YOLOv5车辆计数系统：从模型到GUI交付五件套

简介本资源是一套开箱即用的车辆目标检测与计数实战项目面向计算机视觉方向的本科生毕设、课程设计及深度学习初学者解决交通场景中轿车、卡车、大巴车三类目标的实时检测与数量统计问题。压缩包共127个文件含28个核心Python源码含GUI主程序与训练/推理脚本、27个YOLOv5配置yaml文件、36个编译后pyc、13张标注样图与测试图像、5个XML标注文件、2个PyTorch模型.pt、1个Dockerfile及操作说明等整体608.09MB结构完整、模块清晰覆盖数据预处理、模型训练、GUI部署、评估可视化全流程。已有1172人学习下载配套loss曲线、精确率-召回率曲线、mAP评估图表及详细使用文档支持直接运行演示、模型微调与跨场景迁移特别适合缺乏工业级项目经验的学习者快速构建可展示的CV应用系统。1. 车辆检测计数不是“跑通YOLOv5就行”GUI界面训练模型数据集评估曲线五件套缺一不可你花三天配好CUDA、装上PyTorch、pip install ultralytics把detect.py跑出一张带框的车图——这不叫落地。真正卡住工程交付的是用户把7z解压后双击main.exe闪退是客户现场要求“统计左转车道30秒内过车数”而你的脚本还在终端里刷log是测试时mAP突然掉到0.42但你翻遍results.csv也找不到哪类车漏检最多。这个标题里的“五件套”YOLOv5OpenCVGUI训练模型数据集评估曲线操作说明本质是一条从算法黑匣子到可交付软件的完整链路闭环YOLOv5负责检测精度OpenCV做实时图像流处理与坐标计算GUI把逻辑封装成按钮和图表训练模型和数据集保证开箱即用评估曲线提供可信度背书操作说明则是降低交付成本的最后一道护栏。它面向的是安防集成商、交通设备厂商、高校课程设计组——这群人不要论文级指标只要“插上摄像头→点开始→看数字跳动→导出Excel”。下面所有步骤都按这个目标倒推不讲YOLOv5原理只讲怎么让model.pt在cv2.VideoCapture(0)里稳定输出[x1,y1,x2,y2,conf,cls]不教GUI设计理论只给能直接改按钮文字、加计数清零功能的PyQt5最小骨架不罗列数据集标注规范只告诉你VOC转YOLO时classes.txt顺序错一位整个计数逻辑就全崩。2. 用YOLOv5sOpenCV构建实时车辆计数流水线从模型加载到ROI区域计数2.1 加载训练好的YOLOv5模型并适配OpenCV推理标题中“训练好的模型”通常为.pt格式如yolov5s_vehicle_best.pt需用torch.hub.load()或torch.load()加载。但直接调用model(img)会触发PyTorch默认后处理NMS、置信度过滤而OpenCV视频流要求低延迟必须剥离冗余计算。我一般用以下方式绕过torch.hub的自动封装直取原始输出import torch import cv2 import numpy as np # 加载模型不走hub避免下载权重 model torch.load(yolov5s_vehicle_best.pt, map_locationcpu)[model].float() model.eval() # 关闭dropout/batchnorm # 预处理函数OpenCV读图→归一化→添加batch维度 def preprocess_frame(frame): img cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # BGR→RGB img cv2.resize(img, (640, 640)) # YOLOv5默认输入尺寸 img img.astype(np.float32) / 255.0 # 归一化 img np.transpose(img, (2, 0, 1)) # HWC→CHW img np.expand_dims(img, axis0) # 添加batch维度 return torch.from_numpy(img) # 推理函数返回原始网络输出未NMS def infer(model, frame): tensor_img preprocess_frame(frame) with torch.no_grad(): pred model(tensor_img)[0] # [1, num_anchors, 85]85580xywhconf80cls return pred注意model(tensor_img)[0]取的是Detect层原始输出不是model(tensor_img)返回的[boxes, confs, classes]。后者已内置NMS延迟高且参数不可控。原始输出需手动解析——这是OpenCV流水线提速的关键一步。2.2 定义计数区域ROI与车辆穿越判定逻辑车辆计数核心不是“框了多少车”而是“有多少车穿过某条虚拟线”。常见错误是用固定矩形ROI统计框中心点导致同一辆车被重复计数。正确做法是定义一条计数基线counting line结合车辆运动方向判断穿越。以下代码实现单向计数仅统计从左到右穿过红线的车辆# 定义计数基线两点确定直线 COUNT_LINE [(100, 300), (700, 300)] # y300的水平线 count 0 track_history {} # {track_id: [(x,y), ...]} 存储轨迹点 def is_crossing_line(box_center, prev_center): 判断中心点是否从线下方穿越到上方y坐标减小 x, y box_center px, py prev_center # 基线y坐标 line_y COUNT_LINE[0][1] # 当前点在线上上一帧点在线下且x在基线x范围内 if y line_y and py line_y: if COUNT_LINE[0][0] x COUNT_LINE[1][0]: return True return False # 在主循环中调用 frame cv2.imread(test.jpg) # 或 cap.read() pred infer(model, frame) boxes pred[..., :4] # xywh confs pred[..., 4] classes pred[..., 5:].argmax(dim-1) for i in