项目介绍
本道路车辆检测计数系统面向城市道路交通场景，旨在通过深度学习目标检测算法对道路图像中的车辆进行自动识别、分类与数量统计。系统整体采用前后端分离架构，前端使用 Vue3 与 Element Plus 构建交互界面，为用户提供图片上传、检测结果展示、历史记录查看、重新检测与记录删除等功能；后端采用 Flask 框架提供接口服务，负责用户认证、文件接收、算法调用、检测结果保存以及数据查询等业务逻辑。算法部分基于 YOLOv8n 模型实现车辆目标检测，能够识别小汽车、公交车、货车、厢式货车、摩托车等多类交通目标，并输出目标框、置信度、类别统计和总车辆数。
选题背景与意义
随着城市机动车数量持续增长，道路交通运行压力不断增大，传统依赖人工观察、人工登记或固定传感设备的车辆统计方式已经难以满足实时化、智能化和低成本管理需求。在智慧交通建设背景下，利用计算机视觉技术自动识别道路车辆并统计交通流量，已成为交通管理信息化的重要方向。道路车辆检测计数系统能够从道路监控图片或采集图像中自动提取车辆目标，减少人工统计误差，提高交通数据采集效率。通过对不同车辆类别和数量的统计，管理部门可以进一步分析道路通行状态、车流密度、车型结构和高峰时段变化，为交通信号优化、拥堵治理、道路规划和安全预警提供数据支撑。
关键技术栈：YOLOv8
YOLOv8 是 Ultralytics 推出的新一代目标检测算法，属于 YOLO 系列单阶段检测模型。与传统两阶段检测算法相比，YOLOv8 能够在一次前向推理中同时完成目标定位与类别预测，因此具有检测速度快、部署方便和实时性较好的特点。本系统选用 YOLOv8n 作为车辆检测核心模型，其中 n 表示 nano 轻量版本，模型参数量较小，推理速度较快，适合毕业设计、普通服务器或本地环境中的图像检测任务。系统后端通过 ultralytics 库加载训练后的 best.pt 权重文件，并在用户上传图片后调用模型进行预测。模型输出结果包含车辆目标的类别编号、类别名称、置信度和边界框坐标，后端再对检测结果进行统计，生成车辆总数、分类数量和中文检测描述。
技术架构图
系统功能模块图
