简介这份资源是面向深度学习入门者、毕业设计或课程设计学生的YOLOv8交通人群监测完整项目包聚焦智能交通与公共安全场景下的行人检测与流量统计。压缩包共24个文件、约25.56MB以png、jpg图像样本和结果曲线图为主辅以py检测脚本、pt训练权重、ipynb实验笔记及md说明文档覆盖数据、模型、代码与文档全链路。项目包含摄像头实时检测与静态图片检测两套实现配套通用工具函数、依赖清单和训练输出记录便于快速复现与二次开发。目前已有40人学习适合希望掌握目标检测落地流程、积累工程经验的读者参考借鉴。1. 交通人群监测为什么总在“人挤人”场景翻车早高峰的地铁换乘通道、商圈路口、景区入口这些地方的人流密度一上来传统检测方案就开始集体失灵。基于YOLOv8的交通人群监测设计要解决的核心问题就是在遮挡严重、目标尺度剧烈变化、光照忽明忽暗的真实交通场景里把行人和非机动车稳定地框出来、数清楚、跟得住。它适合两类人一类是正在做智慧交通、安防监控、客流统计方向的一线开发和算法工程师另一类是需要一个能跑通、能改、能部署的完整方案来支撑毕业设计或项目交付的同学。很多人第一次跑YOLOv8官方权重在COCO上看着mAP挺漂亮一换到自己拍的交通监控视频就傻眼——远处的人只有十几个像素近处的人半个身子被广告牌挡住晚上逆光只剩一个轮廓。这不是模型不行是通用权重和交通人群这个垂直场景之间隔着一条数据鸿沟。这篇笔记就顺着“这是什么、怎么搭、数据怎么处理、参数怎么调、坑在哪”这条线把一套可复现的交通人群监测方案讲透让你拿到标题里的思路后能自己动手落地而不是停在“知道有这么个东西”。2. 从零搭起YOLOv8交通人群监测环境CPU和GPU两条路怎么选2.1 环境搭建的选型逻辑与最小依赖先说选型。YOLOv8基于Ultralytics框架安装本身不复杂难的是版本对齐。我一般会先确认三件事Python版本、PyTorch版本、CUDA版本。如果你手头只有普通笔记本没有独显那就走CPU路线用Ubuntu 20.04搭建YOLOv8环境CPU版本完全可行只是训练慢推理单帧大概几百毫秒做演示和功能验证够用。如果有GTX1660Ti这类6G显存的卡那就能跑训练但batch size要压到8甚至4否则显存直接爆。最小依赖清单其实就几个Python 3.8到3.10之间、PyTorch、torchvision、ultralytics、opencv-python、numpy。不要一上来就装一堆花哨的包先把主干跑通。下面是我在Ubuntu 20.04上验证过的CPU环境搭建命令GPU版本把torch的index-url换成对应CUDA版本即可。# 创建独立虚拟环境避免污染系统Python conda create -n yolov8_traffic python3.10 -y conda activate yolov8_traffic # CPU版本PyTorch安装GPU版本请替换为对应cuda的index-url pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 安装ultralytics主包它会自动拉取opencv等依赖 pip install ultralytics # 验证安装是否成功 yolo checks这段命令的逻辑是先隔离环境再装框架底座PyTorch最后装ultralytics。yolo checks会打印出当前环境检测到的设备、版本信息如果这里报错后面全白搭。参数上唯一要注意的是Python版本3.11以上某些依赖轮子还没跟上容易编译失败稳妥起见用3.10。2.2 预训练权重获取与首次推理验证环境好了之后下一步是拿预训练权重。YOLOv8的权重在ultralytics安装后可以通过命令行自动下载也可以手动放到项目根目录。常见做法是直接用yolov8n.pt这种nano版本做快速验证因为它小、推理快适合先确认整条链路通不通。交通人群监测对精度要求高的话后面再换yolov8s.pt或yolov8m.pt。from ultralytics import YOLO # 加载nano预训练权重首次运行会自动下载 model YOLO(yolov8n.pt) # 对一张交通场景图做推理saveTrue会把结果图存到runs目录 results model.predict( sourcetest_traffic.jpg, # 换成你自己的交通监控截图 conf0.25, # 置信度阈值交通人群建议先设0.25观察 iou0.45, # NMS的IoU阈值人多时适当调低 imgsz640, # 输入尺寸和训练时保持一致 saveTrue ) # 打印检测到的类别和数量方便快速统计 for r in results: print(检测框数量:, len(r.boxes)) print(类别索引:, r.boxes.cls.tolist())这段代码的关键在conf和iou两个参数。