YOLOv9目标检测实战：用Python搭建你的第一个实时交通监控系统

文章目录

加载预训练模型
测试一张图片
显示结果
- 四、核心改造：做成实时交通监控
[1. 加载YOLOv9轻量模型](#1. 加载YOLOv9轻量模型)
[2. 设置视频源：0是电脑摄像头，换成视频路径就是本地视频](#2. 设置视频源：0是电脑摄像头，换成视频路径就是本地视频)
[3. 视频保存设置（可选）](#3. 视频保存设置（可选）)
[4. 交通目标类别：只检测车辆、行人、自行车](#4. 交通目标类别：只检测车辆、行人、自行车)
释放资源
- 五、参数微调：让监控更准更快
- 六、进阶小功能：让监控更实用
- - [1. 拥堵提醒](#1. 拥堵提醒)
  - [2. 时间戳显示](#2. 时间戳显示)
- 七、常见问题：踩过的坑都给你填好
- 八、项目拓展：想升级就这么改
- 九、总结：新手也能搞定AI监控

目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步，增强我国的AI竞争力。想要系统学习AI知识的朋友可以看看我精心打磨的教程 http://blog.csdn.net/jiangjunshow，教程通俗易懂，高中生都能看懂，还有各种段子风趣幽默，从深度学习基础原理到各领域实战应用都有讲解，我22年的AI积累全在里面了。注意，教程仅限真正想入门AI的朋友，否则看看零散的博文就够了。

前言

大家好，今天咱们用最接地气的方式，从零搭一个能实时看车、看人的交通监控小系统，全程不用复杂数学，不用啃大部头论文，复制粘贴改一改就能跑通。

先唠两句为啥选YOLOv9。它就像AI视觉里的"全能外卖员"，跑得快、看得准、还不挑设备，不管是路口车流、小区行人，都能稳稳抓住。咱们今天做的交通监控，就是用它识别车辆、行人、自行车这些交通里常见的目标，实时画框、统计数量，最后还能把画面存下来，新手也能直接落地。

整个流程分五步：准备环境→装依赖→跑通demo→改造成交通监控→优化上线，每一步都给你拆成大白话，跟着做就行。

一、前期准备：别慌，就装俩工具

首先得有Python，建议3.8以上版本，3.10最稳，兼容性拉满。不用懂环境配置，就像装手机APP一样简单。

然后是代码编辑器，VSCode就行，免费好用，打开就能写代码。

重点说下虚拟环境，这东西就像你的"专属工具箱"，把项目用到的库都装在这里面，不会和电脑里其他软件冲突。打开命令行，输入下面两行，一键创建并进入环境：

python -m venv yolov9_traffic

yolov9_traffic\Scripts\activate（Windows）

source yolov9_traffic/bin/activate（Mac/Linux）

看到命令行前面多了(yolov9_traffic)，就说明进对地方了。

二、一键装依赖：复制粘贴就完事

环境准备好了，接下来装干活的库。YOLOv9现在有Ultralytics封装好的包，不用自己编译，不用下一堆源码，一行命令搞定所有依赖，包括PyTorch、OpenCV这些核心工具，相当于给系统装完"驱动"。

pip install ultralytics opencv-python

等个一两分钟，所有库自动装好，不用管版本冲突，不用手动配置CUDA，CPU就能跑，有GPU的话会自动加速，简直是新手福音。

这里给大家科普下，Ultralytics是现在YOLO系列最常用的封装工具，2025-2026年更新到了最新版，完美支持YOLOv9，咱们不用管底层原理，调用接口就能用，就像用手机相机拍照，不用懂相机内部构造。

三、先跑通demo：确认环境没毛病

装完依赖，先跑个小demo，确保环境没问题。新建一个Python文件，叫test.py，复制下面代码：

from ultralytics import YOLO

加载预训练模型

model = YOLO("yolov9s.pt")

测试一张图片

results = model("bus.jpg")

显示结果

results $0$ .show()

随便找一张有车有人的图片，和代码放同一个文件夹，改名叫bus.jpg，运行代码。如果弹出带检测框的图片，框出公交车、人，说明环境完全没问题，接下来就能改造交通监控了。

这个yolov9s.pt是轻量版模型，速度快、体积小，适合实时监控，比大模型更适合咱们的小系统，就像用便携相机，比专业单反更方便随身带。

四、核心改造：做成实时交通监控

现在进入重头戏，把demo改成能实时读视频、实时检测、实时显示的交通监控系统。咱们支持两种输入：本地交通视频、电脑摄像头（模拟实时监控），代码全程注释，每一行都给你讲明白。

新建traffic_monitor.py，复制下面完整代码：

import cv2

from ultralytics import YOLO

import time

1. 加载YOLOv9轻量模型

model = YOLO("yolov9s.pt")

2. 设置视频源：0是电脑摄像头，换成视频路径就是本地视频

video_source = 0 # 本地视频改成"traffic_video.mp4"

cap = cv2.VideoCapture(video_source)

3. 视频保存设置（可选）

fourcc = cv2.VideoWriter_fourcc(*"mp4v")

out = cv2.VideoWriter("traffic_result.mp4", fourcc, 20.0, (640, 480))

