关键词：

深度学习目标检测：YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)

---

1. 前言

本篇博客，我们将手把手教你搭建一个基于YOLOv5的红绿灯目标检测项目。目前，基于YOLOv5s的红绿灯检测精度平均值mAP_0.5=0.93919，mAP_0.5:0.95=0.63967，基本满足业务的性能需求。另外，为了能部署在手机Android平台上，本人对YOLOv5s进行了模型轻量化，开发了一个轻量级的版本yolov5s05_416和yolov5s05_320，在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。

先展示一下Python版本红绿灯检测Demo效果：

【 整套项目下载地址】：YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/128240198

---

2. 红绿灯检测数据集说明

（1）红绿灯检测数据集

目前收集了约1W+的红绿灯（交通信号灯）检测数据集：Traffic-Lights-Dataset-Domestic+Traffic-Lights-Dataset-Foreign: 

关于红绿灯检测数据集使用说明和下载，详见另一篇博客说明：《红绿灯(交通信号灯)检测数据集》

（2）自定义数据集

如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤：

1. 采集图片，建议不少于200张图片
2. 使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).
3. 将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub
4. 生成训练集train.txt和验证集val.txt文件列表
5. 修改engine/configs/voc_local.yaml的train和val的数据路径
6. 重新开始训练

​

---

3. 基于YOLOv5的红绿灯检测模型训练

（1）YOLOv5说明

训练Pipeline采用YOLOv5: https://github.com/ultralytics/yolov5 , 原始官方代码训练需要转换为YOLO的格式，不支持VOC的数据格式。为了适配VOC数据，本人新增了LoadVOCImagesAndLabels用于解析VOC数据集，以便正常训练。另外，为了方便测试，还增加demo.py文件，可支持对图片,视频和摄像头的测试。

Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应

matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
thop  # FLOPs computation
pybaseutils==0.6.5

（2）准备Train和Test数据

下载红绿灯检测数据集，总共约1W+的图片：Traffic-Lights-Dataset-Domestic+Traffic-Lights-Dataset-Foreign；

考虑到这两个数据集的标注格式一样，因此本项目打算将两个数据集一起合并训练，这样可以提高模型红绿灯检测效果。如果你需要增加自己的数据集进行训练，请根据自己环境路径，适当修改即可。

关于红绿灯检测数据集使用说明和下载，详见另一篇博客说明：《红绿灯(交通信号灯)检测数据集》

（3）配置数据文件

• 修改训练和测试数据的路径：engine/configs/voc_local.yaml

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
# 数据路径
path: ""  # dataset root dir
train:
  - "path/to/traffic light/Traffic-Lights-Dataset-Domestic/train.txt"
  - "path/to/traffic light/Traffic-Lights-Dataset-Foreign/train.txt"

val:
  - "path/to/traffic light/Traffic-Lights-Dataset-Domestic/val.txt"

test:  # test images (optional)
data_type: voc

# 1.设置类别个数，和要训练的类别名称，ID号从0开始递增
nc: 4  # number of classes
names:  'red': 0, 'green': 1,  'yellow': 2,'off': 3 
# 2.如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别
#nc: 1  # number of classes
#names:  "unique": 0 

（4）配置模型文件

官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。从性能来看，yolov5s05比yolov5s快5多倍，而mAP下降了16%（0.93→0.77），对于手机端，这精度勉强可以接受。

下面是yolov5s05和yolov5s的参数量和计算量对比：

模型	input-size	params(M)	GFLOPs
yolov5s	640×640	7.2	16.5
yolov5s05	416×416	1.7	1.8
yolov5s05	320×320	1.7	1.1

