尧图网站建设 
简介本资源面向计算机、人工智能及相关专业的本科生与研究生提供一套可直接用于毕业设计、期末大作业或课程设计的YOLOV5交通标志识别检测完整方案帮助解决选题难、代码跑不通、缺少数据集与预训练模型等常见问题。压缩包共266个文件约423.32MB包含53个Python源码文件、59个YAML配置、55张JPG与26张PNG图像样本、10个PT权重文件以及CSV训练日志、XML标注、Shell脚本、Dockerfile和Markdown说明等覆盖数据、训练、推理与部署全流程。代码附有详细注释新手也能理解网络结构与训练逻辑下载后简单配置环境即可运行。目前已有318人学习下载适合希望快速搭建可演示、可答辩项目的同学参考也能为后续模型调优与功能扩展提供基础。1. 交通标志识别毕设YOLOV5 这套数据集加代码模型到底能不能一把梭每年三四月实验室里最常听到的一句话就是“检测跑通了但答辩讲不出东西”。交通标志识别这个题目之所以年年被选是因为它同时踩中了三个刚需数据集公开可查、YOLOV5 生态成熟、指标好看。但真正动手的人会发现从下载数据到 mAP 跑到 0.9 以上中间隔着一堆没人告诉你的细节——类别不均衡、小目标密集、标注格式对不上、训练到一半 loss 突然炸掉。这套“数据集代码模型”的组合本质上是把 YOLOV5 在 TT100K 或 CCTSDB 这类交通标志数据上的完整链路打包好让你不用从零标注就能跑通训练、验证、推理三段。适合谁适合本科毕设、课程设计、刚转检测方向想找个完整项目练手的同学。但“能跑通”和“能答辩”是两回事下面把这条链路拆开讲清楚包括参数怎么设、坑在哪、怎么验证模型真的学到了东西而不是记住了背景。2. YOLOV5 交通标志检测的数据集选型与格式转换2.1 为什么交通标志数据集不能随便拿一个就用交通标志检测和通用目标检测最大的区别在于类别极度不均衡且小目标占比高。以国内常用的 TT100K 为例标注了 221 类交通标志但其中超过一半的类别样本数不到 100 张而“限速 40”“禁止驶入”这类常见标志动辄几千张。如果你直接拿原始数据训练模型会严重偏向高频类低频类的 AP 低到没法看。另一个问题是尺度交通标志在整张图里往往只占几十个像素YOLOV5 的 P3 特征图stride 8是检测小目标的主力但如果输入分辨率不够P3 上的有效特征会被背景淹没。常见做法是先把类别合并。比如把“限速 40”“限速 50”“限速 60”合并成“限速”一个大类或者只保留样本数超过 500 的类别其余归为“其他”。这样类别数从 221 降到 20 到 30 之间训练稳定性和指标都会明显改善。如果你用的是 CCTSDB它本身只有三类指示、禁止、警告类别均衡性好但标注框偏大小目标场景覆盖不足。选哪个取决于你答辩时想讲什么故事想讲类别不均衡处理就选 TT100K想快速出指标就选 CCTSDB。2.2 把标注转成 YOLO 格式脚本与四个边界坑YOLOV5 要求每张图对应一个 txt 标注文件每行格式为class_id x_center y_center width height且坐标必须归一化到 0 到 1 之间。TT100K 原始标注是 JSONCCTSDB 是 XML都需要转换。下面是一个通用的 JSON 转 YOLO 脚本处理 TT100K 的标注结构import json import os from pathlib import Path # TT100K 的 JSON 结构{imgs: [{id: xxx.jpg, objects: [{category: p1, bbox: {xmin:..,ymin:..,xmax:..,ymax:..}}]}]} def convert_tt100k(json_path, img_dir, out_dir, class_map): with open(json_path, r, encodingutf-8) as f: data json.load(f) os.makedirs(out_dir, exist_okTrue) for item in data[imgs]: img_id item[id] # 用 PIL 或 cv2 读原图尺寸这里假设图片在 img_dir 下 import cv2 img cv2.imread(os.path.join(img_dir, img_id)) if img is None: continue h, w img.shape[:2] lines [] for obj in item.get(objects, []): cat obj[category] if cat not in class_map: continue bbox obj[bbox] xmin, ymin, xmax, ymax