企业官网建设流程全解析

简介：本资源是一套完整的基于YOLOv5的道路交通标志识别毕业设计项目，面向计算机视觉初学者、本科生课程设计及毕业设计学生，解决交通场景下多类标志实时检测与分类的实际问题。压缩包共266个文件，大小423.32MB，涵盖53个Python训练/推理脚本（含详细中文注释）、59个配置用YAML文件、55张JPG格式实测图像及标注XML文件、26个PNG可视化结果图、10个预训练与微调后的PT模型权重，以及Dockerfile、Shell部署脚本、CSV评估结果和TensorBoard日志等工程化支持文件。已有438人学习下载，项目经导师评审获98分高分，代码结构清晰、模块职责分明，从数据预处理、模型训练、验证评估到视频/图像推理全流程可直接运行。读者下载后仅需简单配置环境即可复现完整识别效果，并可快速迁移至其他目标检测任务。

1. 项目概述：从毕业设计到实用工具

最近几年，计算机视觉领域的毕业设计选题里，基于YOLOv5的目标检测项目热度一直居高不下，尤其是道路交通标志识别。这背后反映的，其实是学术界向产业界看齐的一个缩影。自动驾驶、辅助驾驶、智慧交通这些概念已经火了好些年，而准确、快速地识别路标，是这些应用落地最基础、也最关键的环节之一。所以，当有同学拿着“基于YOLOv5的道路交通标志识别”这个题目来找我讨论时，我一点也不意外。这确实是一个能串联起算法学习、工程实践和行业应用的绝佳课题。

这个项目的核心目标很明确：给你一堆包含各种交通标志的图片，你的程序要能像人眼一样，不仅认出图片里有没有标志，还得精准地框出它的位置，并说出它具体是哪种标志——是限速60，还是禁止左转，或者是前方学校。YOLOv5作为目前工业界和学术界都备受青睐的检测框架，以其速度快、精度高、易于部署的特性，成为了实现这个目标的首选工具。对于做毕业设计的同学来说，它友好度很高，社区资源丰富，从环境搭建到模型训练，都有详尽的指南和现成的代码可以参考。

但“有参考”不等于“能做好”。我见过不少同学的毕业设计，代码和数据集是拿到了，跑也能跑起来，可一问到细节就卡壳：为什么选这个数据集？模型训练时那些参数调来调去是在调什么？测试结果看起来不错，但真放到复杂路况下还行吗？这篇内容，我就想以一个过来人的视角，和你一起拆解这个项目。我们不只满足于“跑通代码”，更要弄明白背后的门道，把每一个环节都吃透，让它真正成为一个能拿得出手、经得起问的毕业设计，甚至是一个可以继续深挖的实用项目原型。

2. 核心思路与方案选型：为什么是YOLOv5？

做任何工程项目，第一步永远是“想清楚再动手”。对于交通标志识别，摆在面前的第一个问题就是：方案选型。目标检测的算法那么多，Faster R-CNN、SSD、RetinaNet，还有YOLO系列本身就有v3、v4、v5、v8等多个版本，为什么偏偏是YOLOv5？这需要我们从项目需求倒推。

2.1 需求倒推：毕业设计与实际应用的平衡点

首先，我们得明确这个毕业设计的核心诉求。它通常包含几个层面：技术先进性（不能太落伍）、实现可行性（在有限时间和算力下能完成）、结果可展示性（有明确的评估指标和可视化效果）、以及一定的拓展性（能在论文里进行一些“改进”或“对比”的论述）。交通标志识别本身又是一个对实时性和准确性都有要求的任务。想象一下，在车载系统上，识别必须快，否则车都开过去了结果还没出来；同时必须准，把“禁止通行”认成“直行”会出大问题。

YOLOv5恰好在这几个维度上取得了很好的平衡。相较于两阶段检测器（如Faster R-CNN），YOLO系列单阶段检测的特性决定了其速度上的天然优势。而在YOLO家族内部，v5相比v3、v4，在易用性上有了质的飞跃。它采用PyTorch框架，生态更现代，代码结构非常清晰，对于学生而言学习和调试的成本大大降低。其提供的预训练模型（s, m, l, x不同尺寸）也让研究者能根据自身硬件条件（比如你是否只有一张消费级显卡）灵活选择起点。