4. 交通目标类别：只检测车辆、行人、自行车

traffic_classes = $0, 1, 2, 3, 5, 7$ # 0:人 1:自行车 2:汽车 3:摩托 5:公交 7:货车

print("交通监控启动，按q退出")

while cap.isOpened():

ret, frame = cap.read()

if not ret:

break

复制代码

# 缩帧，提升速度
frame = cv2.resize(frame, (640, 480))
# 模型推理：只检测交通目标，设置置信度0.5，过滤误识别
results = model(frame, classes=traffic_classes, conf=0.5)

# 绘制检测结果
annotated_frame = results[0].plot()

# 统计目标数量
car_num = len([box for box in results[0].boxes if box.cls == 2])
person_num = len([box for box in results[0].boxes if box.cls == 0])
# 显示统计信息
cv2.putText(annotated_frame, f"Car:{car_num} Person:{person_num}",
            (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

# 显示实时画面
cv2.imshow("Traffic Monitor", annotated_frame)
# 保存视频
out.write(annotated_frame)

# 按q退出
if cv2.waitKey(1) & 0xFF == ord("q"):
    break

释放资源

cap.release()

out.release()

cv2.destroyAllWindows()

代码跑起来，窗口里就会实时显示监控画面，车辆、行人都带彩色框，左上角实时显示车辆和人数，画面自动保存成traffic_result.mp4，按q退出。

给大家拆解下核心逻辑，不用懂技术也能明白：

视频源：就像给系统接了个"眼睛"，摄像头或视频都能看
模型推理：让AI"看"画面，找出咱们要的交通目标
绘制框：把AI找到的目标标出来，方便肉眼看
统计数量：数清楚有多少车、多少人，简单实用

五、参数微调：让监控更准更快

新手跑起来可能会遇到两个问题：要么误识别（把路灯当成车），要么画面有点卡，咱们调两个参数就能解决，比调手机相机参数还简单。

置信度conf：默认0.5，改成0.6，误识别直接减少，AI只认更确定的目标，就像拍照只拍清晰的，模糊的直接过滤。
缩帧尺寸：把640×480改成480×360，速度直接提升，低配电脑也能流畅跑，牺牲一点点画面清晰度，换实时性，交通监控完全够用。
类别过滤：代码里traffic_classes列表，只留你需要的目标，比如只看车，就删掉0（行人），AI不用检测无关目标，速度更快。

举个例子，低配电脑把conf改成0.6，尺寸改成480×360，实时帧率能从15帧升到30帧，流畅不卡顿，路口车流再密也能跟上。

六、进阶小功能：让监控更实用

基础功能跑通了，咱们加两个简单的小功能，直接升级成商用级监控，不用改太多代码。

1. 拥堵提醒

当车辆数量超过设定值（比如10辆），画面显示红色提醒，简单判断拥堵：

if car_num > 10:

cv2.putText(annotated_frame, "Congestion!", (10, 60),

cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)

2. 时间戳显示

每帧画面加当前时间，方便回溯查看：

now_time = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())

cv2.putText(annotated_frame, now_time, (10, 90),

cv2.FONT_HERSHEY_SIMPLEX, 0.8, (255, 255, 255), 2)

加完这两段代码，监控系统就有了拥堵提醒、时间记录，日常使用完全够用，小区、路口、停车场都能适配。

七、常见问题：踩过的坑都给你填好

运行报错找不到模型：不用手动下模型，代码第一次运行会自动下载yolov9s.pt，耐心等几十秒。
摄像头打不开：检查video_source是不是0，有没有其他软件占用摄像头。
视频保存不了：确认输出路径有权限，fourcc编码用mp4v，后缀是.mp4。
检测速度慢：缩帧尺寸改小，conf调高，关闭不必要的功能（比如视频保存）。

这些都是新手最常遇到的问题，按我说的改，百分百解决，不用到处搜教程。

八、项目拓展：想升级就这么改

咱们这个基础系统，扩展性拉满，想进阶的话，直接往这几个方向改：

多摄像头监控：循环打开多个摄像头，分屏显示
数据统计：把车辆、人数存到Excel，生成日报表
边缘部署：放到树莓派、工控机上，做成离线监控设备
车牌识别：加个轻量OCR模型，配合YOLOv9，实现车牌检测+识别

不用从头学，基于咱们的代码改改接口就行，就像给房子装修，主体结构已经搭好，随便加装饰。

九、总结：新手也能搞定AI监控

今天咱们从零开始，用几十行代码，搭了一个完整的YOLOv9实时交通监控系统，全程不用懂复杂算法，不用写复杂逻辑，复制粘贴就能跑，还能按需改功能。

AI视觉没那么神秘，不用怕数学，不用怕编程，找对简单的工具，跟着实战流程走，普通人也能做出能用的AI项目。YOLOv9就是新手入门的最佳选择，2025-2026年最成熟的实时检测模型，资料多、坑少、易落地。

希望这篇文章能帮你快速入门YOLOv9，做出属于自己的第一个AI监控项目，后续咱们再聊更进阶的训练、部署、优化，一步步把AI玩明白。