bbox[xmin], bbox[ymin], bbox[xmax], bbox[ymax] # 边界裁剪防止标注越界导致归一化后超出 0-1 xmin max(0, min(xmin, w - 1)) xmax max(0, min(xmax, w - 1)) ymin max(0, min(ymin, h - 1)) ymax max(0, min(ymax, h - 1)) if xmax xmin or ymax ymin: continue x_center (xmin xmax) / 2.0 / w y_center (ymin ymax) / 2.0 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{class_map[cat]} {x_center:.6f} {y_center:.6f} {bw:.6f} {bh:.6f}) if lines: txt_name Path(img_id).stem .txt with open(os.path.join(out_dir, txt_name), w) as f: f.write(\n.join(lines)) # 类别映射示例只保留高频类 class_map {p1: 0, p2: 1, p3: 2, p4: 3, p5: 4, p6: 5, p7: 6, p8: 7, p9: 8, p10: 9, p11: 10, p12: 11, p13: 12, p14: 13, p15: 14, p16: 15, p17: 16, p18: 17, p19: 18, p20: 19, p21: 20, p22: 21, p23: 22, p24: 23, p25: 24, p26: 25} convert_tt100k(annotations.json, train_images, labels/train, class_map)这段代码的关键点不在转换本身而在四个容易翻车的地方。第一坐标越界TT100K 里有些标注框的 xmax 等于图片宽度归一化后变成 1.0YOLOV5 的 dataloader 会直接报错所以必须做min(xmax, w-1)裁剪。第二空标注文件如果一张图里所有类别都被过滤掉了不要生成空 txt否则训练时会被当成负样本影响召回。第三类别映射一致性训练集和验证集必须用同一个 class_map否则类别 ID 对不上mAP 会莫名其妙掉一半。第四图片和标注文件名必须严格对应YOLOV5 是按文件名去匹配的差一个后缀就找不到。2.3 数据集划分与 data.yaml 配置转换完之后要划分训练集、验证集、测试集常见比例是 7:2:1 或 8:1:1。注意交通标志数据集里同一场景可能有多张连续帧如果随机划分会导致训练集和验证集出现几乎相同的图片验证指标虚高。更稳妥的做法是按场景或按拍摄批次划分。划分完写 data.yamlpath: /home/user/traffic_sign # 数据集根目录 train: images/train val: images/val test: images/test nc: 26 # 类别数必须和 class_map 的长度一致 names: [p1, p2, p3, p4, p5, p6, p7, p8, p9, p10, p11, p12, p13, p14, p15, p16, p17, p18, p19, p20, p21, p22, p23, p24, p25, p26]nc和names的长度必须一致这是最常见的配置错误之一。另外path建议用绝对路径相对路径在 YOLOV5 不同版本里解析行为不一致容易踩坑。3. YOLOV5 训练交通标志模型的参数配置与调优3.1 模型选型s/m/l 怎么选不后悔YOLOV5 提供 s、m、l、x 四个主要规格参数量从 7M 到 86M 不等。交通标志检测的图片分辨率通常不高TT100K 是 2048×2048 但标志区域很小用 YOLOV5s 在 640 输入下 mAP0.5 大概能到 0.75 到 0.82YOLOV5m 能到 0.82 到 0.88YOLOV5l 再高 2 到 3 个点但训练时间翻倍。如果你用的是消费级显卡比如 3060 12GYOLOV5m 是性价比最高的选择batch size 能开到 16训练 300 epoch 大概 6 到 8 小时。如果显存只有 6G老老实实上 YOLOV5s把输入分辨率提到 800 或 1024小目标召回反而比大模型低分辨率更好。选型时还要看你的答辩需求。如果导师问“为什么选这个模型”你要能说出参数量、推理速度、mAP 的权衡而不是“因为别人都用这个”。