视频演示
基于深度学习的交通事故检测系统演示与介绍
目录
[1. 前言](#1. 前言)
[2. 项目演示](#2. 项目演示)
[2.1 用户登录界面](#2.1 用户登录界面)
[2.2 新用户注册](#2.2 新用户注册)
[2.3 主界面布局](#2.3 主界面布局)
[2.4 个人信息管理](#2.4 个人信息管理)
[2.5 多模态检测展示](#2.5 多模态检测展示)
[2.6 检测结果保存](#2.6 检测结果保存)
[2.7 多模型切换](#2.7 多模型切换)
[4. 技术栈](#4. 技术栈)
[5. YOLO模型对比与识别效果解析](#5. YOLO模型对比与识别效果解析)
[5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比](#5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比)
[5.2 数据集分析](#5.2 数据集分析)
[5.3 训练结果](#5.3 训练结果)
[6. 源码获取方式](#6. 源码获取方式)
1. 前言
大家好！欢迎来到Coding茶水间。今天我们将深入探讨一个极具现实意义的技术方案------基于YOLO算法的交通事故检测系统 。在正式演示前，不妨先聊聊这个领域的现状与挑战：随着城市化进程加快，道路交通事故频发已成为威胁公共安全的重要隐患。传统交通事故监控依赖人工巡检或简单视频回放，不仅效率低下（漏检率高、响应滞后），更难以应对海量交通数据的实时分析需求；现有部分自动化检测系统虽引入了基础算法，却普遍存在场景适配单一 （仅支持图片或视频其一）、功能碎片化 （缺乏严重程度分级、结果可视化与导出能力）、用户体验薄弱（参数调节复杂、无交互反馈）等问题，难以满足交管部门、物流企业等对"精准、高效、易用"检测工具的迫切期待。
正是在这样的背景下，我们这套基于YOLO算法的交通事故检测系统应运而生。它以YOLO系列算法的高效目标检测能力为核心，突破传统方案局限：支持图片、视频、文件夹批量图片、实时摄像头流等多场景检测，不仅能快速识别画面中是否存在交通事故，更能通过模型优化实现对"中度事故""重度事故"的精准分级；系统界面采用模块化设计，左侧功能按钮区集成模型加载、数据源选择与结果保存，中间区域提供置信度/交并比参数动态调节、检测耗时与目标统计实时反馈，右侧类别统计与详情展示区让数据一目了然，辅以语音播报、登录权限管理、脚本化检测（无需界面操作）及模型训练脚本（支持自定义数据集与参数），真正实现了"检测-分析-管理-迭代"的全流程闭环。
从现场演示可见，无论是单张图片的即时判定、视频流的逐帧分析，还是文件夹批量处理与实时摄像头监控，系统均能稳定输出带标注结果的可视化内容，并支持数据表格导出与历史记录追溯；而训练脚本的加入，更让非专业用户也能基于自有数据集优化模型，适配不同道路场景（如高速、城市道路、停车场）。这套系统不仅是对YOLO算法落地应用的探索，更是为交通事故"早发现、早预警、早处置"提供了轻量化、智能化的技术工具，有望在智慧交通、安防监控等领域发挥实际价值。
接下来，让我们通过详细的功能演示，一起感受这套系统如何将"技术赋能安全"的理念落到实处。
2. 项目演示
2.1 用户登录界面
登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。
2.2 新用户注册
注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。
2.3 主界面布局
主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。
2.4 个人信息管理
用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。
2.5 多模态检测展示
系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并且带有语音播报提醒，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。
2.6 检测结果保存
可以将检测后的图片、视频进行保存，生成新的图片和视频，新生成的图片和视频中会带有检测结果的标注信息，并且还可以将所有检测结果的数据信息保存到excel中进行，方便查看检测结果。
2.7 多模型切换
系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。
3.模型训练核心代码
本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。
python
# -*- coding: utf-8 -*-
"""
该脚本用于执行YOLO模型的训练。
它会自动处理以下任务：
1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。
2. 从 'pretrained' 文件夹加载指定的预训练模型。
3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。
要开始训练，只需直接运行此脚本。
"""
import os
import yaml
from pathlib import Path
from ultralytics import YOLO
def main():
"""
主训练函数。
该函数负责执行YOLO模型的训练流程，包括：
1. 配置预训练模型。
2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。
3. 加载预训练模型。
4. 使用指定参数开始训练。
"""
# --- 1. 配置模型和路径 ---
# 要训练的模型列表
models_to_train = [
{'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'},
{'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'},
{'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'},
{'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'}
]
