基于YOLO26的交通标志检测系统：从训练到测试全流程解析（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

摘要随着智能交通系统和自动驾驶技术的快速发展交通标志的自动识别成为环境感知中的关键任务之一。本文基于YOLO26You Only Look Once目标检测算法构建了一个面向83类交通标志的识别检测系统。系统使用12,356张训练图像、1,266张验证图像和654张测试图像进行模型训练与评估。实验结果表明模型在训练集上损失持续下降。本文分析了模型的性能瓶颈并提出了相应的优化建议为后续交通标志识别系统的改进提供了参考。目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景数据集介绍数据划分训练结果Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅参数实时调节置信度和IoU阈值✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查引言交通标志作为道路交通系统中传递信息的重要载体其自动识别对于辅助驾驶、无人驾驶以及交通管理具有重要应用价值。传统的交通标志识别方法多依赖于手工特征提取与分类器组合难以应对复杂光照、遮挡、多尺度等现实场景。近年来基于深度学习的目标检测技术尤其是YOLO系列算法因其检测速度快、精度高、易于部署等优势广泛应用于实时交通标志识别任务中。本研究旨在构建一个基于YOLO26的交通标志识别检测系统涵盖83类常见的交通标志包括警告标志、禁令标志、指示标志、指路标志等。通过对模型的训练与评估分析其在多类别、多尺度下的识别性能为后续系统优化与实际部署提供依据。背景交通标志识别Traffic Sign Recognition, TSR是智能交通系统ITS和自动驾驶汽车环境感知系统中的核心技术之一。随着城市化进程加快和车辆保有量增加道路交通环境日益复杂驾驶员对交通信息的依赖程度不断提高。自动识别交通标志不仅能够减轻驾驶员负担还能有效降低因忽视或误读标志而引发的交通事故。早期的交通标志识别方法主要基于图像处理和机器学习技术如颜色分割、形状检测、HOG特征SVM分类器等。这些方法在一定程度上能够识别简单背景下的标志但在复杂场景中如光照变化、遮挡、旋转、尺度变化等鲁棒性较差。随着深度学习技术的快速发展卷积神经网络CNN在图像分类、目标检测等领域取得了突破性进展。R-CNN、Fast R-CNN、Faster R-CNN等两阶段检测器虽然精度高但检测速度较慢难以满足实时性要求。YOLO系列算法则将检测任务视为回归问题实现了端到端的实时检测广泛应用于交通标志、行人、车辆等目标的检测任务中。尽管YOLO在TSR任务中表现出色但仍面临以下挑战类别多样性交通标志种类繁多不同国家、地区标志设计各异模型需要具备较强的分类能力。样本不平衡某些罕见标志样本数量极少模型难以学习其有效特征。环境复杂性光照、天气、遮挡、运动模糊等因素影响检测精度。标注质量数据标注的准确性直接影响模型训练效果。因此构建一个高质量、多样化的交通标志数据集并设计鲁棒的检测模型是当前TSR研究的重点方向。本研究基于YOLO26框架针对83类交通标志进行识别检测系统开发探索其在真实场景下的性能表现与优化路径。数据集介绍本研究所使用的交通标志数据集包含83 个类别涵盖了常见的警告标志、禁令标志、指示标志、指路标志等。具体类别名称如下英文名称中文翻译Children儿童Entering city进入城区Exiting city离开城区Falling rocks落石Fog雾Give way让行Ice or snow冰或雪Intersection with priority有优先权的交叉口Intersection without priority无优先权的交叉口Level crossing -multiple tracks-铁路道口 -多股轨道-Level crossing 160m铁路道口 160米Level crossing 240m铁路道口 240米Level crossing 80m铁路道口 80米Level crossing with barriers ahead前方有栏木的铁路道口Level crossing without barriers ahead前方无栏木的铁路道口Level crossing铁路道口Loose surface material松散路面材料Low-flying aircraft低空飞行器No heavy goods vehicles禁止载重汽车No left turn禁止左转No overtaking by heavy goods vehicles禁止载重汽车超车No right turn禁止右转No vehicles carrying dangerous goods禁止运载危险品车辆No vehicles禁止车辆驶入One-way street单行道Opening bridge开启桥Parking zone停车区Pedestrian crossing人行横道Pedestrians行人Priority over oncoming traffic会车优先权Right curve右弯Road narrows道路变窄Roadworks道路施工Series of curves连续弯道Slippery surface路面湿滑Soft verges软路肩Steep ascent陡坡上行Steep descent陡坡下行Traffic queues交通排队Traffic signals交通信号灯Trams有轨电车Tunnel隧道Two-way traffic双向交通Unprotected quayside or riverbank无防护的码头或河岸Wild animals野生动物ahead only仅准直行ahead or right直行或右转bumpy road颠簸路面crosswalk人行横道do_not_enter禁止驶入end ofSpeed limit 70限速70结束general caution一般警告keep right靠右行驶left curve左弯no admittance禁止入内no overtakes禁止超车no stopping禁止停车no_parking禁止停放车辆priority road优先道路road work道路施工roundabout环岛slippery road路滑speed limit -100-限速100speed limit -110-限速110speed limit -120-限速120speed limit -130-限速130speed limit -20-限速20speed limit -30-限速30speed limit -40-限速40speed limit -5-限速5speed limit -50-限速50speed limit -60-限速60speed limit -70-限速70speed limit -80-限速80speed limit -90-限速90stop停车让行traffic light- green交通灯-绿灯traffic light- red交通灯-红灯trafic light- red交通灯-红灯(拼写变体)turn left orright only仅准左转或右转turn right only仅准右转yellow黄色yield让行数据划分训练集12,356 张图像验证集1,266 张图像测试集654 张图像训练结果2、损失函数分析损失类型趋势分析train/box_loss下降0.90 → 0.63模型逐渐学会定位目标框train/cls_loss下降0.90 → 0.63分类能力逐步提升train/dfl_loss下降0.90 → 0.63分布焦点损失优化良好val/box_loss上升1.40 → 0.90验证集上定位误差略有上升val/cls_loss上升1.40 → 0.90分类误差在验证集上增加val/dfl_loss上升0.0133 → 0.0084验证集上 DFL 损失下降说明边界框分布拟合良好3、类别识别情况分析来自混淆矩阵1.未归一化混淆矩阵大部分类别如Children、Entering city、Falling rocks等在训练集中仅出现1 次2.归一化混淆矩阵所有类别在归一化矩阵中均为1.0说明模型对训练集中的样本完美分类4、F1-Confidence 曲线分析5、Precision-Confidence 曲线6、Recall-Confidence 曲线7、PR 曲线Precision-RecallUltralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频