range(len(boxes)): if confs[i] 0.5 and classes[i] 2: # class 2car需按你的数据集classes.txt确认 # 解码xywh为x1y1x2y2 x, y, w, h boxes[i] x1 int((x - w/2) * frame.shape[1] / 640) y1 int((y - h/2) * frame.shape[0] / 640) x2 int((x w/2) * frame.shape[1] / 640) y2 int((y h/2) * frame.shape[0] / 640) center ((x1x2)//2, (y1y2)//2) # 简单ID分配实际项目建议用ByteTrack或BoT-SORT track_id i if track_id not in track_history: track_history[track_id] [] track_history[track_id].append(center) # 判定穿越需至少2帧轨迹 if len(track_history[track_id]) 2: prev_center track_history[track_id][-2] if is_crossing_line(center, prev_center): count 1 # 清空该ID轨迹避免重复计数 track_history[track_id] [center]参数说明confs[i] 0.5是置信度阈值实测中0.4~0.6最平衡classes[i] 2对应classes.txt中第三行索引2的类别名必须与训练时一致640是模型输入尺寸用于将归一化坐标映射回原图像素。2.3 OpenCV绘制动态计数结果与基线GUI界面之前先确保控制台版能可视化验证逻辑。OpenCV绘图必须在cv2.imshow()前完成且坐标需严格匹配原图尺寸# 绘制计数基线红色虚线 cv2.line(frame, COUNT_LINE[0], COUNT_LINE[1], (0, 0, 255), 2, cv2.LINE_AA) # 绘制计数数字左上角 cv2.putText(frame, fCount: {count}, (20, 50), cv2.FONT_HERSHEY_SIMPLEX, 1.2, (0, 255, 0), 2) # 绘制检测框绿色 cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2) # 绘制中心点蓝色圆点 cv2.circle(frame, center, 4, (255, 0, 0), -1) cv2.imshow(Vehicle Counting, frame) if cv2.waitKey(1) 0xFF ord(q): break关键细节cv2.line()的cv2.LINE_AA启用抗锯齿避免斜线出现马赛克cv2.putText()字体大小1.2和粗细2在1080p屏上清晰可读cv2.rectangle()必须用(x1,y1)和(x2,y2)而非中心点宽高否则框位置偏移。3. 用PyQt5构建轻量GUI按钮、视频画布、计数面板三位一体3.1 设计最小GUI骨架QMainWindowQVBoxLayoutQLabel视频画布标题中“GUI界面”不是指美观皮肤而是功能闭环启动/暂停按钮、实时视频流显示、计数数字大屏、导出记录按钮。PyQt5比Tkinter更易控制视频刷新率且无黑屏闪烁问题。以下是最小可行代码不含信号槽绑定from PyQt5.QtWidgets import QApplication, QMainWindow, QWidget, QVBoxLayout, QHBoxLayout, QLabel, QPushButton, QFrame from PyQt5.QtCore import QTimer, Qt from PyQt5.QtGui import QImage, QPixmap import sys class VehicleCounterGUI(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(车辆检测计数系统) self.setGeometry(100, 100, 1200, 700) # 宽高适配1080p # 主窗口部件 central_widget QWidget() self.setCentralWidget(central_widget) layout QVBoxLayout(central_widget) # 顶部控制区 control_layout QHBoxLayout() self.start_btn QPushButton(开始检测) self.stop_btn QPushButton(暂停) self.export_btn QPushButton(导出记录) control_layout.addWidget(self.start_btn) control_layout.addWidget(self.stop_btn) control_layout.addWidget(self.export_btn) layout.addLayout(control_layout) # 中间视频画布QLabel作为画布 self.video_label QLabel() self.video_label.setAlignment(Qt.AlignCenter) self.video_label.setStyleSheet(background-color: black;) layout.addWidget(self.video_label, 1) # 1表示拉伸填充剩余空间 # 底部计数面板 count_layout QHBoxLayout() self.count_label QLabel(当前计数0) self.count_label.setStyleSheet(font-size: 24px; font-weight: bold; color: green;) count_layout.addWidget(self.count_label) layout.addLayout(count_layout) # 定时器用于刷新视频帧 self.timer