尧图网站建设 
简介本资源是一套基于YOLOv5的端到端道路车辆与行人检测识别计数系统专为计算机类专业本科生毕业设计、课程设计及深度学习项目实战学习者打造解决目标检测模型部署、多目标追踪与实时计数等核心工程问题。压缩包共78个文件含50个Python源码覆盖主程序main.py、检测器detector.py、追踪器tracker.py及DeepSORT集成模块、6个YOLO配置yaml文件、5个标注xml样本、3个Shell脚本含一键运行与模型导出、2个JPG示例图及1个测试MP4视频辅以requirements.txt、使用说明.txt和完整模型权重yolov5m.pt整体大小82.69MB结构清晰、模块解耦便于理解YOLOv5推理流程与计数逻辑。已有442人学习下载资源经严格调试支持开箱即用提供从环境配置、模型加载、视频/图像推理到结果可视化与计数统计的全流程实现附带详细文档与典型场景测试用例显著降低毕设开发门槛与调试成本。1. 这不是又一个YOLOv5 demo它把检测、跟踪、计数三件事拧成一股绳毕设答辩时能现场切视频流演示你手头可能已经跑过十几个YOLOv5的GitHub项目——改个detect.py、换张图、输出框框和标签然后截图交差。但真正卡住毕设进度的从来不是“能不能检测”而是“怎么让系统持续稳定地数清每辆驶过的车、每个穿行的行人并区分方向、避免重复计数”。这个源码包里的main.py不是调用一次就完事的脚本它背后是detector.pyYOLOv5m模型推理、tracker.pyDeepSORT多目标跟踪器和utils/counting.py基于轨迹交叉点与ROI区域的双向计数逻辑三层耦合结构。它不依赖GPU服务器实测在RTX 3060笔记本上对1080p道路视频可维持22 FPS也不需要你从零标注数据集——压缩包里直接附带了预训练好的yolov5m.pt且yolov5m.yaml已按COCO类别精简为仅保留person,car,bus,truck,motorcycle,bicycle六类规避了毕业设计中常见的类别冗余与误检干扰。适合正在赶毕设DDL、需要可演示、可解释、可写进论文“系统实现”章节的计算机/人工智能专业学生也适合作为《计算机视觉应用》课程设计的完整闭环案例。2. YOLOv5m DeepSORT 架构选型与模块解耦为什么不用YOLOv8或ByteTrack2.1 检测层为何锁定YOLOv5m而非更轻量的YOLOv5s或更强的YOLOv5xYOLOv5系列在2022–2023年高校毕设场景中仍具强兼容性优势其PyTorch实现成熟、CUDA版本适配广支持11.3–11.8、ONNX导出稳定且yolov5m.pt在保持72.3% mAP0.5的同时单帧推理耗时RTX 3060仅18ms显著优于YOLOv5x29ms而精度损失可控YOLOv5x为74.1%。更重要的是该源码包中的detector.py已深度定制化移除了models/yolo.py中默认的AutoShape封装直接使用torch.nn.Module原生接口避免detect.py中常见的AttributeError: NoneType object has no attribute shape错误在utils/general.py中重写了non_max_suppression函数将conf_thres0.45与iou_thres0.45硬编码为可配置参数而非写死在models/common.py里yolov5m.yaml中nc: 6明确限定类别数与datasets/coco6.yaml中定义的6类严格对应杜绝因类别数不匹配导致的IndexError: index 7 is out of bounds for dimension 1 with size 6。提示若需替换为自定义数据集不要直接修改yolov5m.yaml中的nc值而应复制一份yolov5m_custom.yaml并同步更新train.py中--data参数指向的新yaml路径否则model.load_state_dict()会因权重维度不匹配报错。2.2 DeepSORT跟踪器为何未升级为ByteTrack或BoT-SORT虽然ByteTrack在MOT17榜单上mOTA达80.3%但其对低置信度检测框的强依赖在道路监控场景下易引发“幽灵轨迹”——即对YOLOv5漏检的车辆仅凭运动模型外推生成虚假ID。该源码包采用DeepSORTdeep_sort/models/mars-small128.pb核心在于其max_age30与n_init3的组合要求目标必须连续3帧被检测到才创建ID且允许ID在30帧内无检测仍存活。这恰好匹配道路视频中车辆被遮挡如被公交车遮挡的典型时长平均12–18帧。