建议在论文里放一张对比表把 s/m/l 在验证集上的 mAP0.5、mAP0.5:0.95、推理时间ms列出来这样选型理由就立住了。3.2 超参数怎么改从 hyp.scratch-low 到自定义YOLOV5 自带data/hyps/hyp.scratch-low.yaml里面的默认超参是给 COCO 调的直接用在交通标志上会有些水土不服。下面是我一般会改的几个参数# hyp.scratch-low.yaml 关键修改项 lr0: 0.01 # 初始学习率默认 0.01交通标志数据量小可以降到 0.005 lrf: 0.01 # 最终学习率系数默认 0.01保持 momentum: 0.937 # 保持 weight_decay: 0.0005 # 保持 warmup_epochs: 3.0 # 默认 3小数据集可以降到 1 或 2 warmup_momentum: 0.8 box: 0.05 # box loss 权重默认 0.05小目标多可以提到 0.08 cls: 0.5 # 分类 loss 权重默认 0.5类别不均衡时可以降到 0.3 cls_pw: 1.0 # 类别权重默认 1.0如果用了类别合并保持默认 obj: 1.0 # 目标性 loss 权重默认 1.0 obj_pw: 1.0 iou_t: 0.20 # IoU 训练阈值默认 0.20小目标可以降到 0.15 anchor_t: 4.0 # anchor 匹配阈值默认 4.0保持 fl_gamma: 0.0 # focal loss默认 0类别不均衡严重时可以设 1.5 hsv_h: 0.015 # 色调增强交通标志颜色重要可以降到 0.01 hsv_s: 0.7 # 饱和度增强保持 hsv_v: 0.4 # 亮度增强保持 degrees: 0.0 # 旋转角度交通标志有方向性不要开 translate: 0.1 # 平移保持 scale: 0.5 # 缩放保持 shear: 0.0 # 剪切不要开 perspective: 0.0 # 透视不要开 flipud: 0.0 # 上下翻转交通标志不能上下翻 fliplr: 0.5 # 左右翻转可以开但注意左右转标志会变语义 mosaic: 1.0 # mosaic 增强保持 mixup: 0.0 # mixup小数据集可以开 0.1重点说三个。degrees和flipud一定要关掉交通标志的语义和方向强相关旋转或上下翻转会让“左转”变成“右转”模型学到的特征是错的。fl_gamma是 focal loss 的 gamma 值如果你发现低频类的 AP 始终上不去可以设 1.0 到 2.0 之间但不要超过 2.0否则训练不稳定。box权重提到 0.08 是为了让小目标的定位更准代价是收敛稍慢。3.3 训练命令与关键参数解读训练命令本身不复杂但每个参数都影响结果python train.py \ --data data/traffic_sign.yaml \ --cfg models/yolov5m.yaml \ --weights yolov5m.pt \ --epochs 300 \ --batch-size 16 \ --imgsz 640 \ --hyp data/hyps/hyp.scratch-low.yaml \ --project runs/train \ --name traffic_yolov5m \ --cache--weights yolov5m.pt是加载 COCO 预训练权重这一步对交通标志这种小数据集至关重要从头训练几乎不可能收敛到好指标。--cache会把图片缓存到内存如果数据集不大几千张能明显加快训练但内存小于 16G 不要开。--imgsz 640是输入分辨率如果你显存够可以提到 800 或 1024小目标召回会提升但 batch size 要相应降到 8 或 4。--epochs 300是上限实际看验证集 mAP 什么时候不再上升通常 200 到 250 就收敛了YOLOV5 自带 early stop 机制patience 默认 100不用手动停。训练过程中要盯三个东西train/box_loss、train/obj_loss、metrics/mAP_0.5。box_loss 应该稳定下降如果震荡剧烈说明学习率太大obj_loss 如果一直不降检查标注里有没有大量空文件或错误框mAP 在 50 epoch 后应该开始上升如果 100 epoch 还是 0.1 以下大概率是 data.yaml 配错了或者类别映射对不上。4. 交通标志检测的避坑与排查清单4.1 训练 loss 变成 nan 或突然爆炸现象训练到几十个 epoch 后box_loss 突然变成 nan或者从 0.05 跳到几百。原因通常是学习率过大加上某个 batch 里有异常标注比如宽高为 0 的框梯度爆炸。