基于 YOLOv5 与边缘计算的智能交通标志识别系统产品系统

本项目应用于智能交通与车联网边缘计算场景，主要解决传统交通监控依赖云端处理所带来的高延迟与带宽压力问题。在实际道路环境中，车辆需要实时识别红绿灯状态、STOP 标志等交通标志信息，以辅助驾驶决策并提升行车安全性。本系统基于边缘计算开发板进行本地实时检测，在车载或路侧设备端完成图像识别与结果反馈，降低数据上传压力，提高响应速度，适用于智慧城市交通管理、智能驾驶辅助系统以及道路安全预警等应用场景。

本系统主要包含交通标志检测模块、红绿灯状态识别模块、实时视频采集模块、边缘端推理加速模块及结果展示与预警模块。系统通过摄像头实时采集道路图像，利用部署在边缘计算开发板上的 YOLOv5 模型对红绿灯、STOP 等交通标志进行检测与分类识别，并结合后处理算法输出目标类别、置信度及位置信息。当检测到需要减速或停车的标志时，系统可实时进行界面提示或语音预警，同时支持数据记录与上传功能，为驾驶辅助与交通管理提供可靠的数据支持，实现低延迟、高实时性的智能交通识别功能。

在本项目中，我主要负责基于 YOLOv5 的交通标志检测模型训练及在边缘计算开发板上的部署实现。首先基于 PyTorch 框架搭建 YOLOv5 训练环境，构建包含红绿灯、STOP 标志等交通标志的数据集，完成数据标注与增强处理，并进行模型训练得到最优权重文件 best.pt。随后将训练好的模型导出为 ONNX 格式，并使用 RKNN Toolkit 将 ONNX 模型转换为适配 RK 系列 NPU 的 rknn 模型，同时进行 INT8 量化优化以提升推理效率并降低模型体积。最后将 rknn 模型部署至边缘计算开发板，编写推理程序实现摄像头实时图像采集、图像预处理、NPU 加速推理、非极大值抑制（NMS）后处理以及检测结果显示等完整流程，实现对红绿灯状态及 STOP 等交通标志的实时识别，满足边缘端低延迟、高实时性的智能交通应用需求。