深度学习框架YOLO模型如何训练闯红灯检测数据集 交通违规检测数据集

智慧交通-闯红灯检测 yolo 数据集【数据内容】3500张图片包含汽车、绿灯、摩托车、红灯、停止线、黄灯等目标图片清晰标注适合目标检测模型训练【格式支持】数据集已标注好支持多种格式输出直接可用YOLO闯红灯检测数据集一、数据集信息表项目详细说明数据集名称YOLO闯红灯交通场景目标检测数据集图片总量3500张标注类别共6类汽车car、绿灯green_light、摩托车motorcycle、红灯red_light、停止线stop_line、黄灯yellow_light标注状态全部已标注图片清晰开箱即用数据格式支持标准YOLO格式同时兼容多种主流标注格式可按需转换适用场景路口闯红灯行为识别、交通违章检测、城市安防监控、智能交通系统开发、目标检测模型训练二、核心标签#闯红灯检测#交通目标检测#路口违章识别#YOLO数据集#智能交通#交通灯检测三、数据集目录结构traffic_light_violation_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── traffic.yaml四、数据集配置文件traffic.yamlpath:./traffic_light_violation_datasettrain:images/trainval:images/valtest:images/testnc:6names:0:car1:green_light2:motorcycle3:red_light4:stop_line5:yellow_light五、环境依赖安装pipinstallultralytics torch opencv-python六、模型训练代码train_traffic.pyfromultralyticsimportYOLOdefmain():# 加载YOLO预训练模型兼容YOLOv8/YOLOv11modelYOLO(yolov8s.pt)# 启动训练train_resultsmodel.train(data./traffic_light_violation_dataset/traffic.yaml,epochs100,imgsz640,batch16,device0,# 无GPU改为 devicecpuworkers4,patience15,projectruns/train,nametraffic_violation_detect,exist_okTrue,pretrainedTrue)print(训练完成权重保存路径runs/train/traffic_violation_detect/weights)# 测试集评估metricsmodel.val(data./traffic_light_violation_dataset/traffic.yaml,splittest)print(f测试集 mAP50:{metrics.box.map50:.4f})if__name____main__:main()七、推理测试代码predict_traffic.pyfromultralyticsimportYOLOimportcv2# 加载训练好的最优模型modelYOLO(runs/train/traffic_violation_detect/weights/best.pt)if__name____main__:img_pathtraffic_test.jpg# 执行检测并保存结果resultsmodel.predict(sourceimg_path,conf0.25,iou0.45,saveTrue)# 可视化结果detect_imgresults[0].plot()cv2.imshow(Traffic Light Violation Detection,detect_img)cv2.waitKey(0)cv2.destroyAllWindows()