YOLOv8交通目标检测实战：从BDD100K数据集下载到模型部署全流程指南

共计 2753 个字符，预计需要花费 7 分钟才能阅读完成。

背景与痛点

交通目标检测是智能交通系统的核心任务之一，但在实际应用中面临诸多挑战：

• 小目标检测 ：交通标志、行人等目标在远距离拍摄时可能仅占几个像素
• 遮挡问题 ：车辆相互遮挡、树木遮挡标志牌等情况普遍存在
• 光照变化 ：昼夜交替、天气变化导致图像质量差异大
• 实时性要求 ：道路监控通常需要 30FPS 以上的处理速度

数据集准备

主流数据集对比

1. BDD100K：
2. 包含 10 万张道路场景图像
3. 标注了车辆、行人、交通灯等 10 类目标

4. 特点：场景多样，适合通用交通目标检测

5. TT100K：

6. 专注交通标志检测
7. 包含中国道路的 45 类标志

8. 特点：专业性强，但样本量较小

9. CCTSDB2017：

10. 国内交通标志数据集
11. 包含 3 大类（禁令、警告、指示）和 58 小类
12. 特点：本土化程度高，适合国内场景

格式转换脚本

BDD100K 原始标注为 JSON 格式，需转换为 YOLO 所需的 txt 格式。以下是转换脚本核心部分：

import json
import os

def convert_bdd_to_yolo(json_path, output_dir, class_map):
    """
    参数说明：json_path: BDD100K 标注文件路径
    output_dir: 输出目录
    class_map: 类别名称到 ID 的映射字典
    """
    with open(json_path) as f:
        data = json.load(f)

    for item in data:
        img_name = item['name']
        txt_name = os.path.splitext(img_name)[0] + '.txt'
        output_path = os.path.join(output_dir, txt_name)

        with open(output_path, 'w') as f_out:
            for label in item['labels']:
                if label['category'] in class_map:
                    # 转换为 YOLO 格式：class x_center y_center width height
                    x1, y1 = label['box2d']['x1'], label['box2d']['y1']
                    x2, y2 = label['box2d']['x2'], label['box2d']['y2']

                    width = item['attributes']['width']
                    height = item['attributes']['height']

                    x_center = ((x1 + x2) / 2) / width
                    y_center = ((y1 + y2) / 2) / height
                    box_width = (x2 - x1) / width
                    box_height = (y2 - y1) / height

                    f_out.write(f"{class_map[label['category']]} {x_center} {y_center} {box_width} {box_height}\n")

data.yaml 配置

train: ./images/train  # 训练集路径
val: ./images/val      # 验证集路径
test: ./images/test    # 测试集路径

# 类别数量和名称
nc: 10
names: ['person', 'rider', 'car', 'bus', 'truck', 'bike', 'motor', 'traffic light', 'traffic sign', 'train']

YOLOv8 模型训练

环境配置

1. 创建 conda 环境：

   conda create -n yolov8 python=3.8
   conda activate yolov8

2. 安装依赖：

   pip install ultralytics torch==1.12.1+cu113 torchvision==0.13.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113

训练命令

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')  # 可根据需求选择 n /s/m/l/ x 尺寸

# 开始训练
results = model.train(
    data='data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device='0',  # 使用 GPU 0
    optimizer='AdamW',
    lr0=0.001,
    augment=True
)

关键参数解析

• imgsz：输入图像尺寸，交通场景建议 640×640
• batch：根据显存调整，RTX 3090 可设 32-64
• augment：自动启用 Mosaic 等数据增强
• optimizer：小数据集推荐 AdamW，大数据集可用 SGD

模型优化与部署

量化压缩

model.export(format='onnx', dynamic=True, simplify=True)  # 导出动态尺寸 ONNX

TensorRT 加速

trtexec --onnx=yolov8n.onnx --saveEngine=yolov8n.engine --fp16

推理代码示例

import cv2
from ultralytics import YOLO

model = YOLO('yolov8n.engine', task='detect')  # 加载 TensorRT 模型

cap = cv2.VideoCapture('traffic.mp4')
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame, imgsz=640)
    annotated_frame = results[0].plot()

    cv2.imshow('Detection', annotated_frame)
    if cv2.waitKey(1) == ord('q'):
        break

避坑指南

类别不平衡处理

1. 过采样少数类
2. 使用 Focal Loss
3. 调整分类权重：

   model.train(cls=torch.tensor([1.0, 1.5, 1.0, 2.0, ...]))  # 按类别频率设置 

数据增强策略

• 晴天数据：增加雨雾模拟
• 小目标：启用 Mosaic9 增强
• 遮挡：随机擦除 (RandomErasing)

常见训练问题

1. 损失不下降 ：
2. 检查标注质量
3. 降低学习率

4. 尝试更小的模型尺寸

5. 显存不足 ：

6. 减小 batch size
7. 使用梯度累积
8. 尝试混合精度训练

性能对比

开放性问题

1. 如何设计更适合交通场景的 Neck 结构？
2. 在边缘设备部署时，如何平衡精度和速度？
3. 对于极端光照条件，有哪些预处理方法能提升检测稳定性？

希望这篇指南能帮助你快速搭建交通目标检测系统。实际应用中建议从 YOLOv8n 开始，逐步迭代优化模型结构和参数配置。