	84
38	向右急弯	70	70
39	向左急弯	64	64
40	下坡路	40	40
41	上坡路	26	26
42	慢行	50	50
43	T型交叉路口	188	198
44	T型交叉路口	54	54
45	村庄	26	26
46	反向弯路	32	32
47	无人看守铁道路口	22	22
48	小心施工	16	16
49	连续急弯	84	84
50	有人看守铁道路口	76	76
51	事故多发地	12	12
52	停车让行	50	66
53	禁止通行	4	4
54	禁止停车	500	500
55	禁止驶入	220	220
56	减速让行	150	150
57	停车检查	10	10
总计	-	5998	6164

✨ 4、效果演示

🧠 5、模型训练

1、安装miniconda

地址： https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe

环境变量（根据实际的安装目录配置）：

复制代码

C:\ProgramData\miniconda3 
C:\ProgramData\miniconda3\Scripts 
C:\ProgramData\miniconda3\Library\bin

2、创建虚拟环境

shell 复制代码

conda create -n yolo python==3.8
# 查看现有环境
conda env list
# 激活环境 
conda activate yolo
# 激活失败 （执行该命令后重新进入cmd）
conda init cmd.exe

3、源码下载

https://github.com/ultralytics/ultralytics

（注意：不同版本的yolo在不同tag）

4、训练脚本

python 复制代码

import warnings  
warnings.filterwarnings('ignore')  
from ultralytics import YOLO  
  
if __name__ == '__main__':  
    model = YOLO('ultralytics/cfg/models/v8/yolov8n.pt')  # 指定YOLO模型对象，并加载指定配置文件中的模型配置  
    # model.load('yolov8s.pt')      #加载预训练的权重文件'yolov8s.pt'，加速训练并提升模型性能  
    model.train(data='ultralytics/cfg/datasets/data36.yaml',  # 指定训练数据集的配置文件路径，这个.yaml文件包含了数据集的路径和类别信息  
                cache=False,  # 是否缓存数据集以加快后续训练速度，False表示不缓存  
                imgsz=640,  # 指定训练时使用的图像尺寸，640表示将输入图像调整为640x640像素  
                epochs=100,  # 设置训练的总轮数为200轮  
                batch=8,  # 设置每个训练批次的大小为16，即每次更新模型时使用16张图片  
                close_mosaic=0,  # 设置在训练结束前多少轮关闭 Mosaic 数据增强，10 表示在训练的最后 10 轮中关闭 Mosaic                workers=16,  # 设置用于数据加载的线程数为8，更多线程可以加快数据加载速度  
                patience=300,  # 在训练时，如果经过50轮性能没有提升，则停止训练（早停机制）  
                device='0',  # 指定使用的设备，'0'表示使用第一块GPU进行训练  
                optimizer='SGD',  # 设置优化器为SGD（随机梯度下降），用于模型参数更新  
                )

5、配置文件 data.yaml

yaml 复制代码

path: Chinese Traffic Signs
train: images/train
val: images/val
nc: 58
names: ["限速5", "限速15", "限速30", "限速40", "限速50", "限速60", "限速70", "限速80", "禁止直行或左转", "禁止直行和右转", "禁止直行",
        "禁止左转", "禁止左转和右转", "禁止右转", "禁止超车", "禁止掉头", "禁止机动车通行", "禁止鸣笛", "解除限速40", "解除限速50", "允许直行和右转",
        "允许直行", "允许左转", "允许左转和右转", "允许右转", "靠道路左侧行驶", "靠道路右侧行驶", "环岛行驶", "允许机动车通行", "允许鸣笛", "允许非机动车行驶",
        "允许掉头", "左右绕行", "注意信号灯", "注意危险", "注意行人", "注意非机动车", "注意儿童", "向右急弯", "向左急弯", "下坡路",
        "上坡路", "慢行", "T型交叉路口", "T型交叉路口", "村庄", "反向弯路", "无人看守铁道路口", "小心施工", "连续急弯", "有人看守铁道路口",
        "事故多发地", "停车让行", "禁止通行", "禁止停车", "禁止驶入", "减速让行", "停车检查"
       ]

🛠 6、配套服务

我们提供一站式视觉解决方案，包括：

模型训练与调优指导
部署环境远程配置
定制标注与数据增强
毕业设计/课题辅导
企业项目合作开发

❓ 7、常见问题

Q：标注格式如何转换？

A：提供Python转换脚本，支持YOLO→VOC/COCO，开箱即用：点击下载转换脚本