一种基于 YOLOv8 的路口交通信号灯通行规则识别模型及算法
在本项目中,通行规则识别自上而下共分为以下四个步骤:
-
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。
-
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。
-
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。
-
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。
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。
首先安装环境依赖包,项目目前采用 ONNX Runtime 部署模型。
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 tests/images/ 下 ,识别结果默认保存在 tests/results/ 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,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,运行 main.py 即可。
python main.py
本项目识别程序的默认配置文件为 config.yaml,其中各个属性对应的含义如下:
device: "CPU" # 推理设备,"CPU"" 或 "GPU""
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