解决先把lr0降到 0.001 重跑同时在 dataloader 里加一个过滤把宽或高小于 2 像素的框丢掉。如果已经跑了一半不想重来可以从最近的 checkpoint 恢复并把学习率调低python train.py --resume runs/train/traffic_yolov5m/weights/last.pt --lr0 0.0014.2 mAP 很高但实际推理一塌糊涂现象验证集 mAP0.5 到了 0.95但拿真实街景图去推理框全歪了或者漏检严重。原因一般是验证集和训练集分布太接近同一批数据随机划分模型过拟合了。解决按场景重新划分验证集确保验证集里有训练集没出现过的拍摄角度、光照条件。另外检查推理时的--img-size是否和训练时一致训练用 640 推理用 1280 会导致 anchor 尺度不匹配。4.3 小目标漏检严重现象大标志能检出远处的小标志基本全漏。原因P3 特征图分辨率不够或者 anchor 尺寸不匹配。解决把输入分辨率从 640 提到 1024同时用 k-means 重新聚类 anchorpython utils/autoanchor.py --data data/traffic_sign.yaml --imgsz 1024重新聚类后的 anchor 会更贴合交通标志的尺度分布。如果还不行在模型配置里把 P3 的检测头权重加大或者换用 YOLOV5 的--img-size多尺度训练。4.4 类别不均衡导致低频类 AP 为 0现象高频类 AP 0.9低频类 AP 0.0 到 0.1。原因低频类样本太少模型直接学会了全部预测为高频类。解决三个手段叠加——合并类别把样本数少于 200 的类合并、开 focal lossfl_gamma: 1.5、在 dataloader 里做重采样对低频类过采样。如果还不行只能放弃低频类在论文里说明“由于样本量限制本文只针对样本数大于 500 的 N 类标志进行检测”。4.5 推理速度不达标现象答辩时要求实时检测30 FPS但模型跑出来只有 10 FPS。原因模型太大或输入分辨率太高。解决换 YOLOV5s输入降到 640用 TensorRT 或 ONNX Runtime 加速。如果必须用大模型可以开 FP16 推理python detect.py --weights best.pt --source test.jpg --half --img-size 640--half在支持 FP16 的显卡上能提速 30% 到 50%精度损失不到 1 个点。5. 从跑通到答辩验证模型真的学到了交通标志5.1 用混淆矩阵和 PR 曲线定位问题YOLOV5 训练完会自动生成混淆矩阵和 PR 曲线在runs/train/exp/下。混淆矩阵能告诉你模型把哪些类搞混了比如“限速 40”被大量预测成“限速 50”说明这两个类的特征区分度不够需要增加样本或调整 anchor。PR 曲线看每个类的 AP如果某个类的曲线在低召回区就掉下来说明模型对这个类的置信度普遍偏低可以调低推理时的--conf-thres。5.2 用真实场景图做压力测试验证集指标好看不代表模型能用。我一般会额外找三类图做测试夜间或逆光图、雨天或模糊图、多标志密集图。把这三类图跑一遍看漏检和误检情况。如果夜间漏检严重说明训练集里夜间样本太少要么补数据要么在论文里明确说明“本模型适用于白天光照良好场景”。答辩时老师最喜欢问“你的模型在什么条件下会失效”提前准备好这个答案比多跑 10 个点 mAP 更有用。5.3 模型导出与部署验证如果答辩要求演示建议把模型导出成 ONNX 或 TensorRT用 OpenCV 或 Flask 做个简单 demo。导出命令python export.py --weights best.pt --include onnx --img-size 640 --batch-size 1导出后一定要用onnxruntime跑一遍验证输出和 PyTorch 一致常见问题是导出时没加--dynamic导致 batch 维度固定或者 opset 版本不兼容。部署时注意预处理要和训练时完全一致BGR 转 RGB、归一化到 0 到 1、letterbox 填充。任何一步不一致推理结果都会偏。5.4 一个我踩过的坑别在最后一刻换数据集说个血泪经验。有一次帮学弟调毕设他训练到 mAP 0.88 了觉得 TT100K 类别太多临时换成 CCTSDB 想冲 0.95。结果标注格式、类别数、anchor 全要重来三天没跑出结果最后只能用回原来的模型。交通标志检测这个方向数据集选定之后就不要换把精力花在调参和验证上。模型指标从 0.85 提到 0.90 靠的是数据清洗和 anchor 优化不是换数据集。希望帮到你。本文还有配套的精品资源点击获取 交通标志识别毕设：YOLOV5数据集与代码模型实战指南
