### 文章目录



# 基于 YOLO11 的路口交通信号灯通行规则识别

v2.0.0 新变化：使用 YOLO11 以及一个更加丰富的数据集训练模型，对原来目标检测和信号分类两个步骤进行整合，去除了在大部分情况下冗余的过滤筛选，实现交通信号灯识别一步到位，得到的模型识别准确率和推理效率均有少量的提升，且更加易于部署。
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12519487/5a35d1f6843605aa30476e251b650c10.png)
# 项目简介

在本项目中，通行规则识别分为以下两个步骤：
目标检测，采用 YOLO11 目标检测模型，识别图像中交通信号灯的位置、颜色以及形状（包括圆形、左箭头、上箭头和右箭头）。
规则解析，对图像中检测出来的交通信号灯，解析其表示的通行规则（即能否直行、能否左转和能否右转）。
圆形的信号灯能够控制三个方向的通行规则，优先级较低。
箭头形的信号灯仅能控制对应方向的通行规则，但优先级较高。
此外，若无明确信号，即没有红色的右箭头信号灯，右转默认视为允许通行。
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12519487/a04331650f9f56e98a5991fa429273e3.png)
# 效果展示

性能评估
模型的输入尺寸固定为 640x480，在此图像输入下，采用 PyTorch 平均推理一张图片的耗时约为 50ms，采用 ONNX Runtime 推理平均耗时约为 40ms（CPU：11th Intel Core i5-1155G7 2.50GHz，Model：YOLO11n）。
在当前数据集下信号灯目标检测准确性指标：
```
Class	Precision	Recall	mAP50	mAP50-95
ALL	0.97	0.971	0.989	0.89
F0	0.99	1	0.995	0.871
F1	1	0.981	0.995	0.872
L0	0.981	0.985	0.994	0.912
L1	0.982	1	0.995	0.915
S0	1	0.817	0.944	0.878
S1	1	0.987	0.995	0.885
R0	0.815	1	0.995	0.914
R1	0.993	1	0.995	0.876
```
注：本项目训练用的数据集规模较小，在真实环境下的鲁棒性可能不够理想。
# 使用说明

首先安装环境依赖包，项目目前采用 ONNX Runtime 部署模型推理。
```
pip install -r requirements.txt
```
若需要使用 GPU 进行推理，则需要安装：
```
pip install onnxruntime-gpu
```
待识别图像默认位于 inferences/images/ ，识别结果默认保存位于 inferences/results/，如果以上两个目录不存在请先创建。
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12519487/5023ae5c0c6c9ce0835aa160457a45e2.png)
将所有待识别的图像放入待识别图像目录下，要求图像尺寸为 640x480，可以在本项目 Releases 中下载训练好的模型权重文件，解压到 inferences/models/ 下，运行 main.py 即可。
```
python main.py
```
本项目识别程序的默认配置文件为 configs/inference.yaml，其中各个属性对应的含义如下：
```
precision: "fp32"            # 推理运算精度，"fp32"（单精度）或 "fp16"（半精度）

session-providers:           # ONNX Runtime Providers 参数
  - "CPUExecutionProvider"

co

```cpp
nf-threshold: 0.25         # 目标检测置信度阈值
```
iou-threshold: 0.45 # 目标检测非极大值抑制 IoU 阈值
```

```cpp
model-path: "inferences/models/detection-fp32.onnx"    # 模型加载路径
```
基于YOLO11路口交通信号灯通识别 交通指引信号识别
如果需要使用自己的数据集训练模型，则需要安装 ultralytics 框架，参照 Ultralytics 官方文档 进行模型的训练，最后将模型转换为 ONNX 格式进行部署即可。

v2.0.0 新变化：使用 YOLO11 以及一个更加丰富的数据集训练模型，对原来目标检测和信号分类两个步骤进行整合，去除了在大部分情况下冗余的过滤筛选，实现交通信号灯识别一步到位，得到的模型识别准确率和推理效率均有少量的提升，且更加易于部署。

基于YOLO11路口交通信号灯通识别 交通指引信号识别 交通标识别识别

人工智能

客户端

算法

基于YOLO11的路口交通信号灯识别系统v2.0.0，整合目标检测与信号分类步骤，提升识别准确率和推理效率。支持圆形和箭头信号灯识别，解析通行规则，右转默认允许。模型推理速度快，CPU环境下仅需40ms，提供ONNX部署方案，支持自定义数据集训练。

4核4G3M云服务器 新用户低至38元/年！

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

基于YOLO11路口交通信号灯通识别 交通指引信号识别 交通标识别识别-腾讯云开发者社区-腾讯云

基于YOLO11路口交通信号灯通识别交通指引信号识别交通标识别识别

基于YOLO11路口交通信号灯通识别交通指引信号识别交通标识别识别

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

基于YOLO11路口交通信号灯通识别 交通指引信号识别 交通标识别识别

基于YOLO11路口交通信号灯通识别 交通指引信号识别 交通标识别识别

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

基于YOLO11路口交通信号灯通识别交通指引信号识别交通标识别识别

基于YOLO11路口交通信号灯通识别交通指引信号识别交通标识别识别