conf0.25是观察阈值先看模型能召回多少目标iou0.45控制重叠框合并的激进程度人群密集时如果发现框被吞掉可以降到0.4。imgsz640必须和后续训练尺寸一致否则精度会掉。跑完这一步你会看到结果图里人被框出来但大概率会漏掉远处小目标和被遮挡的人——这正是需要自己训练数据的原因。3. 交通人群数据集处理从Labelme标注到YOLOv8可训练格式3.1 标注工具选择与类别定义交通人群监测的类别定义直接决定模型上限。我一般只设两类person和vehicle如果场景里有非机动车再加一个bicycle或motorbike。类别不是越多越好每多一类标注成本和误检风险都往上走。标注工具用Labelme还是LabelImg都行Labelme适合多边形分割LabelImg适合矩形框。纯检测任务用LabelImg更快但如果你后面想扩展到分割Labelme的json更灵活。标注时有个血泪经验遮挡超过70%的目标直接标ignore或者不标否则模型学到的全是残缺特征推理时反而把完整的人漏掉。远处小于20像素的人如果业务上不需要计数也可以不标避免引入噪声。3.2 格式转换脚本与四个边界坑Labelme或LabelImg产出的标注格式和YOLOv8要求的txt格式不一样。YOLOv8需要的是每行class_id x_center y_center width height且全部归一化到0到1之间。下面这个转换脚本处理Labelme的json同时把边界情况一并处理掉。import json import os from pathlib import Path def labelme_to_yolo(json_dir, output_dir, class_map): 将Labelme的json标注转换为YOLOv8需要的txt格式 class_map: 类别名到id的映射如 {person: 0, vehicle: 1} json_dir Path(json_dir) output_dir Path(output_dir) output_dir.mkdir(parentsTrue, exist_okTrue) for json_file in json_dir.glob(*.json): with open(json_file, r, encodingutf-8) as f: data json.load(f) img_w data[imageWidth] img_h data[imageHeight] lines [] for shape in data[shapes]: label shape[label] if label not in class_map: continue # 跳过未定义类别避免训练时报错 points shape[points] xs [p[0] for p in points] ys [p[1] for p in points] # 边界坑1坐标可能超出图像范围必须裁剪 x_min max(0, min(xs)) x_max min(img_w, max(xs)) y_min max(0, min(ys)) y_max min(img_h, max(ys)) # 边界坑2宽高为0的退化框直接丢弃 w x_max - x_min h y_max - y_min if w 1 or h 1: continue # 归一化并保留6位小数 x_center (x_min x_max) / 2.0 / img_w y_center (y_min y_max) / 2.0 / img_h norm_w w / img_w norm_h h / img_h # 边界坑3归一化后仍可能略超1做最终钳制 x_center min(max(x_center, 0.0), 1.0) y_center min(max(y_center, 0.0), 1.0) norm_w min(max(norm_w, 0.0), 1.0) norm_h min(max(norm_h, 0.0), 1.0) lines.append(f{class_map[label]} {x_center:.6f} {y_center:.6f} {norm_w:.6f} {norm_h:.6f}) # 边界坑4没有有效标注的图片不生成空txt否则训练时读入空文件报错 if lines: txt_path output_dir / (json_file.stem .txt) with open(txt_path, w, encodingutf-8) as f: f.write(\n.join(lines)) # 使用示例 labelme_to_yolo( json_dirraw_annotations, output_dirlabels/train, class_map{person: 0, vehicle: 1} )这个脚本里四个边界坑都是实际训练时踩出来的。