简介本资源面向计算机、人工智能及相关专业的本科生与研究生提供一套可直接用于毕业设计、期末大作业或课程设计的YOLOV5交通标志识别检测完整方案帮助解决选题难、代码跑不通、缺少数据集与预训练模型等常见问题。压缩包共266个文件约423.32MB包含53个Python源码文件、59个YAML配置、55张JPG与26张PNG图像样本、10个PT权重文件以及CSV训练日志、XML标注、Shell脚本、Dockerfile和Markdown说明等覆盖数据、训练、推理与部署全流程。代码附有详细注释新手也能理解网络结构与训练逻辑下载后简单配置环境即可运行。目前已有318人学习下载适合希望快速搭建可演示、可答辩项目的同学参考也能为后续模型调优与功能扩展提供基础。1. 交通标志识别毕设YOLOV5 这套数据集加代码模型到底能不能一把梭每年三四月实验室里最常听到的一句话就是“检测跑通了但答辩讲不出东西”。交通标志识别这个题目之所以年年被选是因为它同时踩中了三个刚需数据集公开可查、YOLOV5 生态成熟、指标好看。但真正动手的人会发现从下载数据到 mAP 跑到 0.9 以上中间隔着一堆没人告诉你的细节——类别不均衡、小目标密集、标注格式对不上、训练到一半 loss 突然炸掉。这套“数据集代码模型”的组合本质上是把 YOLOV5 在 TT100K 或 CCTSDB 这类交通标志数据上的完整链路打包好让你不用从零标注就能跑通训练、验证、推理三段。适合谁适合本科毕设、课程设计、刚转检测方向想找个完整项目练手的同学。但“能跑通”和“能答辩”是两回事下面把这条链路拆开讲清楚包括参数怎么设、坑在哪、怎么验证模型真的学到了东西而不是记住了背景。2. YOLOV5 交通标志检测的数据集选型与格式转换2.1 为什么交通标志数据集不能随便拿一个就用交通标志检测和通用目标检测最大的区别在于类别极度不均衡且小目标占比高。以国内常用的 TT100K 为例标注了 221 类交通标志但其中超过一半的类别样本数不到 100 张而“限速 40”“禁止驶入”这类常见标志动辄几千张。如果你直接拿原始数据训练模型会严重偏向高频类低频类的 AP 低到没法看。另一个问题是尺度交通标志在整张图里往往只占几十个像素YOLOV5 的 P3 特征图stride 8是检测小目标的主力但如果输入分辨率不够P3 上的有效特征会被背景淹没。常见做法是先把类别合并。比如把“限速 40”“限速 50”“限速 60”合并成“限速”一个大类或者只保留样本数超过 500 的类别其余归为“其他”。这样类别数从 221 降到 20 到 30 之间训练稳定性和指标都会明显改善。如果你用的是 CCTSDB它本身只有三类指示、禁止、警告类别均衡性好但标注框偏大小目标场景覆盖不足。选哪个取决于你答辩时想讲什么故事想讲类别不均衡处理就选 TT100K想快速出指标就选 CCTSDB。2.2 把标注转成 YOLO 格式脚本与四个边界坑YOLOV5 要求每张图对应一个 txt 标注文件每行格式为class_id x_center y_center width height且坐标必须归一化到 0 到 1 之间。TT100K 原始标注是 JSONCCTSDB 是 XML都需要转换。下面是一个通用的 JSON 转 YOLO 脚本处理 TT100K 的标注结构import json import os from pathlib import Path # TT100K 的 JSON 结构{imgs: [{id: xxx.jpg, objects: [{category: p1, bbox: {xmin:..,ymin:..,xmax:..,ymax:..}}]}]} def convert_tt100k(json_path, img_dir, out_dir, class_map): with open(json_path, r, encodingutf-8) as f: data json.load(f) os.makedirs(out_dir, exist_okTrue) for item in data[imgs]: img_id item[id] # 用 PIL 或 cv2 读原图尺寸这里假设图片在 img_dir 下 import cv2 img cv2.imread(os.path.join(img_dir, img_id)) if img is None: continue h, w img.shape[:2] lines [] for obj in item.get(objects, []): cat obj[category] if cat not in class_map: continue bbox