注意：很多同学会纠结YOLOv5和更新的v7、v8怎么选。对于毕业设计，v5的成熟度、社区支持度和资料丰富度是最大的优势。你的主要目标是证明你掌握了目标检测的完整流程，并能针对特定任务（交通标志）进行适配和优化。使用一个稳定、资料多的框架，能让你把精力集中在任务本身，而不是解决框架的疑难杂症上。v7、v8固然有性能提升，但作为毕业设计，v5完全足够，且更稳妥。

2.2 YOLOv5的核心优势解读

具体来说，YOLOv5对于这个项目而言，有以下几个抓手的优势：

1. 训练速度快，收敛快：这得益于其改进的网络结构（CSPDarknet骨干网络、SPPF模块等）和高效的训练策略（如自动锚框计算）。对于学生党，时间就是生命，能快速看到训练结果并进行迭代，比什么都重要。
2. 精度高：在COCO等通用数据集上，YOLOv5的精度表现是第一梯队的。对于交通标志这类目标相对规整、但可能存在尺寸小、遮挡等挑战的数据，其性能经过适当调优后非常可靠。
3. 易于部署：YOLOv5原生支持导出为TorchScript、ONNX等格式，可以相对轻松地集成到各种平台，包括一些边缘计算设备（如你提到的RK3568、RV1106）。这为你的毕业设计增加了“工程实践”的亮点，你可以在论文中探讨模型轻量化或部署的可行性。
4. 生态完善：GitHub上官方仓库的文档、Issue讨论都非常活跃。几乎所有你在训练中可能遇到的问题，如数据加载错误、损失函数NaN、验证指标异常等，都能找到相关的讨论和解决方案。这对于独立完成项目的同学来说是巨大的帮助。

所以，选择YOLOv5，不是一个盲从热点的决定，而是一个基于项目需求（毕业设计）、资源约束（个人电脑）、技术目标（实时检测）和未来发展（易于拓展）的综合考量。它为你提供了一个坚实且高效的起跑线。

3. 数据集的准备与处理：模型的“粮食”是关键

俗话说“垃圾进，垃圾出”，在深度学习领域尤其如此。数据集的质量和准备方式，直接决定了模型性能的上限。对于交通标志识别，数据集的处理是整个项目中最需要耐心和细心的环节之一。

3.1 数据集的选择与评估

网络上公开的交通标志数据集有不少，例如德国的GTSDB、中国的TT100K、以及一些综合性的自动驾驶数据集（如BDD100K）中也包含标志标注。选择哪一个？你需要考虑几个因素：

• 类别是否匹配：你的项目需要识别哪些标志？是国内的还是国外的？数据集中的类别定义是否与你的需求一致？比如，TT100K是针对中国道路场景的，其标志类别更符合我们的实际应用。
• 数据量：深度学习模型需要足够的数据来学习特征。通常，每个类别至少需要数百个样本，才能保证模型学到稳定的特征。如果某个类别的样本太少（如“注意儿童”标志），就需要特别处理，比如数据增强。
• 标注质量：标注框是否精准？有没有漏标、错标？标注格式是否与YOLOv5兼容（YOLO格式要求的是归一化的中心点坐标和宽高）？
• 场景多样性：数据是否涵盖了不同天气（晴、雨、雾）、不同时间（白天、夜晚）、不同拍摄角度和距离？这决定了模型的泛化能力。

