深度学习目标检测算法及框架使用 YOLOv5 模型进行目标检测违停检测，道路车辆检测与分析 可检测识别违停车辆数据集及车辆检测

以下文字及代码仅供参考。

道路汽车车辆违停数据集
皮卡、面包车、小轿车、suv、公共汽车、卡车数据，

数据集描述
划分训练集5000，验证集799；
已标注yolo格式、voc格式，可直接训练；
可用于道路车辆检测、机动车违停；
标签类别及标签个数：
pickuptruck：424
van：903
car：5778
suv：1588
bus：615
truck：1371

汽车数据集，我们将使用YOLOv5模型进行目标检测。YOLOv5 是一个高效的目标检测模型，适用于道路车辆检测、机动车违停等场景。

1. 环境搭建

首先需要设置好环境，并安装必要的依赖项。

# 创建虚拟环境（可选）conda create-nvehicle_detectionpython=3.8conda activate vehicle_detection# 安装 PyTorch 和 torchvisionpipinstalltorch torchvision# 克隆 YOLOv5 仓库gitclone https://github.com/ultralytics/yolov5cdyolov5# 安装 YOLOv5 的依赖pipinstall-rrequirements.txt

2. 数据准备

假设你的数据集已经按照 YOLO 格式标注，并且划分为了训练集和验证集。文件结构如下：

dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/

创建一个data.yaml文件，用于描述数据集路径和类别信息：

# data.yamltrain:dataset/images/trainval:dataset/images/valnc:6# 类别数量（皮卡、面包车、小轿车、suv、公共汽车、卡车）names:['pickuptruck','van','car','suv','bus','truck']# 类别名称

3. 模型训练

配置超参数

编辑yolov5/data/hyps/hyp.scratch.yaml文件，调整超参数以适应你的数据集。例如：

lr0:0.01# 初始学习率momentum:0.937weight_decay:0.0005

开始训练

运行以下命令开始训练：

python train.py--img640--batch16--epochs100--datadata.yaml--cfgmodels/yolov5s.yaml--weightsyolov5s.pt--namevehicle_detection

• --img 640: 输入图像大小。
• --batch 16: 批量大小。
• --epochs 100: 训练轮数。
• --data data.yaml: 数据集配置文件。
• --cfg models/yolov5s.yaml: 使用 YOLOv5 的小型模型（适合小数据集）。
• --weights yolov5s.pt: 加载预训练权重。
• --name vehicle_detection: 训练结果保存目录。

4. 模型推理

单张图片推理

仅供参考。

训练完成后，可以使用以下命令对单张图片进行推理：

python detect.py--weightsruns/train/vehicle_detection/weights/best.pt--img640--conf0.25--sourcedataset/images/val/image_001.jpg

• --weights: 使用训练好的模型权重。
• --img 640: 输入图像大小。
• --conf 0.25: 置信度阈值。
• --source: 输入图像路径。

推理结果会保存在runs/detect/exp/文件夹中。

批量推理

如果需要对多张图片或视频进行批量推理，可以将--source参数设置为文件夹路径或视频路径：

# 对文件夹中的所有图片进行推理python detect.py--weightsruns/train/vehicle_detection/weights/best.pt--img640--conf0.25--sourcedataset/images/val/# 对视频进行推理python detect.py--weightsruns/train/vehicle_detection/weights/best.pt--img640--conf0.25--sourcevideo.mp4

5. 性能评估

mAP 和其他指标

训练完成后，YOLOv5 会自动生成性能评估报告，包括 mAP（mean Average Precision）、Precision、Recall 等指标。这些信息会保存在runs/train/vehicle_detection/results.csv文件中。

你也可以手动运行验证脚本：

python val.py--datadata.yaml--weightsruns/train/vehicle_detection/weights/best.pt--img640

6. 构建 GUI 应用程序（可选）

假设你这位同学，如果你想构建一个简单的图形用户界面来加载图像并运行检测，可以使用 PyQt5。这里提供了一个简单的例子：

仅供参考。

importsysfromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QPushButton,QVBoxLayout,QWidget,QFileDialogfromPyQt5.QtGuiimportQPixmapfromPILimportImage,ImageQtimporttorchfrompathlibimportPathclassDetectionApp(QMainWindow):def__init__(self):super().__init__()self.initUI()self.model=torch.hub.load('ultralytics/yolov5','custom',path='runs/train/vehicle_detection/weights/best.pt')definitUI(self):self.setWindowTitle("车辆检测系统")self.setGeometry(100,100,800,600)layout=QVBoxLayout()self.image_label=QLabel(self)self.image_label.setText("请选择一张图片进行检测")self.image_label.setAlignment(Qt.AlignCenter)layout.addWidget(self.image_label)self.load_button=QPushButton("加载图像",self)self.load_button.clicked.connect(self.load_image)layout.addWidget(self.load_button)self.detect_button=QPushButton("检测车辆",self)self.detect_button.clicked.connect(self.detect_vehicle)layout.addWidget(self.detect_button)container=QWidget()container.setLayout(layout)self.setCentralWidget(container)defload_image(self):options=QFileDialog.Options()file_name,_=QFileDialog.getOpenFileName(self,"选择图像文件","","Images (*.png *.jpg *.jpeg)",options=options)iffile_name:self.image_path=file_name pixmap=QPixmap(file_name)self.image_label.setPixmap(pixmap.scaled(640,640))defdetect_vehicle(self):ifhasattr(self,'image_path'):results=self.model(self.image_path)img_with_boxes=results.render()[0]# 将结果转换为 QImage 并显示height,width,channel=img_with_boxes.shape bytes_per_line=3*width q_img=ImageQt.Image.fromarray(img_with_boxes).convert("RGB").rgbSwapped()self.image_label.setPixmap(QPixmap.fromImage(q_img))else:self.image_label.setText("请先加载一张图片")if__name__=='__main__':app=QApplication(sys.argv)window=DetectionApp()window.show()sys.exit(app.exec_())

仅供参考，同学们，