（5）重新聚类Anchor（可选）

官方yolov5s的Anchor是基于COCO数据集进行聚类获得（详见models/yolov5s.yaml文件）

 ​ 

考虑到红绿灯检测数据集，目标相对较小，并且目标框几乎都是竖状的矩形框；直接复用原始COCO的Anchor效果可能不太好；因此，这里对红绿灯数据集的标注框进行重新聚类获得新的Anchor；下表给出yolov5s，yolov5s05_416和yolov5s05_320重新聚类的Anchor结果：

yolov5s.yaml	yolov5s05_416.yaml	yolov5s05_320.yaml

一点建议：

• 官方yolov5s的Anchor是基于COCO数据集进行聚类获得，不同数据集需要做适当的调整，其最优Anchor建议重新进行聚类 。
• 当然你要是觉得麻烦就跳过，不需要重新聚类Anchor，这个影响不是特别大。如果你需要重新聚类，请参考engine/kmeans_anchor/demo.py文件

（6）开始训练

整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

• 修改训练超参文件： data/hyps/hyp.scratch-v1.yaml （可以修改训练学习率，数据增强等方式，使用默认即可）
• 编辑train.sh脚本训练，训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可)

#!/usr/bin/env bash

#--------------训练yolov5s--------------
# 输出项目名称路径
project="runs/yolov5s_640"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="yolov5s.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 640 --workers 12 --project $project


#--------------训练轻量化版本yolov5s05_416--------------
# 输出项目名称路径
project="runs/yolov5s05_416"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="yolov5s05_416.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 64 --imgsz 416 --workers 12 --project $project


#--------------训练轻量化版本yolov5s05_320--------------
# 输出项目名称路径
project="runs/yolov5s05_320"
# 训练和测试数据的路径
data="engine/configs/voc_local.yaml"
# YOLOv5模型配置文件
cfg="yolov5s05_320.yaml"
# 训练超参数文件
hyp="data/hyps/hyp.scratch-v1.yaml"
# 预训练文件
weights="engine/pretrained/yolov5s.pt"
python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 64 --imgsz 320 --workers 12 --project $project

• 开始训练： bash  train.sh

​

• 训练数据量比较大，训练时间比较长，请耐心等待哈
• 训练完成后，在模型输出目录中有个results.csv文件，记录每个epoch测试的结果，如loss,mAP等信息

​

训练模型收敛后，yolov5s红绿灯检测的mAP指标大约mAP_0.5=0.93919；而，yolov5s05_416 mAP_0.5=0.77174左右；yolov5s05_320 mAP_0.5=0.71944左右；相比而言，yolov5s05比yolov5s差了很多,mAP掉了近20个点，这主要是因为减小输入input-size，不利于小目标检测。 

模型	input-size	params(M)	GFLOPs	mAP0.5
yolov5s	640×640	7.2	16.5	0.93919
yolov5s05	416×416	1.7	1.8	0.77174
yolov5s05	320×320	1.7	1.1	0.71944

（7）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法：

# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir ./data/model/yolov5s_640

​

​

​

​

当然，在输出目录，也保存很多性能指标的图片

• 这是训练epoch的可视化图，可以看到mAP随着Epoch训练，逐渐提高

• 这是每个类别的F1-Score分数

​

• 这是模型的PR曲线

​

• 这是混淆矩阵：

​

---

4. Python版本红绿灯检测效果

demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

• 测试图片

# 测试图片
image_dir='data/test_image' # 测试图片的目录
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dir

• 测试视频文件

# 测试视频文件
video_file="data/test-video.mp4" # path/to/video.mp4 测试视频文件，如*.mp4,*.avi等
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/test-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

•  测试摄像头

# 测试摄像头
video_file=0 # 测试摄像头ID
weights="data/model/yolov5s_640/weights/best.pt" # 模型文件
out_dir="runs/car-result" # 保存检测结果
python demo.py --video_file $video_file --weights $weights --out_dir $out_dir

如果想进一步提高模型的性能，可以尝试：

1. ​增加训练的样本数据： 目前只有1W+的数据量，建议根据自己的业务场景，采集相关数据，提高模型泛化能力
2. 使用参数量更大的模型： 本教程使用的YOLOv5s，其参数量才7.2M，而YOLOv5x的参数量有86.7M，理论上其精度更高，但推理速度也较慢。
3. 红绿灯目标检测属于小目标检测，可以尝试减小模型下采样次数，增大input-size，来提高小目标检测效果
4. 尝试不同数据增强的组合进行训练