obj[bbox] xmin, ymin, xmax, ymax bbox[xmin], bbox[ymin], bbox[xmax], bbox[ymax] # 边界裁剪防止标注越界导致归一化后超出 0-1 xmin max(0, min(xmin, w - 1)) xmax max(0, min(xmax, w - 1)) ymin max(0, min(ymin, h - 1)) ymax max(0, min(ymax, h - 1)) if xmax xmin or ymax ymin: continue x_center (xmin xmax) / 2.0 / w y_center (ymin ymax) / 2.0 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{class_map[cat]} {x_center:.6f} {y_center:.6f} {bw:.6f} {bh:.6f}) if lines: txt_name Path(img_id).stem .txt with open(os.path.join(out_dir, txt_name), w) as f: f.write(\n.join(lines)) # 类别映射示例只保留高频类 class_map {p1: 0, p2: 1, p3: 2, p4: 3, p5: 4, p6: 5, p7: 6, p8: 7, p9: 8, p10: 9, p11: 10, p12: 11, p13: 12, p14: 13, p15: 14, p16: 15, p17: 16, p18: 17, p19: 18, p20: 19, p21: 20, p22: 21, p23: 22, p24: 23, p25: 24, p26: 25} convert_tt100k(annotations.json, train_images, labels/train, class_map)这段代码的关键点不在转换本身而在四个容易翻车的地方。第一坐标越界TT100K 里有些标注框的 xmax 等于图片宽度归一化后变成 1.0YOLOV5 的 dataloader 会直接报错所以必须做min(xmax, w-1)裁剪。第二空标注文件如果一张图里所有类别都被过滤掉了不要生成空 txt否则训练时会被当成负样本影响召回。第三类别映射一致性训练集和验证集必须用同一个 class_map否则类别 ID 对不上mAP 会莫名其妙掉一半。第四图片和标注文件名必须严格对应YOLOV5 是按文件名去匹配的差一个后缀就找不到。2.3 数据集划分与 data.yaml 配置转换完之后要划分训练集、验证集、测试集常见比例是 7:2:1 或 8:1:1。注意交通标志数据集里同一场景可能有多张连续帧如果随机划分会导致训练集和验证集出现几乎相同的图片验证指标虚高。更稳妥的做法是按场景或按拍摄批次划分。划分完写 data.yamlpath: /home/user/traffic_sign # 数据集根目录 train: images/train val: images/val test: images/test nc: 26 # 类别数必须和 class_map 的长度一致 names: [p1, p2, p3, p4, p5, p6, p7, p8, p9, p10, p11, p12, p13, p14, p15, p16, p17, p18, p19, p20, p21, p22, p23, p24, p25, p26]nc和names的长度必须一致这是最常见的配置错误之一。另外path建议用绝对路径相对路径在 YOLOV5 不同版本里解析行为不一致容易踩坑。3. YOLOV5 训练交通标志模型的参数配置与调优3.1 模型选型s/m/l 怎么选不后悔YOLOV5 提供 s、m、l、x 四个主要规格参数量从 7M 到 86M 不等。交通标志检测的图片分辨率通常不高TT100K 是 2048×2048 但标志区域很小用 YOLOV5s 在 640 输入下 mAP0.5 大概能到 0.75 到 0.82YOLOV5m 能到 0.82 到 0.88YOLOV5l 再高 2 到 3 个点但训练时间翻倍。如果你用的是消费级显卡比如 3060 12GYOLOV5m 是性价比最高的选择batch size 能开到 16训练 300 epoch 大概 6 到 8 小时。如果显存只有 6G老老实实上 YOLOV5s把输入分辨率提到 800 或 1024小目标召回反而比大模型低分辨率更好。选型时还要看你的答辩需求。如果导师问“为什么选这个模型”你要能说出参数量、推理速度、mAP 的权衡而不是“因为别人都用这个”。