tracker.py中关键参数如下表参数名当前值作用说明修改建议max_cosine_distance0.2衡量外观特征相似度阈值值越小越严格道路场景建议0.15–0.25过高会导致同一车辆分裂为多IDnn_budget100特征库最大缓存数影响内存占用1080p视频建议设为50避免OOMmax_iou_distance0.7IOU匹配阈值用于初始关联车辆密集时可降至0.5减少ID跳变# tracker.py 中初始化DeepSORT的关键代码段 from deep_sort import DeepSort self.deepsort DeepSort( model_pathdeep_sort/models/mars-small128.pb, # 外观特征提取模型 max_dist0.2, # cosine距离阈值 min_confidence0.3, # 检测框置信度过滤低于此值不送入跟踪 nms_max_overlap0.5, # 跟踪前NMS的IOU阈值 max_iou_distance0.7, max_age30, # ID最大丢失帧数 n_init3, # 创建ID所需连续检测帧数 nn_budget100 )这段代码中min_confidence0.3是关键防线它过滤掉YOLOv5输出的低质量检测框如模糊车辆尾灯、远处小目标避免这些噪声进入跟踪队列大幅降低ID切换频率。实测显示关闭此过滤后某十字路口视频的ID切换次数从12次/分钟飙升至47次/分钟。2.3 计数逻辑如何绕过“检测抖动”陷阱单纯统计检测框数量会严重失真——同一辆车在连续帧中可能被检测为2个框因角度变化或短暂消失后重现被遮挡。该系统采用ROI轨迹交叉点双校验机制在main.py中通过cv2.selectROI()交互式绘制两个ROI区域入口区A、出口区Butils/counting.py中每条轨迹由tracker.py输出的(x,y,t)序列被判定为“进入”当且仅当轨迹点首次穿越ROI A边界crossed_in True后续轨迹点进入ROI B且crossed_in True此时触发计数器count[car] 1并重置crossed_in False。该逻辑避免了传统“进出线”方法中因车辆减速、倒车导致的重复计数。例如一辆车在A区停留3秒后驶入B区仅计1次若其从B区倒回A区则不触发新计数因crossed_in已重置。3. 从解压到实时计数四步完成环境部署与视频流验证3.1 环境构建为什么requirements.txt要手动删掉两行解压后执行pip install -r requirements.txt大概率失败原因在于原始文件包含两个已弃用的依赖tensorboard2.11.0与PyTorch 1.13冲突报ImportError: cannot import name SummaryWriterwandb0.13.7非必需该包未启用WB日志且其依赖watchdog在Windows下常引发OSError: [WinError 123]。正确操作是# 编辑 requirements.txt删除第12行 tensorboard2.11.0 和第28行 wandb0.13.7 sed -i /tensorboard/d; /wandb/d requirements.txt # Linux/macOS # Windows用户请用记事本打开手动删除对应行 pip install -r requirements.txt安装完成后验证核心依赖版本python -c import torch; print(PyTorch:, torch.__version__) python -c import cv2; print(OpenCV:, cv2.__version__) python -c import numpy as np; print(NumPy:, np.__version__)预期输出PyTorch: 1.13.1cu117,OpenCV: 4.8.0,NumPy: 1.23.5。若PyTorch版本不符请根据CUDA版本选择对应whl包如CUDA 11.7对应torch-1.13.1cu117。3.2 模型加载与推理如何确认yolov5m.pt被正确载入main.py中模型加载逻辑位于detector.py的__init__方法def __init__(self, weightsweights/yolov5m.pt, devicecpu): self.device select_device(device) # 自动选择cuda:0或cpu self.model attempt_load(weights, map_locationself.device) # 关键attempt_load self.names self.model.module.names if hasattr(self.model, module) else self.model.names self.stride int(self.model.stride.max()) # 获取模型下采样步长YOLOv5m为32attempt_load函数定义于utils/torch_utils.py会自动处理.pt文件的两种格式若为state_dict格式无模型结构则报错KeyError: model若为完整checkpoint含model、optimizer等key则成功加载。