【YOLO系列】基于YOLOv8/v11/v26与tkinter的车流量统计系统设计

基于YOLO与自定义Tkinter的车流量统计系统设计

1. 需求介绍和功能展示

车流量数据是交通态势感知、信号灯配时优化、道路拥堵预警的核心依据。传统的线圈检测、雷达检测存在安装维护成本高、易受环境干扰等缺陷。近年来，基于深度学习的视觉检测方法因成本低、部署灵活而备受关注。

本文以yolo26n为检测基座，开发了一款轻量级、可交互的车流量统计桌面应用。系统核心功能包括：

• 视频文件导入与实时播放（支持暂停/继续）
• YOLO模型动态切换
• 基于车辆中心点跟踪的穿越计数
• 鼠标点击交互式计数线设置
• 统计信息（累计车辆数、当前时间）展示

系统采用CustomTkinter + OpenCV + Ultralytics YOLO技术栈，兼顾性能与用户体验。

2. 系统总体设计

2.1 功能模块划分

系统功能模块如图1所示（此处略），主要包含：

1. 视频管理模块：负责打开、读取、释放视频文件，获取视频尺寸与帧率。
2. 模型管理模块 ：加载YOLO模型（默认yolo26n.pt），支持用户通过文件对话框选择其他.pt模型并热加载。
3. 目标检测模块：对每一帧执行YOLO推理，提取车辆边界框及类别。
4. 跟踪与计数模块：基于IoU或中心点距离匹配同一车辆在相邻帧的位置，判断车辆是否跨越预设计数线，累计通过车辆数。
5. 交互控制模块：提供开始、暂停、继续、重置计数、设置计数线等按钮，并监听鼠标事件完成计数线绘制。
6. 显示模块：在Canvas区域实时展示带检测框、计数线和统计面板的视频帧，同时左侧面板同步刷新累计车次和系统时间。

2.2 技术架构

• 前端界面 ：使用customtkinter构建圆角控件、浅色主题，模拟macOS风格。
• 视频处理 ：opencv-python负责视频解码、图像预处理及画图。
• 深度学习推理 ：ultralytics YOLO接口，支持CPU/GPU推理。
• 辅助库 ：Pillow处理中文文字渲染，numpy进行数值计算，threading实现模型后台加载。

系统整体流程图如下：

导入视频 → 加载模型 → 播放循环 → 读取帧 → YOLO检测 → 跟踪匹配 → 计数线交叉判断 → 绘制结果 → 显示/更新统计

3. 关键算法与实现

3.1 目标检测

采用yolo26n模型，输入图像尺寸为640×640，检测类别包含car、truck、bus、motorcycle、bicycle五类车辆。推理输出为边界框坐标[x1, y1, x2, y2]、置信度及类别标签。代码实现：

results = model(frame, stream=False)
boxes = results[0].boxes.xyxy.cpu().numpy()

3.2 车辆跟踪与去重计数

为准确统计通过计数线的车辆数，需避免同一车辆被多次计数。系统采用基于中心点的欧氏距离追踪策略：

• 每帧计算每个车辆的中心点 (cx, cy)。
• 维护全局字典vehicle_tracker，存储车辆ID → 上一帧中心点。
• 当前帧每个车辆与上一帧所有车辆比较距离，若小于阈值（50像素），则认为跟踪成功，继承原ID；否则分配新ID。
• 当车辆ID首次从计数线一侧移动到另一侧时，total_vehicles加1，并将该ID记录到vehicles_counted集合中防止重复计数。

计数线交叉判断使用向量叉积法 ：检查线段(last_pos, pos)是否与计数线(line_start, line_end)相交。

def line_crossed(p1, p2, line_start, line_end):
    # 计算叉积判断相交
    ...
    return 0 <= t1 <= 1 and 0 <= t2 <= 1

3.3 交互式计数线设置

传统方法需在代码中硬编码坐标，不便于不同视频的适配。本系统允许用户在播放或暂停状态下，点击"设置计数线"按钮，随后在视频画面上点击两个点，由程序自动计算原始视频坐标系下的坐标并存储。

坐标映射：Canvas显示区域对原视频等比例缩放并居中，鼠标点击坐标需通过比例尺和偏移量反算回原始帧坐标。

scale = min(canvas_w/orig_w, canvas_h/orig_h)
disp_w, disp_h = int(orig_w*scale), int(orig_h*scale)
offset_x = (canvas_w - disp_w) // 2
orig_x = int((mouse_x - offset_x) / scale)

该设计极大提升了系统的易用性和通用性。

3.4 播放速度控制

通过调节after方法的延迟时间控制帧率。用户可输入1‑60 FPS，系统动态更新frame_delay = 1000 / playback_fps。

4. 图形用户界面设计

界面遵循macOS风格，浅灰色背景、圆角按钮、蓝色强调色。左侧面板包含所有控制选项，右侧Canvas区域用于视频展示。状态栏实时反馈操作信息。

主要控件及功能：

控件	功能
导入视频	选择本地视频文件
开始	从头播放视频并开始检测计数
暂停/继续	控制播放进程
设置计数线	进入鼠标点选模式，定义计数线的起点与终点
清除计数线	删除当前计数线并重置计数
播放速度	调节视频播放速率
YOLO模型	选择并加载新的.pt模型文件
累计通过	实时显示通过计数线的车辆总数
当前时间	显示系统时间

5. 实验与结果

5.1 实验环境

• 硬件：Intel Core i7‑10750H, 16GB RAM, NVIDIA GTX 1650
• 软件：Windows 11, Python 3.14, CUDA 12.1
• 测试视频：道路监控录像，时长2分钟，分辨率1920×1080，帧率30 FPS

5.2 检测与计数性能

在默认yolo26n.pt模型下，推理速度约25‑30 FPS（GPU），满足实时处理需求。计数准确率人工抽样验证：车辆通过计数线实际数量为87辆，系统统计84辆，准确率96.6%。误差主要源于极少数车辆被短暂遮挡导致跟踪中断后重新分配新ID，造成重复计数。

5.3 交互体验

"设置计数线"功能可将操作时间从修改代码配置的2‑3分钟缩短至10秒内，显著提升了不同视频场景的适配效率。播放速度调节功能便于慢放分析密集车流。

6. 结论与展望

本文成功开发了一套基于YOLO和Python桌面框架的车流量统计系统，具备视频处理、目标检测、跟踪计数、交互式线设置等实用功能。系统界面友好，操作简单，能够为交通流量调研提供低成本、高效率的辅助工具。

未来工作可从以下方向改进：

• 引入Deep SORT等更鲁棒的跟踪算法，减少遮挡造成的ID跳变。
• 增加多计数线支持，统计不同车道的流量。
• 添加车辆速度估算与报表导出功能。
• 优化模型量化加速，适配边缘计算设备。

---

关键词：车流量统计；YOLO；目标跟踪；交互式界面；CustomTkinter

注：本文介绍的软件完整代码可向作者索取。