QTimer() self.timer.timeout.connect(self.update_frame) # 初始化全局变量 self.cap None self.count 0 self.track_history {} def update_frame(self): if self.cap and self.cap.isOpened(): ret, frame self.cap.read() if ret: # 此处插入2.2节的检测与计数逻辑 # ... infer(), is_crossing_line(), update count ... # 将OpenCV BGR图像转QImage rgb_image cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch rgb_image.shape bytes_per_line ch * w convert_to_Qt_format QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888) p convert_to_Qt_format.scaled(self.video_label.width(), self.video_label.height(), Qt.KeepAspectRatio) self.video_label.setPixmap(QPixmap.fromImage(p)) self.count_label.setText(f当前计数{self.count}) if __name__ __main__: app QApplication(sys.argv) window VehicleCounterGUI() window.show() sys.exit(app.exec_())为什么选QLabel而非QGraphicsViewQLabel内存占用低setPixmap()刷新快实测1080p30fps下CPU占用15%QGraphicsView适合复杂图元叠加但车辆检测只需单图层渲染过度设计反而引入QGraphicsScene同步问题。3.2 实现按钮信号绑定与状态管理GUI的灵魂是状态机点击“开始”后cap要打开timer要启动按钮文字变“正在运行”点击“暂停”则停止timer但保持cap打开避免重连摄像头延迟。PyQt5信号绑定必须在__init__末尾完成# 在__init__末尾添加 self.start_btn.clicked.connect(self.start_detection) self.stop_btn.clicked.connect(self.stop_detection) self.export_btn.clicked.connect(self.export_records) def start_detection(self): if not self.cap or not self.cap.isOpened(): self.cap cv2.VideoCapture(0) # 默认摄像头 # 或 self.cap cv2.VideoCapture(rtsp://...) 支持网络流 self.timer.start(33) # ~30fps33ms/帧 self.start_btn.setText(正在运行) self.start_btn.setEnabled(False) self.stop_btn.setEnabled(True) def stop_detection(self): self.timer.stop() self.start_btn.setText(继续检测) self.start_btn.setEnabled(True) self.stop_btn.setEnabled(False) def export_records(self): # 导出CSV示例 import csv with open(count_log.csv, w, newline) as f: writer csv.writer(f) writer.writerow([timestamp, count]) writer.writerow([str(datetime.now()), str(self.count)]) print(记录已导出至count_log.csv)血泪经验cv2.VideoCapture(0)在某些USB摄像头下首次打开失败率高需加重试逻辑self.timer.start(33)的33ms是硬编码实际应根据cap.get(cv2.CAP_PROP_FPS)动态调整否则视频卡顿。3.3 集成YOLOv5检测逻辑到GUI主线程PyQt5的QTimer.timeout信号在主线程触发而YOLOv5推理在CPU上耗时约80msYOLOv5s若直接在update_frame()中执行会导致GUI冻结。解决方案用QThread将推理放到子线程通过moveToThread()隔离from PyQt5.QtCore import QThread, pyqtSignal class DetectionThread(QThread): result_signal pyqtSignal(object) # 发送处理后的frame和count def __init__(self, model_path): super().__init__() self.model torch.load(model_path, map_locationcpu)[model].float() self.model.eval() self.cap cv2.VideoCapture(0) def run(self): while self.isRunning(): ret, frame self.cap.read() if ret: # 执行2.2节全部检测逻辑 pred infer(self.model, frame) # ... 计数逻辑 ... self.result_signal.emit((frame, self.count)) # 在GUI类中 def __init__(self): # ... 