# 获取当前工作目录的绝对路径，以避免相对路径带来的问题
current_dir = os.path.abspath(os.getcwd())
# --- 2. 动态配置数据集YAML文件 ---
# 构建数据集yaml文件的绝对路径
data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml')
# 读取原始yaml文件内容
with open(data_yaml_path, 'r', encoding='utf-8') as f:
data_config = yaml.safe_load(f)
# 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径
# 这是为了确保ultralytics库能正确定位到训练、验证和测试集
data_config['path'] = os.path.join(current_dir, 'train_data')
# 将修改后的配置写回yaml文件
with open(data_yaml_path, 'w', encoding='utf-8') as f:
yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True)
# --- 3. 循环训练每个模型 ---
for model_info in models_to_train:
model_name = model_info['name']
train_name = model_info['train_name']
print(f"\n{'='*60}")
print(f"开始训练模型: {model_name}")
print(f"训练名称: {train_name}")
print(f"{'='*60}")
# 构建预训练模型的完整路径
pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name)
if not os.path.exists(pretrained_model_path):
print(f"警告: 预训练模型文件不存在: {pretrained_model_path}")
print(f"跳过模型 {model_name} 的训练")
continue
try:
# 加载指定的预训练模型
model = YOLO(pretrained_model_path)
# --- 4. 开始训练 ---
print(f"开始训练 {model_name}...")
# 调用train方法开始训练
model.train(
data=data_yaml_path, # 数据集配置文件
epochs=100, # 训练轮次
imgsz=640, # 输入图像尺寸
batch=8, # 每批次的图像数量
name=train_name, # 模型名称
)
print(f"{model_name} 训练完成！")
except Exception as e:
print(f"训练 {model_name} 时出现错误: {str(e)}")
print(f"跳过模型 {model_name}，继续训练下一个模型")
continue
print(f"\n{'='*60}")
print("所有模型训练完成！")
print(f"{'='*60}")
if __name__ == "__main__":
# 当该脚本被直接执行时，调用main函数
main()4. 技术栈
-
语言：Python 3.10
-
前端界面：PyQt5
-
数据库：SQLite（存储用户信息）
-
模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12
5. YOLO模型对比与识别效果解析
5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比
基于Ultralytics官方COCO数据集训练结果：
| 模型 | 尺寸(像素) | mAPval 50-95 | 速度(CPU ONNX/毫秒) | 参数(M) | FLOPs(B) |
|---|---|---|---|---|---|
| YOLO12n | 640 | 40.6 | - | 2.6 | 6.5 |
| YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 2.6 | 6.5 |
| YOLOv8n | 640 | 37.3 | 80.4 | 3.2 | 8.7 |
| YOLOv5nu | 640 | 34.3 | 73.6 | 2.6 | 7.7 |
关键结论：
-
精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；
-
速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；
-
效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。
综合推荐：
-
追求高精度：优先选YOLO12n（精度与效率兼顾）；
-
需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；
-
YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。
5.2 数据集分析
数据集中训练集和验证集一共12,000张图片，数据集目标类别两种：正常肾脏，肾结石，数据集配置代码如下：
train: ../train/images
val: ../valid/images
test: ../test/images
path: ../data
nc: 2
names: ['Moderate', 'Severe']
上面的图片就是部分样本集训练中经过数据增强后的效果标注。
5.3 训练结果
混淆矩阵显示中识别精准度显示是一条对角线，方块颜色越深代表对应的类别识别的精准度越高。
F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。
当置信度为0.660时，所有类别的综合F1值达到了0.98（蓝色曲线）。
mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。
图中可以看到综合mAP@0.5达到了0.984（98.4%），准确率非常高。