该源码包的yolov5m.pt是完整checkpoint因此无需额外操作。验证方式运行以下命令观察是否输出6类名称及输入尺寸python detector.py --weights weights/yolov5m.pt --img 640 --conf 0.25成功时终端将打印Model Summary: 224 layers, 21,145,126 parameters, 21,145,126 gradients, 49.5 GFLOPs Names: [person, car, bus, truck, motorcycle, bicycle]3.3 视频流处理test.mp4为何要重编码FFmpeg命令详解提供的test.mp4是H.265编码部分OpenCV版本尤其4.5.4以下无法解码导致cv2.VideoCapture(test.mp4)返回None。解决方案是用FFmpeg转为H.264# 安装FFmpegUbuntu sudo apt update sudo apt install ffmpeg # 转码命令保持分辨率与帧率仅改编码 ffmpeg -i test.mp4 -c:v libx264 -crf 23 -preset fast -c:a aac test_h264.mp4参数说明-c:v libx264指定视频编码器为H.264-crf 23恒定质量因子18–28为合理范围值越小画质越好-preset fast编码速度优先平衡耗时与压缩率-c:a aac音频编码为AAC确保音视频同步。转码后用以下Python代码验证import cv2 cap cv2.VideoCapture(test_h264.mp4) print(Open success:, cap.isOpened()) # 应输出 True print(FPS:, cap.get(cv2.CAP_PROP_FPS)) # 应输出 30.0 或 25.0 cap.release()3.4 启动主程序main.py的五个关键参数与调试技巧执行python main.py前务必理解以下参数全部支持命令行传入python main.py \ --source test_h264.mp4 \ # 输入源文件路径/摄像头ID0/RTSP流 --weights weights/yolov5m.pt \ # 检测模型路径 --view-img \ # 实时显示检测结果GUI窗口 --save-txt \ # 将每帧检测结果保存为txt用于后期分析 --count \ # 启用计数功能必加否则不计数 --classes 1 2 3 # 仅检测car(1), bus(2), truck(3)忽略person等调试技巧若画面卡顿添加--device 0强制使用GPU并检查nvidia-smi确认显存占用若计数为0用--debug-track启动程序将在控制台打印每帧的跟踪ID列表观察ID是否连续若检测框漂移降低--conf 0.3默认0.45并提高--iou-thres 0.5默认0.45增强框稳定性。4. ROI区域标定与计数精度优化三个实战技巧提升毕业设计可信度4.1 交互式ROI标定如何用鼠标精准框选车道线main.py中ROI标定逻辑调用OpenCV原生函数if args.count: print(【提示】请用鼠标拖拽框选入口区域ROI A按ENTER确认...) roi_a cv2.selectROI(ROI A, frame, showCrosshairFalse, fromCenterFalse) print(【提示】请用鼠标拖拽框选出口区域ROI B按ENTER确认...) roi_b cv2.selectROI(ROI B, frame, showCrosshairFalse, fromCenterFalse)实际操作中常见问题问题鼠标拖拽时ROI框不跟随松开后消失。原因OpenCV GUI窗口焦点丢失如切换到终端。解决标定时全程保持GUI窗口在最前勿点击终端若失效重启Python进程。标定后ROI坐标以(x, y, w, h)元组形式存入counting.py后续所有轨迹交叉计算均基于此。建议标定宽度覆盖整条车道如320像素高度约120像素确保车辆至少3帧完全处于ROI内。4.2 方向判别优化为什么不能只靠ROI顺序原始逻辑假设“先过A后过B即为正向”但在环形路口或斜向拍摄场景下车辆可能从B区先进入画面再经过A区。