坐标裁剪防止越界框导致loss异常退化框丢弃避免宽高为0时除零归一化钳制防止浮点误差让值变成1.000001空标注不生成文件是因为YOLOv8训练时读到空txt会直接抛异常中断。参数上class_map必须和后续data.yaml里的names顺序完全一致否则类别全乱。3.3 data.yaml配置与数据集划分转换完标注还要写data.yaml告诉YOLOv8去哪里找图和标签。交通人群数据集一般按7:2:1划分训练、验证、测试。目录结构建议统一成images和labels平行方便路径拼接。# data.yaml path: /home/user/traffic_dataset # 数据集根目录 train: images/train val: images/val test: images/test nc: 2 # 类别数 names: 0: person 1: vehicle这里nc和names的索引必须和转换脚本里的class_map对应。常见错误是yaml里写了3类但标注只有2类训练启动时直接报维度不匹配。划分数据集时注意同一段视频的连续帧不要跨train和val否则验证集精度虚高实际部署就翻车。4. YOLOv8训练参数怎么调交通人群场景的关键配置4.1 训练命令与核心参数含义数据准备好之后训练本身一条命令就能启动但参数设不对结果天差地别。下面是我在交通人群数据集上常用的训练配置。yolo detect train \ datadata.yaml \ modelyolov8s.pt \ epochs150 \ imgsz640 \ batch8 \ lr00.01 \ lrf0.01 \ patience30 \ workers4 \ device0 \ projectruns/traffic \ nameexp1逐个说参数。modelyolov8s.pt是small版本比nano精度高比m版本省显存交通人群场景性价比最高。epochs150配合patience30意思是30轮验证精度不提升就早停避免过拟合。batch8是6G显存下的安全值显存够可以加到16。lr00.01是初始学习率lrf0.01是最终学习率系数YOLOv8默认余弦退火这两个控制下降曲线。workers4是数据加载线程数CPU核少就降到2否则可能卡死。4.2 损失函数曲线怎么看与过拟合判断训练启动后runs目录下会生成results.csv和损失曲线图。YOLOv8画损失函数曲线图可以直接用内置的绘图也可以自己读csv画。重点看三条线box_loss、cls_loss、dfl_loss。正常情况三条都下降然后趋于平稳。如果box_loss还在降但val的box_loss开始升就是过拟合该早停或加数据增强。import pandas as pd import matplotlib.pyplot as plt # 读取训练日志 df pd.read_csv(runs/traffic/exp1/results.csv) df.columns df.columns.str.strip() # 列名可能带空格先清理 fig, axes plt.subplots(1, 2, figsize(12, 4)) # 训练损失曲线 axes[0].plot(df[epoch], df[train/box_loss], labeltrain box) axes[0].plot(df[epoch], df[train/cls_loss], labeltrain cls) axes[0].set_xlabel(epoch) axes[0].set_ylabel(loss) axes[0].legend() axes[0].set_title(train loss) # 验证损失曲线 axes[1].plot(df[epoch], df[val/box_loss], labelval box) axes[1].plot(df[epoch], df[val/cls_loss], labelval cls) axes[1].set_xlabel(epoch) axes[1].set_ylabel(loss) axes[1].legend() axes[1].set_title(val loss) plt.tight_layout() plt.savefig(loss_curve.png, dpi150)这段代码读results.csv并画训练和验证损失对比。