建议在论文里放一张对比表把 s/m/l 在验证集上的 mAP0.5、mAP0.5:0.95、推理时间ms列出来这样选型理由就立住了。3.2 超参数怎么改从 hyp.scratch-low 到自定义YOLOV5 自带data/hyps/hyp.scratch-low.yaml里面的默认超参是给 COCO 调的直接用在交通标志上会有些水土不服。下面是我一般会改的几个参数# hyp.scratch-low.yaml 关键修改项 lr0: 0.01 # 初始学习率默认 0.01交通标志数据量小可以降到 0.005 lrf: 0.01 # 最终学习率系数默认 0.01保持 momentum: 0.937 # 保持 weight_decay: 0.0005 # 保持 warmup_epochs: 3.0 # 默认 3小数据集可以降到 1 或 2 warmup_momentum: 0.8 box: 0.05 # box loss 权重默认 0.05小目标多可以提到 0.08 cls: 0.5 # 分类 loss 权重默认 0.5类别不均衡时可以降到 0.3 cls_pw: 1.0 # 类别权重默认 1.0如果用了类别合并保持默认 obj: 1.0 # 目标性 loss 权重默认 1.0 obj_pw: 1.0 iou_t: 0.20 # IoU 训练阈值默认 0.20小目标可以降到 0.15 anchor_t: 4.0 # anchor 匹配阈值默认 4.0保持 fl_gamma: 0.0 # focal loss默认 0类别不均衡严重时可以设 1.5 hsv_h: 0.015 # 色调增强交通标志颜色重要可以降到 0.01 hsv_s: 0.7 # 饱和度增强保持 hsv_v: 0.4 # 亮度增强保持 degrees: 0.0 # 旋转角度交通标志有方向性不要开 translate: 0.1 # 平移保持 scale: 0.5 # 缩放保持 shear: 0.0 # 剪切不要开 perspective: 0.0 # 透视不要开 flipud: 0.0 # 上下翻转交通标志不能上下翻 fliplr: 0.5 # 左右翻转可以开但注意左右转标志会变语义 mosaic: 1.0 # mosaic 增强保持 mixup: 0.0 # mixup小数据集可以开 0.1重点说三个。degrees和flipud一定要关掉交通标志的语义和方向强相关旋转或上下翻转会让“左转”变成“右转”模型学到的特征是错的。fl_gamma是 focal loss 的 gamma 值如果你发现低频类的 AP 始终上不去可以设 1.0 到 2.0 之间但不要超过 2.0否则训练不稳定。box权重提到 0.08 是为了让小目标的定位更准代价是收敛稍慢。3.3 训练命令与关键参数解读训练命令本身不复杂但每个参数都影响结果python train.py \ --data data/traffic_sign.yaml \ --cfg models/yolov5m.yaml \ --weights yolov5m.pt \ --epochs 300 \ --batch-size 16 \ --imgsz 640 \ --hyp data/hyps/hyp.scratch-low.yaml \ --project runs/train \ --name traffic_yolov5m \ --cache--weights yolov5m.pt是加载 COCO 预训练权重这一步对交通标志这种小数据集至关重要从头训练几乎不可能收敛到好指标。--cache会把图片缓存到内存如果数据集不大几千张能明显加快训练但内存小于 16G 不要开。--imgsz 640是输入分辨率如果你显存够可以提到 800 或 1024小目标召回会提升但 batch size 要相应降到 8 或 4。--epochs 300是上限实际看验证集 mAP 什么时候不再上升通常 200 到 250 就收敛了YOLOV5 自带 early stop 机制patience 默认 100不用手动停。训练过程中要盯三个东西train/box_loss、train/obj_loss、metrics/mAP_0.5。box_loss 应该稳定下降如果震荡剧烈说明学习率太大obj_loss 如果一直不降检查标注里有没有大量空文件或错误框mAP 在 50 epoch 后应该开始上升如果 100 epoch 还是 0.1 以下大概率是 data.yaml 配错了或者类别映射对不上。4. 交通标志检测的避坑与排查清单4.1 训练 loss 变成 nan 或突然爆炸现象训练到几十个 epoch 后box_loss 突然变成 nan或者从 0.05 跳到几百。原因通常是学习率过大加上某个 batch 里有异常标注比如宽高为 0 的框梯度爆炸。