此时需引入运动矢量校验# 在 counting.py 的 track_crossing 函数中插入 if len(track) 5: # 轨迹点足够计算趋势 xs [p[0] for p in track[-5:]] # 最近5帧x坐标 dx xs[-1] - xs[0] # x方向位移 if abs(dx) 20: # 位移大于20像素才判方向 direction right if dx 0 else left # 仅当direction与ROI顺序一致时才计数此段代码添加后需在main.py中传入--direction-aware参数启用。它使系统能识别“左转车辆”与“直行车辆”的轨迹差异避免环岛场景误计。4.3 计数结果导出与可视化生成答辩可用的统计图表程序运行结束后results/目录下将生成count_log.txt每10秒一行格式为[2023-10-05 14:22:30] car:12, bus:3, truck:2count_chart.png使用matplotlib绘制的折线图横轴为时间秒纵轴为累计数量。若需导出Excel供论文插入执行以下脚本# export_to_excel.py import pandas as pd import re with open(results/count_log.txt) as f: lines f.readlines() data [] for line in lines: match re.match(r\[(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2})\] (.*), line) if match: time_str, counts match.groups() counts_dict {} for item in counts.split(, ): k, v item.split(:) counts_dict[k.strip()] int(v.strip()) data.append({time: time_str, **counts_dict}) df pd.DataFrame(data) df.to_excel(counting_results.xlsx, indexFalse) print(✅ Excel已生成counting_results.xlsx)运行后得到结构化表格可直接复制到论文“实验结果”章节并用Excel生成堆叠柱状图直观展示不同车型流量分布。注意count_log.txt默认按10秒粒度汇总若需1秒级精度修改main.py中count_interval 10为count_interval 1但会显著增加日志体积。本文还有配套的精品资源点击获取 YOLOv5m+DeepSORT多目标跟踪与双向计数系统
简介本资源是一套基于YOLOv5的端到端道路车辆与行人检测识别计数系统专为计算机类专业本科生毕业设计、课程设计及深度学习项目实战学习者打造解决目标检测模型部署、多目标追踪与实时计数等核心工程问题。压缩包共78个文件含50个Python源码覆盖主程序main.py、检测器detector.py、追踪器tracker.py及DeepSORT集成模块、6个YOLO配置yaml文件、5个标注xml样本、3个Shell脚本含一键运行与模型导出、2个JPG示例图及1个测试MP4视频辅以requirements.txt、使用说明.txt和完整模型权重yolov5m.pt整体大小82.69MB结构清晰、模块解耦便于理解YOLOv5推理流程与计数逻辑。已有442人学习下载资源经严格调试支持开箱即用提供从环境配置、模型加载、视频/图像推理到结果可视化与计数统计的全流程实现附带详细文档与典型场景测试用例显著降低毕设开发门槛与调试成本。1. 这不是又一个YOLOv5 demo它把检测、跟踪、计数三件事拧成一股绳毕设答辩时能现场切视频流演示你手头可能已经跑过十几个YOLOv5的GitHub项目——改个detect.py、换张图、输出框框和标签然后截图交差。但真正卡住毕设进度的从来不是“能不能检测”而是“怎么让系统持续稳定地数清每辆驶过的车、每个穿行的行人并区分方向、避免重复计数”。这个源码包里的main.py不是调用一次就完事的脚本它背后是detector.pyYOLOv5m模型推理、tracker.pyDeepSORT多目标跟踪器和utils/counting.py基于轨迹交叉点与ROI区域的双向计数逻辑三层耦合结构。它不依赖GPU服务器实测在RTX 3060笔记本上对1080p道路视频可维持22 FPS也不需要你从零标注数据集——压缩包里直接附带了预训练好的yolov5m.pt且yolov5m.yaml已按COCO类别精简为仅保留person,car,bus,truck,motorcycle,bicycle六类规避了毕业设计中常见的类别冗余与误检干扰。适合正在赶毕设DDL、需要可演示、可解释、可写进论文“系统实现”章节的计算机/人工智能专业学生也适合作为《计算机视觉应用》课程设计的完整闭环案例。