原有初始化 ... self.detector DetectionThread(yolov5s_vehicle_best.pt) self.detector.result_signal.connect(self.on_detection_result) self.detector.start() def on_detection_result(self, data): frame, count data self.count count self.count_label.setText(f当前计数{count}) # 转QImage并显示同3.1节避坑提示QThread不能直接传cv2.VideoCapture对象线程不安全必须在run()内部创建pyqtSignal只能传递基本类型或QObject子类np.ndarray需转bytes或用QPixmap中转。4. 数据集、训练与评估曲线为什么你的mAP总比别人低5个点4.1 标注数据集必须满足的三个硬性条件标题中“数据集”不是随便找100张车图就行。实测发现导致计数翻车的80%问题源于数据集缺陷。以下三条是交付项目最低门槛视角一致性所有图片必须来自同一高度如路口监控杆3米高、同一俯角≤15°禁止混合无人机俯拍车顶视角与地面平视车头视角。否则YOLOv5学到的特征无法泛化。遮挡覆盖度至少30%图片含部分遮挡如公交车遮挡轿车、树影覆盖车牌且遮挡物需标注为ignore类YOLOv5不支持ignore需在loss计算时mask掉。尺寸分布均衡车辆bounding box面积占整图比例应在0.5%~15%区间禁止出现大量0.1%的小车如远景卡车或30%的大车如贴脸拍摄。可用脚本检查import xml.etree.ElementTree as ET import os def check_bbox_size(xml_path, img_width1920, img_height1080): tree ET.parse(xml_path) root tree.getroot() for obj in root.findall(object): bbox obj.find(bndbox) xmin int(bbox.find(xmin).text) ymin int(bbox.find(ymin).text) xmax int(bbox.find(xmax).text) ymax int(bbox.find(ymax).text) area_ratio (xmax-xmin)*(ymax-ymin) / (img_width*img_height) if area_ratio 0.005 or area_ratio 0.15: print(fWarning: {xml_path} bbox ratio {area_ratio:.3f}) # 遍历Annotations/目录 for xml in os.listdir(Annotations): check_bbox_size(os.path.join(Annotations, xml))为什么强调尺寸YOLOv5的PANet结构对小目标敏感度低若数据集中小车占比高--img 640训练时小车特征被下采样丢失mAP必然暴跌。4.2 训练命令与超参数调优避开YOLOv5默认陷阱标题中“训练好的模型”大概率用YOLOv5s但直接python train.py --data data.yaml --weights yolov5s.pt会翻车。必须修改三项--img 640→--img 1280提升小车召回率实测3.2% mAP--batch-size 16→--batch-size 8避免显存OOM1280分辨率需更多显存--hyp data/hyps/hyp.scratch-low.yaml使用低学习率超参lr0: 0.01而非0.02完整命令python train.py \ --data vehicle_data.yaml \ --weights yolov5s.pt \ --img 1280 \ --batch-size 8 \ --epochs 150 \ --hyp data/hyps/hyp.scratch-low.yaml \ --name yolov5s_vehicle_v1 \ --cachecache参数价值--cache将图片预加载到RAM训练速度提升2.1倍实测RTX3090但需32GB内存。若内存不足改用--cache disk。4.3 生成评估指标曲线不只是画图而是定位漏检根源标题中“评估指标曲线”指results.png但多数人只看mAP数值。真正有用的是曲线背后的PR_curve.png和confusion_matrix.png。例如若PR_curve.png中car类的Recall在conf0.5时骤降说明模型对中等置信度车辆判别不准需调低NMS阈值--iou 0.45若confusion_matrix.png显示car与truck混淆率达40%说明数据集中两类标注边界模糊需重新定义类别如合并为vehicle。生成曲线命令python val.py \ --data vehicle_data.yaml \ --weights runs/train/yolov5s_vehicle_v1/weights/best.pt \ --task test \ --save-txt \ --save-conf \ --plots # 自动生成results.png, PR_curve.png等关键路径runs/val/yolov5s_vehicle_v1/目录下results.csv含每类APtest_batch0_labels.jpg显示真值框test_batch0_pred.jpg显示预测框——三者对比可10秒定位漏检样本。5. 避坑指南那些让交付延期三天的玄学问题5.1 现象GUI启动后视频画布全黑但控制台print显示帧正常原因PyQt5的QLabel.setPixmap()要求图像尺寸严格匹配QLabel.size()若QLabel未设置固定大小初始尺寸为0×0pixmap被丢弃。解决在__init__中为video_label设置最小尺寸并启用setScaledContents(True)self.video_label.setMinimumSize(800, 450) # 16:9比例 self.video_label.setScaledContents(True) # 自动缩放填充5.2 现象计数数字跳变剧烈如1秒内从5跳到12原因未做ID跟踪同一辆车每帧都被当作新目标计数。YOLOv5原生不带跟踪--tracking参数仅限yolov5-tracker分支。