解决先把lr0降到 0.001 重跑同时在 dataloader 里加一个过滤把宽或高小于 2 像素的框丢掉。如果已经跑了一半不想重来可以从最近的 checkpoint 恢复并把学习率调低python train.py --resume runs/train/traffic_yolov5m/weights/last.pt --lr0 0.0014.2 mAP 很高但实际推理一塌糊涂现象验证集 mAP0.5 到了 0.95但拿真实街景图去推理框全歪了或者漏检严重。原因一般是验证集和训练集分布太接近同一批数据随机划分模型过拟合了。解决按场景重新划分验证集确保验证集里有训练集没出现过的拍摄角度、光照条件。另外检查推理时的--img-size是否和训练时一致训练用 640 推理用 1280 会导致 anchor 尺度不匹配。4.3 小目标漏检严重现象大标志能检出远处的小标志基本全漏。原因P3 特征图分辨率不够或者 anchor 尺寸不匹配。解决把输入分辨率从 640 提到 1024同时用 k-means 重新聚类 anchorpython utils/autoanchor.py --data data/traffic_sign.yaml --imgsz 1024重新聚类后的 anchor 会更贴合交通标志的尺度分布。如果还不行在模型配置里把 P3 的检测头权重加大或者换用 YOLOV5 的--img-size多尺度训练。4.4 类别不均衡导致低频类 AP 为 0现象高频类 AP 0.9低频类 AP 0.0 到 0.1。原因低频类样本太少模型直接学会了全部预测为高频类。解决三个手段叠加——合并类别把样本数少于 200 的类合并、开 focal lossfl_gamma: 1.5、在 dataloader 里做重采样对低频类过采样。如果还不行只能放弃低频类在论文里说明“由于样本量限制本文只针对样本数大于 500 的 N 类标志进行检测”。4.5 推理速度不达标现象答辩时要求实时检测30 FPS但模型跑出来只有 10 FPS。原因模型太大或输入分辨率太高。解决换 YOLOV5s输入降到 640用 TensorRT 或 ONNX Runtime 加速。如果必须用大模型可以开 FP16 推理python detect.py --weights best.pt --source test.jpg --half --img-size 640--half在支持 FP16 的显卡上能提速 30% 到 50%精度损失不到 1 个点。5. 从跑通到答辩验证模型真的学到了交通标志5.1 用混淆矩阵和 PR 曲线定位问题YOLOV5 训练完会自动生成混淆矩阵和 PR 曲线在runs/train/exp/下。混淆矩阵能告诉你模型把哪些类搞混了比如“限速 40”被大量预测成“限速 50”说明这两个类的特征区分度不够需要增加样本或调整 anchor。PR 曲线看每个类的 AP如果某个类的曲线在低召回区就掉下来说明模型对这个类的置信度普遍偏低可以调低推理时的--conf-thres。5.2 用真实场景图做压力测试验证集指标好看不代表模型能用。我一般会额外找三类图做测试夜间或逆光图、雨天或模糊图、多标志密集图。把这三类图跑一遍看漏检和误检情况。如果夜间漏检严重说明训练集里夜间样本太少要么补数据要么在论文里明确说明“本模型适用于白天光照良好场景”。答辩时老师最喜欢问“你的模型在什么条件下会失效”提前准备好这个答案比多跑 10 个点 mAP 更有用。5.3 模型导出与部署验证如果答辩要求演示建议把模型导出成 ONNX 或 TensorRT用 OpenCV 或 Flask 做个简单 demo。导出命令python export.py --weights best.pt --include onnx --img-size 640 --batch-size 1导出后一定要用onnxruntime跑一遍验证输出和 PyTorch 一致常见问题是导出时没加--dynamic导致 batch 维度固定或者 opset 版本不兼容。部署时注意预处理要和训练时完全一致BGR 转 RGB、归一化到 0 到 1、letterbox 填充。任何一步不一致推理结果都会偏。5.4 一个我踩过的坑别在最后一刻换数据集说个血泪经验。有一次帮学弟调毕设他训练到 mAP 0.88 了觉得 TT100K 类别太多临时换成 CCTSDB 想冲 0.95。结果标注格式、类别数、anchor 全要重来三天没跑出结果最后只能用回原来的模型。交通标志检测这个方向数据集选定之后就不要换把精力花在调参和验证上。模型指标从 0.85 提到 0.90 靠的是数据清洗和 anchor 优化不是换数据集。希望帮到你。本文还有配套的精品资源点击获取