2. YOLOv5m DeepSORT 架构选型与模块解耦为什么不用YOLOv8或ByteTrack2.1 检测层为何锁定YOLOv5m而非更轻量的YOLOv5s或更强的YOLOv5xYOLOv5系列在2022–2023年高校毕设场景中仍具强兼容性优势其PyTorch实现成熟、CUDA版本适配广支持11.3–11.8、ONNX导出稳定且yolov5m.pt在保持72.3% mAP0.5的同时单帧推理耗时RTX 3060仅18ms显著优于YOLOv5x29ms而精度损失可控YOLOv5x为74.1%。更重要的是该源码包中的detector.py已深度定制化移除了models/yolo.py中默认的AutoShape封装直接使用torch.nn.Module原生接口避免detect.py中常见的AttributeError: NoneType object has no attribute shape错误在utils/general.py中重写了non_max_suppression函数将conf_thres0.45与iou_thres0.45硬编码为可配置参数而非写死在models/common.py里yolov5m.yaml中nc: 6明确限定类别数与datasets/coco6.yaml中定义的6类严格对应杜绝因类别数不匹配导致的IndexError: index 7 is out of bounds for dimension 1 with size 6。提示若需替换为自定义数据集不要直接修改yolov5m.yaml中的nc值而应复制一份yolov5m_custom.yaml并同步更新train.py中--data参数指向的新yaml路径否则model.load_state_dict()会因权重维度不匹配报错。2.2 DeepSORT跟踪器为何未升级为ByteTrack或BoT-SORT虽然ByteTrack在MOT17榜单上mOTA达80.3%但其对低置信度检测框的强依赖在道路监控场景下易引发“幽灵轨迹”——即对YOLOv5漏检的车辆仅凭运动模型外推生成虚假ID。该源码包采用DeepSORTdeep_sort/models/mars-small128.pb核心在于其max_age30与n_init3的组合要求目标必须连续3帧被检测到才创建ID且允许ID在30帧内无检测仍存活。这恰好匹配道路视频中车辆被遮挡如被公交车遮挡的典型时长平均12–18帧。tracker.py中关键参数如下表参数名当前值作用说明修改建议max_cosine_distance0.2衡量外观特征相似度阈值值越小越严格道路场景建议0.15–0.25过高会导致同一车辆分裂为多IDnn_budget100特征库最大缓存数影响内存占用1080p视频建议设为50避免OOMmax_iou_distance0.7IOU匹配阈值用于初始关联车辆密集时可降至0.5减少ID跳变# tracker.py 中初始化DeepSORT的关键代码段 from deep_sort import DeepSort self.deepsort DeepSort( model_pathdeep_sort/models/mars-small128.pb, # 外观特征提取模型 max_dist0.2, # cosine距离阈值 min_confidence0.3, # 检测框置信度过滤低于此值不送入跟踪 nms_max_overlap0.5, # 跟踪前NMS的IOU阈值 max_iou_distance0.7, max_age30, # ID最大丢失帧数 n_init3, # 创建ID所需连续检测帧数 nn_budget100 )这段代码中min_confidence0.3是关键防线它过滤掉YOLOv5输出的低质量检测框如模糊车辆尾灯、远处小目标避免这些噪声进入跟踪队列大幅降低ID切换频率。实测显示关闭此过滤后某十字路口视频的ID切换次数从12次/分钟飙升至47次/分钟。2.3 计数逻辑如何绕过“检测抖动”陷阱单纯统计检测框数量会严重失真——同一辆车在连续帧中可能被检测为2个框因角度变化或短暂消失后重现被遮挡。该系统采用ROI轨迹交叉点双校验机制在main.py中通过cv2.selectROI()交互式绘制两个ROI区域入口区A、出口区Butils/counting.py中每条轨迹由tracker.py输出的(x,y,t)序列被判定为“进入”当且仅当轨迹点首次穿越ROI A边界crossed_in True后续轨迹点进入ROI B且crossed_in True此时触发计数器count[car] 1并重置crossed_in False。该逻辑避免了传统“进出线”方法中因车辆减速、倒车导致的重复计数。例如一辆车在A区停留3秒后驶入B区仅计1次若其从B区倒回A区则不触发新计数因crossed_in已重置。3. 