---

5. Android版本红绿灯检测效果

已经完成Android版本红绿灯检测模型算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。详细说明请查看《深度学习目标检测：Android实现红绿灯检测(含Android源码 可实时运行)》https://blog.csdn.net/guyuealian/article/details/128240334

Android Demo体验：Android实现红绿灯检测APP(可实时运行))

---

6.项目源码下载

整套项目源码内容包含：红绿灯检测数据集 + YOLOv5训练代码和测试代码

整套项目下载地址：YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)

（1）红绿灯检测数据集：红绿灯(交通信号灯)检测数据集

1. Traffic-Lights-Dataset-Domestic红绿灯检测数据集

2. Traffic-Lights-Dataset-Foreign红绿灯检测数据集

（2）YOLOv5训练代码和测试代码（Pytorch）

1. 整套YOLOv5项目工程的训练代码和测试代码
2. 支持高精度版本yolov5s训练和测试
3. 支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试
4. 根据本篇博文说明，简单配置即可开始训练

android实现红绿灯检测(含android源码可实时运行)(代码片段)

Android实现红绿灯检测(含Android源码可实时运行)目录Android实现红绿灯检测(含Android源码可实时运行)1.前言2.红绿灯检测数据集说明3.基于YOLOv5的红绿灯检测模型训练4.红绿灯检测模型Android部署（1）将Pytorch模型转换ONNX模型&#x... 查看详情

深度学习目标检测：yolov5实现车辆检测(含车辆检测数据集+训练代码)(代码片段)

深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码) 目录YOLOv5实现车辆检测(含车辆检测数据集+训练代码)1.前言2.车辆检测数据集说明（1）车辆检测数据集（2）自定义数据集3.基于YOLOv5... 查看详情

深度学习目标检测：yolov5实现车辆检测(含车辆检测数据集+训练代码)(代码片段)

深度学习目标检测：YOLOv5实现车辆检测(含车辆检测数据集+训练代码) 目录YOLOv5实现车辆检测(含车辆检测数据集+训练代码)1.前言2.车辆检测数据集说明（1）车辆检测数据集（2）自定义数据集3.基于YOLOv5... 查看详情

红绿灯(交通信号灯)检测数据集

深度学习目标检测：红绿灯(交通信号灯)检测数据集目录深度学习目标检测：红绿灯(交通信号灯)检测数据集1.红绿灯数据集说明（1）Traffic-Lights-Dataset-Domestic（2）Traffic-Lights-Dataset-Foreign2.红绿灯数据集下载... 查看详情

红绿灯(交通信号灯)检测数据集

深度学习目标检测：红绿灯(交通信号灯)检测数据集目录深度学习目标检测：红绿灯(交通信号灯)检测数据集1.红绿灯数据集说明（1）Traffic-Lights-Dataset-Domestic（2）Traffic-Lights-Dataset-Foreign2.红绿灯数据集下载... 查看详情

深度学习目标检测---使用yolov5训练自己的数据集模型（windows系统）(代码片段)

...v5代码1.1yolov5网络project克隆1.2项目代码结构的整体介绍1.3深度学习环境的配置和安装yolov5所需要的库2、数据集和预训练权重的准备2.1利用labelimg对数据进行标注和划分2.2下载预训练权重 3、训练自己的模型3.1修改一些文件配置3.2... 查看详情

深度学习100例|第51天-目标检测算法（yolov5）

大家好，我是『K同学啊』！拖了好久，终于要开始目标检测系列了。自己想过好几次，想尽快出几期目标检测算法的博客教程，但是一直苦于不知道如何写，才能让大家轻松、快速、高效的入门目标检测算法。这段时间终于有... 查看详情

yolov5详细解读(代码片段)

YOLOV5检测算法详解学习前言本文主要是对基于深度学习的目标检测算法进行细节解读，以YOLOV5为例；基于深度学习的目标检测整体流程基于深度学习的目标检测主要包括训练和测试两个部分。训练阶段训练的目的是利用... 查看详情