解决用轻量级跟踪器ByteTrack比DeepSORT快3倍pip install bytetrack # 在检测后插入 from byte_tracker import BYTETracker tracker BYTETracker(track_thresh0.5, match_thresh0.8) outputs tracker.update(pred, [frame.shape[0], frame.shape[1]]) # 返回[x1,y1,x2,y2,id,cls,conf]5.3 现象导出的count_log.csv时间戳全是同一秒原因datetime.now()在循环中调用频率过高毫秒级时间未更新。解决用time.time()获取浮点时间戳或在计数触发时记录import time # 在is_crossing_line()返回True时 self.log_records.append([time.time(), self.count])5.4 现象7z解压后双击main.exe报错“找不到api-ms-win-crt-runtime-l1-1-0.dll”原因Windows旧系统Win7/Win8缺少VC2015运行库。解决打包时用pyinstaller --add-binary C:\path\to\vcruntime140.dll;. main.py或让用户安装 Microsoft Visual C 2015-2022 Redistributable 。5.5 现象评估曲线results.png中mAP0.000原因data.yaml中nc: 3写成nc: 4但names:只有3个类别导致类别索引越界。解决严格校验nc与names长度相等并用以下脚本验证import yaml with open(data.yaml) as f: data yaml.safe_load(f) assert len(data[names]) data[nc], nc与names数量不匹配6. 进阶技巧用OpenCV DNN模块部署让计数速度翻倍6.1 为什么不用PyTorch原生模型YOLOv5的.pt文件包含Python依赖如torch.nn.functional在无Python环境的嵌入式设备如Jetson Nano上无法直接运行。而OpenCV DNN模块支持ONNX格式可脱离PyTorch运行实测在i5-8250U上推理速度从83ms→32msYOLOv5s。6.2 导出ONNX模型并加载到OpenCV# 1. 导出ONNX需安装onnx python models/export.py --weights yolov5s_vehicle_best.pt --include onnx # 2. OpenCV加载ONNX net cv2.dnn.readNetFromONNX(yolov5s_vehicle_best.onnx) # 3. 设置后端和目标CPU/GPU net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV) net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU) # 或 DNN_TARGET_OPENCL_FP16 def infer_onnx(net, frame): blob cv2.dnn.blobFromImage(frame, 1/255.0, (640, 640), swapRBTrue, cropFalse) net.setInput(blob) outputs net.forward(net.getUnconnectedOutLayersNames()) # 返回3个尺度输出 # 解析outputs[0]80×80尺度...ONNX解析难点YOLOv5 ONNX输出为[1, 25200, 85]252003×80×803×40×403×20×20需按网格步长8/16/32拆分。推荐用models/yolo.py中的non_max_suppression函数后处理而非手写NMS。6.3 构建跨平台可执行包PyInstaller打包最佳实践标题中“.7z”压缩包需包含main.exe但直接pyinstaller main.py会遗漏OpenCV DLL和YOLOv5模型。正确流程# 1. 创建spec文件 pyinstaller --onefile --windowed --add-data yolov5s_vehicle_best.pt;. --add-data data/;data/ main.py # 2. 编辑main.spec强制包含OpenCV DLL a Analysis( [main.py], pathex[.], binaries[], datas[(yolov5s_vehicle_best.pt, .), (data, data)], hiddenimports[numpy.core._multiarray_umath, cv2], hookspath[], hooksconfig{}, runtime_hooks[], excludes[], win_no_prefer_redirectsFalse, win_private_assembliesFalse, cipherNone, noarchiveFalse, ) # 3. 构建 pyinstaller main.spec关键参数--windowed禁用控制台GUI必备--add-data指定资源路径Windows用;分隔Linux用:hiddenimports解决cv2导入报错。最后说句实在话这个项目真正的技术护城河从来不是YOLOv5本身——而是把model.pt、opencv、PyQt5、data.yaml、results.png这五件套拧成一股绳的能力。我见过太多团队卡在“GUI按钮点了没反应”最后发现是cv2.dnn.readNet()路径写错了斜杠也见过客户验收时因计数不准拒付溯源发现COUNT_LINE坐标系用的是frame.shape[1]width却误写成frame.shape[0]height。所以别迷信SOTA模型先把.7z里每个文件的作用刻进DNAmodel.pt是心脏data/是血液main.py是神经results.png是体检报告README.md是病历本——少一个系统就瘫痪。希望帮到你。本文还有配套的精品资源点击获取