从解压到实时计数四步完成环境部署与视频流验证3.1 环境构建为什么requirements.txt要手动删掉两行解压后执行pip install -r requirements.txt大概率失败原因在于原始文件包含两个已弃用的依赖tensorboard2.11.0与PyTorch 1.13冲突报ImportError: cannot import name SummaryWriterwandb0.13.7非必需该包未启用WB日志且其依赖watchdog在Windows下常引发OSError: [WinError 123]。正确操作是# 编辑 requirements.txt删除第12行 tensorboard2.11.0 和第28行 wandb0.13.7 sed -i /tensorboard/d; /wandb/d requirements.txt # Linux/macOS # Windows用户请用记事本打开手动删除对应行 pip install -r requirements.txt安装完成后验证核心依赖版本python -c import torch; print(PyTorch:, torch.__version__) python -c import cv2; print(OpenCV:, cv2.__version__) python -c import numpy as np; print(NumPy:, np.__version__)预期输出PyTorch: 1.13.1cu117,OpenCV: 4.8.0,NumPy: 1.23.5。若PyTorch版本不符请根据CUDA版本选择对应whl包如CUDA 11.7对应torch-1.13.1cu117。3.2 模型加载与推理如何确认yolov5m.pt被正确载入main.py中模型加载逻辑位于detector.py的__init__方法def __init__(self, weightsweights/yolov5m.pt, devicecpu): self.device select_device(device) # 自动选择cuda:0或cpu self.model attempt_load(weights, map_locationself.device) # 关键attempt_load self.names self.model.module.names if hasattr(self.model, module) else self.model.names self.stride int(self.model.stride.max()) # 获取模型下采样步长YOLOv5m为32attempt_load函数定义于utils/torch_utils.py会自动处理.pt文件的两种格式若为state_dict格式无模型结构则报错KeyError: model若为完整checkpoint含model、optimizer等key则成功加载。该源码包的yolov5m.pt是完整checkpoint因此无需额外操作。验证方式运行以下命令观察是否输出6类名称及输入尺寸python detector.py --weights weights/yolov5m.pt --img 640 --conf 0.25成功时终端将打印Model Summary: 224 layers, 21,145,126 parameters, 21,145,126 gradients, 49.5 GFLOPs Names: [person, car, bus, truck, motorcycle, bicycle]3.3 视频流处理test.mp4为何要重编码FFmpeg命令详解提供的test.mp4是H.265编码部分OpenCV版本尤其4.5.4以下无法解码导致cv2.VideoCapture(test.mp4)返回None。解决方案是用FFmpeg转为H.264# 安装FFmpegUbuntu sudo apt update sudo apt install ffmpeg # 转码命令保持分辨率与帧率仅改编码 ffmpeg -i test.mp4 -c:v libx264 -crf 23 -preset fast -c:a aac test_h264.mp4参数说明-c:v libx264指定视频编码器为H.264-crf 23恒定质量因子18–28为合理范围值越小画质越好-preset fast编码速度优先平衡耗时与压缩率-c:a aac音频编码为AAC确保音视频同步。