交通标志识别旨在对车载摄像头采集的连续视频帧中的交通标志进行快速、准确的检测与分类。然而，实际工程部署所面临的挑战远较通用评测场景严峻。与仅以平均精度（mAP）为单一优化目标的COCO评测基准不同，车载系统须同时满足多项刚性约束，推理延迟需严格控制在50 ms以内，模型体积需压缩至数百MB以适配嵌入式闪存，且在暴雨、浓雾等恶劣光照与天气条件下仍须保持最低限度的可运行状态。上述精度、推理速度、模型体积与鲁棒性四重指标之间存在深刻的制衡关系，提升其中任何一项往往不可避免地导致其余指标的劣化，由此构成该领域多目标联合优化的核心难题。 交通标志检测与识别是智能驾驶与高级辅助驾驶系统的核心感知任务，其准确性直接关系到行车安全与交通效率。早期方法多依赖手工特征与传统分类器，在此背景下，系统梳理基于YOLOv5及YOLO系列模型的交通标志检测研究成果，对明确技术进展与瓶颈具有重要意义。
该系统设计为九个功能模块：用户认证、检测引擎、模型管理、检测历史、统计分析、数据管理、模型训练、结果导出。
用户认证模块采用统一登录入口，支持管理员与普通用户双角色。系统内置初始管理员账号，新用户须由管理员创建并分配角色。登录时采用SHA-256加盐哈希加密校验，校验通过后加载用户对象并跳转主界面，失败时返回模糊提示以防止用户名枚举。
检测引擎模块提供图片、视频及摄像头实时三种检测模式，支持YOLOv5-tt100k、YOLOv8-tt100k及YOLOv8三种模型动态切换（延迟≤2秒）。图片检测对jpg、png、bmp格式文件进行MIME校验，经Letterbox缩放至640×640后进行推理，输出含类别、置信度、边界框、距离及方位的JSON结果。视频检测采用10帧采样策略，摄像头模式支持USB设备枚举与RTSP配置，三者均提供IOU阈值、置信度阈值等滑动条即时调节。
模型管理模块支持权重导入注册、运行时切换及性能指标追踪。导入时校验.pt文件完整性并用测试图验证可用性。切换过程自动停止工作线程、清空GPU显存并加载新权重，无需重启。管理员可通过API提交mAP、精确率、召回率等评测数据至model_metrics表。
检测历史模块自动将每次检测结果写入detection_records表，含操作用户、模型名、完整JSON及压缩缩略图（存储开销降至约15KB）。查询支持分页（默认20条/页）及多维度过滤，普通用户仅可访问自身记录，管理员可查看全部记录。删除操作支持单条精准删除及按天批量清除。
统计分析模块基于detection_records表提供概览、趋势、类别分布、模型统计及用户活跃度五个分析维度。概览返回累计检测次数、今日统计等指标；趋势按日期统计（默认回溯30天）；类别分布解析目标类别频次；模型统计与model_metrics表互补；用户活跃度仅限管理员查
项目全由本人完成
模型从主干、颈部和损失函数三方面进行五项改进：引入CBAM与CA混合注意力、GhostBottleneck轻量化、加权双向特征融合、SPDConv无损下采样，并采用NWD与CIoU加权损失。系统桌面端以PySide6实现，支持图片/视频/摄像头实时检测、多模型切换、超参数在线调节及权限管理。在TT100K数据集上，改
进模型mAP@0.5达88.6%，较基线提升4.4个百分点，参数量降至5.8M（降幅17.1%），推理速度118 FPS。
评论