深度学习和目标检测系列教程17-300：3个类别面罩检测类别数据集训练yolov5s模型(代码片段)

@Author：RunsenYOLO是目前最火爆的的计算机视觉算法之一，今天使用的数据集来源：https://www.kaggle.com/andrewmvd/face-mask-detection这是数据集可以创建一个模型来检测戴口罩、不戴口罩或不正确戴口罩的人。该数据集包含... 查看详情

深度学习和目标检测系列教程23-300：fasterrcnn和yolov5训练飞机目标识别的小项目(代码片段)

@Author：RunsenFasterRCNN和yolov5训练飞机目标识别的项目目标检测算法主要包括：两类two-stage和one-stage一类是two-stage，two-stage检测算法将检测问题划分为两个阶段，首先产生候选区域（regionproposals），然... 查看详情

基于yolov5的水下海洋目标检测

...人工智能技术的发展，越来越多的研究工作开始使用深度学习进行水下海洋目标检测。因此，本文将使用YOLOv5算法进行水下海洋目标检测。二、方法介绍YOLOv5是一种基于深度学习的目标检测算法，具有较高的准确性和... 查看详情

深度学习和目标检测系列教程16-300：通过全球小麦数据集训练第一个yolov5模型(代码片段)

@Author：Runsen之前的检测系统重新利用分类器或定位器来执行检测，将模型应用于多个位置和比例的图像。Yolo使用了一种完全不同的方法。它将单个神经网络应用于完整图像。该网络将图像划分为多个区域并预测每个... 查看详情

血细胞智能检测与计数软件（python+yolov5深度学习模型+清新界面版）(代码片段)

血细胞智能检测与计数软件应用深度学习技术智能检测血细胞图像中红细胞、镰状细胞等不同形态细胞并可视化计数，以辅助医学细胞检测。本文详细介绍血细胞智能检测与计数软件，在介绍算法原理的同时，给出Python的实现代... 查看详情

基于深度学习的犬种识别软件（yolov5清新界面版，python代码）

基于深度学习的犬种识别软件用于识别常见多个犬品种，基于YOLOv5算法检测犬种，并通过界面显示记录和管理，智能辅助人们辨别犬种。本文详细介绍博主自主开发的犬种检测系统，在介绍算法原理的同时，给出Python的实现代码... 查看详情

智能零售柜商品检测软件（python+yolov5深度学习模型+清新界面）(代码片段)

智能零售柜商品检测软件用于识别零售柜常见商品，检测商品名和位置以了解销售情况，为零售柜商品智能检测和自动销售提供检测功能。本文详细智能零售柜商品检测软件，在介绍算法原理的同时，给出Python的实现代码、训练... 查看详情

keras深度学习实战（15）——从零开始实现yolo目标检测(代码片段)

Keras深度学习实战（15）——从零开始实现YOLO目标检测0.前言1.YOLO目标检测模型1.1锚框(anchorboxes)1.2YOLO目标检测模型原理2.从零开始实现YOLO目标检测2.1加载数据集2.2计算锚框尺寸2.3创建训练数据集2.4实现YOLO目标检测模型2.5... 查看详情

深度学习和目标检测系列教程17-300：3个类别面罩检测类别数据集训练yolov5s模型(代码片段)

@Author：RunsenYOLO是目前最火爆的的计算机视觉算法之一，今天使用的数据集来源：https://www.kaggle.com/andrewmvd/face-mask-detection这是数据集可以创建一个模型来检测戴口罩、不戴口罩或不正确戴口罩的人。该数据集包含... 查看详情

行人车辆检测与计数系统（python+yolov5深度学习模型+清新界面）(代码片段)

行人车辆检测与计数系统用于交通路口行人及车辆检测计数，道路人流量、车流量智能监测，方便记录、显示、查看和保存检测结果。本文详细介绍行人车辆检测，在介绍算法原理的同时，给出Python的实现代码、PyQt的UI界面以及... 查看详情