Skip to content

一种基于 YOLOv8 的路口交通信号灯通行规则识别模型及算法

Notifications You must be signed in to change notification settings

LIU42/PassingRules

Repository files navigation

Passing Rules

一种基于 YOLOv8 的路口交通信号灯通行规则识别模型及算法

项目简介

在本项目中,通行规则识别自上而下共分为以下四个步骤:

  1. 目标检测,采用 YOLOv8 目标检测模型,识别图像中交通信号灯的位置及颜色。

  2. 过滤筛选,对检测出的交通信号灯采用 DBSCAN 算法进行聚类,以加权的欧氏距离和j加权的尺寸差值作为相似度度量,从而筛选出最有可能表示当前通行规则的信号灯组。

  3. 信号分类,对当前交通信号灯组中的所有信号灯,分别采用 YOLOv8 图像分类模型,将其表示的信号分为直行(straight)、左转(left)、右转(right)和完全(full)四类。

  4. 规则解析,对分类后的交通信号灯组,解析其表示的通行规则(即能否直行、能否左转和能否右转),有两种可选的解析策略:  

    • 保守策略,黄灯视为红灯,若无明确表示可通行则视为不可通行。
    • 激进策略,黄灯视为绿灯,若无明确表示不可通行则视为可通行。

    对于大部分交通信号明确的情况下,两种策略的解析结果相同。此外,对于以上两种策略,若无明确信号右转默认视为允许通行。

效果展示

效果图1 效果图2

性能评估

在 640x480 的图像输入下,采用 PyTorch 平均推理一张图片的耗时约为 120ms,采用 ONNX Runtime 推理平均耗时约为 50ms(CPU:11th Intel Core i5-1155G7 2.50GHz,Model:YOLOv8n)。

在当前数据集下信号灯目标检测指标:

P R mAP50 mAP50-95
0.921 0.947 0.971 0.791

同时在当前数据集下信号分类准确率接近 100%,模型的整体准确率暂未量化评估。

注:本项目主要用于学习和可行性研究,训练用的数据集规模较小,在真实环境下的鲁棒性可能不够理想。

使用说明

首先安装环境依赖包,项目目前采用 ONNX Runtime 部署模型推理。

pip install -r requirements.txt

若需要使用 GPU 进行推理,则需要安装:

pip install onnxruntime-gpu

待识别图像默认在 examples/sources/ 下 ,识别结果默认保存在 examples/outputs/ 下,如果不存在请先创建。将所有待识别的图像放入待识别图像目录下,要求图像尺寸为 640x480,可以在本项目 Releases 中下载我训练好的模型权重文件,解压到项目中相应的位置(位于 detect/weights/ 和 classify/weights/),运行 main.py 即可。

python main.py

本项目识别程序的默认配置文件为 configs/config.yaml,其中各个属性对应的含义如下:

device: "CPU"        # 推理设备,"CPU" 或 "CUDA"
precision: "fp32"    # 推理运算精度,"fp32"(单精度)或 "fp16"(半精度)

detector:
  conf-threshold: 0.25   # 交通信号灯目标检测置信度阈值
  iou-threshold: 0.45    # 交通信号灯目标检测非极大值抑制 IoU 阈值

filter:
  weights: [0.05, 5, 2, 2]    # 过滤器相似度权重系数,为一个四元组,依次为 x 轴权重、y 轴权重、宽度权重和高度权重
  threshold: 40               # 过滤器 DBSCAN 聚类距离半径阈值

strategy: "conservative"    # 通行规则识别策略,“conservative”(保守策略) 或 “radical”(激进策略)

如果需要使用自己的数据集训练模型,则需要安装 ultralytics 框架,参照 Ultralytics 官方文档 进行模型的训练,最后将模型转换为 ONNX 格式进行部署即可。

pip install ultralytics