转码后用以下Python代码验证import cv2 cap cv2.VideoCapture(test_h264.mp4) print(Open success:, cap.isOpened()) # 应输出 True print(FPS:, cap.get(cv2.CAP_PROP_FPS)) # 应输出 30.0 或 25.0 cap.release()3.4 启动主程序main.py的五个关键参数与调试技巧执行python main.py前务必理解以下参数全部支持命令行传入python main.py \ --source test_h264.mp4 \ # 输入源文件路径/摄像头ID0/RTSP流 --weights weights/yolov5m.pt \ # 检测模型路径 --view-img \ # 实时显示检测结果GUI窗口 --save-txt \ # 将每帧检测结果保存为txt用于后期分析 --count \ # 启用计数功能必加否则不计数 --classes 1 2 3 # 仅检测car(1), bus(2), truck(3)忽略person等调试技巧若画面卡顿添加--device 0强制使用GPU并检查nvidia-smi确认显存占用若计数为0用--debug-track启动程序将在控制台打印每帧的跟踪ID列表观察ID是否连续若检测框漂移降低--conf 0.3默认0.45并提高--iou-thres 0.5默认0.45增强框稳定性。4. ROI区域标定与计数精度优化三个实战技巧提升毕业设计可信度4.1 交互式ROI标定如何用鼠标精准框选车道线main.py中ROI标定逻辑调用OpenCV原生函数if args.count: print(【提示】请用鼠标拖拽框选入口区域ROI A按ENTER确认...) roi_a cv2.selectROI(ROI A, frame, showCrosshairFalse, fromCenterFalse) print(【提示】请用鼠标拖拽框选出口区域ROI B按ENTER确认...) roi_b cv2.selectROI(ROI B, frame, showCrosshairFalse, fromCenterFalse)实际操作中常见问题问题鼠标拖拽时ROI框不跟随松开后消失。原因OpenCV GUI窗口焦点丢失如切换到终端。解决标定时全程保持GUI窗口在最前勿点击终端若失效重启Python进程。标定后ROI坐标以(x, y, w, h)元组形式存入counting.py后续所有轨迹交叉计算均基于此。建议标定宽度覆盖整条车道如320像素高度约120像素确保车辆至少3帧完全处于ROI内。4.2 方向判别优化为什么不能只靠ROI顺序原始逻辑假设“先过A后过B即为正向”但在环形路口或斜向拍摄场景下车辆可能从B区先进入画面再经过A区。此时需引入运动矢量校验# 在 counting.py 的 track_crossing 函数中插入 if len(track) 5: # 轨迹点足够计算趋势 xs [p[0] for p in track[-5:]] # 最近5帧x坐标 dx xs[-1] - xs[0] # x方向位移 if abs(dx) 20: # 位移大于20像素才判方向 direction right if dx 0 else left # 仅当direction与ROI顺序一致时才计数此段代码添加后需在main.py中传入--direction-aware参数启用。它使系统能识别“左转车辆”与“直行车辆”的轨迹差异避免环岛场景误计。4.3 计数结果导出与可视化生成答辩可用的统计图表程序运行结束后results/目录下将生成count_log.txt每10秒一行格式为[2023-10-05 14:22:30] car:12, bus:3, truck:2count_chart.png使用matplotlib绘制的折线图横轴为时间秒纵轴为累计数量。若需导出Excel供论文插入执行以下脚本# export_to_excel.py import pandas as pd import re with open(results/count_log.txt) as f: lines f.readlines() data [] for line in lines: match re.match(r\[(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2})\] (.*), line) if match: time_str, counts match.groups() counts_dict {} for item in counts.split(, ): k, v item.split(:) counts_dict[k.strip()] int(v.strip()) data.append({time: time_str, **counts_dict}) df pd.DataFrame(data) df.to_excel(counting_results.xlsx, indexFalse) print(✅ Excel已生成counting_results.xlsx)运行后得到结构化表格可直接复制到论文“实验结果”章节并用Excel生成堆叠柱状图直观展示不同车型流量分布。注意count_log.txt默认按10秒粒度汇总若需1秒级精度修改main.py中count_interval 10为count_interval 1但会显著增加日志体积。本文还有配套的精品资源点击获取