列名里的train/box_loss这种格式是YOLOv8固定的strip是防止csv里列名带空格导致KeyError。看曲线时如果train和val同步下降说明模型还在学如果train降val平说明容量够但数据不够如果train降val升立刻停。4.3 数据增强参数对人群密集场景的影响YOLOv8默认开启mosaic、mixup、HSV增强等。交通人群场景里mosaic增强能显著提升小目标检测因为它把四张图拼一起变相增加了小目标样本。但mosaic概率太高会让训练后期不稳定我一般设mosaic0.8最后10轮关掉。HSV增强对光照变化大的路口很有用hsv_h0.015、hsv_s0.7、hsv_v0.4是常用值。翻转增强fliplr0.5可以用但flipud不要开人不会倒着走开了反而引入错误先验。5. 交通人群监测部署避坑从模型导出到板端推理的常见问题5.1 模型导出ONNX的坑训练完要部署第一步通常是导出ONNX。命令很简单yolo export modelbest.pt formatonnx。但这里有几个坑。第一导出时imgsz必须和训练一致否则推理框全偏。第二动态轴设置如果部署端输入尺寸固定用dynamicFalse否则某些推理引擎会报维度错误。第三导出后一定要用onnxruntime跑一遍对比确认输出和PyTorch一致。import onnxruntime as ort import numpy as np # 加载导出的onnx模型 session ort.InferenceSession(best.onnx, providers[CPUExecutionProvider]) # 构造和训练一致的输入 input_blob np.random.randn(1, 3, 640, 640).astype(np.float32) outputs session.run(None, {session.get_inputs()[0].name: input_blob}) # 打印输出形状确认是[1, 4nc, 8400]这种格式 for i, out in enumerate(outputs): print(f输出{i}形状:, out.shape)这段验证代码的作用是确认onnx模型能正常推理且输出维度符合预期。YOLOv8检测输出一般是[1, 4nc, 8400]如果形状不对说明导出参数有问题。参数上providers指定CPU部署到RK3588或Orin时换成对应provider。5.2 板端部署的量化与精度损失如果部署到RK3588这类边缘设备通常要做INT8量化。量化能提速两三倍但精度会掉交通人群场景里小目标掉得最明显。我的经验是量化校准集必须包含各种光照和密度的真实场景图至少200张否则量化后的模型在夜间几乎不可用。量化后mAP掉3到5个点是正常的如果掉超过10个点检查校准集是否和训练分布差太远。5.3 推理后处理的NMS参数调优部署端后处理里NMS的conf和iou阈值和训练时不一样。训练时conf0.25是为了看召回部署时为了降低误报conf可以提到0.4到0.5。iou在人群密集时降到0.4否则相邻的人会被合并成一个框。这个参数没有万能值必须拿实际视频调调完看计数准不准。6. 把交通人群监测做扎实的一个笨办法如果你问我这套方案里最值得投入时间的地方是什么我会说是验证环节而不是模型改进。很多人一上来就想改YOLOv8的head、加注意力机制但交通人群监测的瓶颈往往不在网络结构而在数据质量和后处理逻辑。我自己的习惯是每训练一版模型先拿三段不同时段的视频跑一遍人工数出真实人数再和模型计数对比算一个绝对误差。误差超过15%就回去看漏检和误检分别在哪而不是盲目调参。具体做法是写一个简单的计数对比脚本把模型输出和人工标注的计数放一起按场景分类统计。场景真实人数模型计数绝对误差主要问题早高峰通道42389.5%远处小目标漏检晚高峰路口354117.1%广告牌反光误检夜间入口282221.4%逆光轮廓召回低这张表是我调参时的真实记录格式。看到夜间误差大就去补夜间数据看到误检多就提高conf阈值或加负样本。这个笨办法比盲目改网络有效得多。另外模型导出后一定要在目标设备上跑一遍完整视频不要只看单帧结果因为视频里的时序抖动和帧间不一致只有连续跑才能暴露。最后说个我自己的教训早期做交通人群监测时我花了大量时间在模型改进上结果部署到板端发现推理速度只有3帧根本没法用。后来回头做量化和输入尺寸裁剪才把速度拉到15帧以上。所以从第一天起就要把部署约束纳入考虑训练时用的输入尺寸、模型大小都要和最终硬件匹配。希望帮到你。本文还有配套的精品资源点击获取