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 -n vehicle_detection python=3.8
conda activate vehicle_detection

# 安装 PyTorch 和 torchvision
pip install torch torchvision

# 克隆 YOLOv5 仓库
git clone https://github.com/ultralytics/yolov5
cd yolov5

# 安装 YOLOv5 的依赖
pip install -r requirements.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.yaml
train: dataset/images/train
val: dataset/images/val

nc: 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: 0.937
weight_decay: 0.0005

开始训练

运行以下命令开始训练：

python train.py --img 640 --batch 16 --epochs 100 --data data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --name vehicle_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 --weights runs/train/vehicle_detection/weights/best.pt --img 640 --conf 0.25 --source dataset/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 --weights runs/train/vehicle_detection/weights/best.pt --img 640 --conf 0.25 --source dataset/images/val/

# 对视频进行推理
python detect.py --weights runs/train/vehicle_detection/weights/best.pt --img 640 --conf 0.25 --source video.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 --data data.yaml --weights runs/train/vehicle_detection/weights/best.pt --img 640

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。

import sys
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget, QFileDialog
from PyQt5.QtGui import QPixmap
from PIL import Image, ImageQt
import torch
from pathlib import Path

class DetectionApp(QMainWindow):
    def __init__(self):
        super().__init__()
        self.initUI()
        self.model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/vehicle_detection/weights/best.pt')

    def initUI(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)

    def load_image(self):
        options = QFileDialog.Options()
        file_name, _ = QFileDialog.getOpenFileName(self, "选择图像文件", "", "Images (*.png *.jpg *.jpeg)", options=options)
        if file_name:
            self.image_path = file_name
            pixmap = QPixmap(file_name)
            self.image_label.setPixmap(pixmap.scaled(640, 640))

    def detect_vehicle(self):
        if hasattr(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，