对于毕业设计，我建议优先选择TT100K或从GTSDB中选取部分常见类别开始。它们的规模适中，社区使用广泛，容易找到相关的处理脚本和参考结果。

3.2 数据预处理与增强实战

拿到原始数据集后，很少能直接扔给YOLOv5训练。通常需要经过以下步骤：

1. 格式转换：将数据集标注（可能是PASCAL VOC的xml格式，或COCO的json格式）转换为YOLOv5所需的txt格式。每个图片对应一个txt文件，每行内容为：类别id 中心点x 中心点y 宽度 高度，所有坐标值都是相对于图片宽高的归一化值（0-1之间）。网上有很多现成的转换脚本，但务必在转换后随机抽样检查几个样本，确保转换无误。
2. 数据集划分：按照一定比例（如7:2:1或8:1:1）将数据随机划分为训练集、验证集和测试集。验证集用于训练过程中监控模型表现，防止过拟合；测试集用于最终评估，在训练过程中绝对不可见。这个步骤必须做，且要保证划分后各类别在三个集合中的分布大致均衡。
3. 数据增强：这是提升模型鲁棒性的关键。YOLOv5内置了强大的数据增强管道（在data/hyps/*.yaml中配置）。对于交通标志，常用的有效增强包括：
   • 几何变换：随机缩放、裁剪、平移、旋转（小角度）。注意，大角度的旋转可能导致标志含义改变（如“左转”变成“右转”），需谨慎或避免。
   • 颜色变换：调整亮度、对比度、饱和度、色调。模拟不同光照和天气条件。
   • 模糊与噪声：添加高斯模糊、运动模糊，模拟雨天或高速运动下的拍摄效果；添加椒盐噪声，增强模型抗干扰能力。
   • Mosaic增强：YOLOv5的特色，将四张图片拼成一张进行训练，极大地提升了模型检测小目标和理解上下文的能力，非常适合交通标志这种场景中目标可能较小的任务。

实操心得：数据增强不是越多越好。一开始可以使用YOLOv5默认的增强配置。如果发现模型在验证集上表现不佳（如定位不准），可以适当减弱增强强度；如果模型过拟合（训练集损失很低，验证集损失很高），则可以加强增强。这是一个需要根据训练曲线动态调整的过程。

4. 创建数据集配置文件：在YOLOv5中，你需要创建一个data/your_dataset.yaml文件。这个文件是指引模型找到数据和理解类别的“地图”。其内容主要包括：

   # 数据集根目录路径（建议使用绝对路径） path: /home/user/datasets/TT100K_YOLO # 训练集、验证集、测试集的图片路径列表文件 train: images/train val: images/val test: images/test # 可选 # 类别数量 nc: 45 # 例如TT100K有45个常见类别 # 类别名称列表，必须和标注文件中的类别id对应 names: ['i2','i4','i5','il100','il60','il80','io','ip','p10','p11','p12',...]

   确保names列表的顺序与你在格式转换时定义的类别id完全一致，否则会导致灾难性的错误——模型会学到完全错误的标签映射。

4. 模型训练与超参数调优：不只是运行train.py

环境配好了，数据准备好了，激动人心的训练环节就开始了。但运行python train.py之后，你绝不能只是干等着。你需要像一个教练一样，时刻关注模型的“训练状态”，并适时调整策略。

4.1 训练流程深度解析

YOLOv5的训练命令看似简单，实则包含了大量可配置的选项。一个典型的启动命令如下：

python train.py --img 640 --batch 16 --epochs 100 --data data/tt100k.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --name tt100k_exp1

• --img 640: 输入图片统一缩放到640x640像素。更大的尺寸可能提升小目标检测精度，但会显著增加显存消耗和训练时间。
• --batch 16: 批次大小。根据你的GPU显存调整。在显存允许的情况下，较大的batch size有助于训练稳定。如果出现CUDA out of memory错误，就减小batch或--img-size。
• --epochs 100: 训练轮数。对于中等规模数据集，100-300轮是常见的范围。具体需要多少轮，要看验证集指标是否收敛。
• --data: 指向你上一步创建的数据集配置文件。
• --cfg: 指定模型结构配置文件。yolov5s.yaml代表最小的s模型，轻量但速度快。你可以根据需求换为m,l,x。
• --weights yolov5s.pt: 加载预训练权重。这是至关重要的一步！使用在COCO等大型数据集上预训练的权重进行迁移学习，能极大加速收敛并提升最终性能。永远不要从零开始训练。
• --name: 本次实验的名称，所有输出（模型权重、日志、可视化结果）都会保存在runs/train/name目录下。

训练开始后，你的终端会滚动日志，同时TensorBoard或本地日志文件会记录所有关键指标。你需要重点关注以下几个指标：

1. 损失函数（Loss）：包括框回归损失（box_loss）、置信度损失（obj_loss）和分类损失（cls_loss）。一个健康的训练过程，这三个损失都应该随着epoch增加而稳步下降，最后趋于平缓。如果损失出现剧烈震荡或上升，可能是学习率太大、数据有问题或模型结构不适配。
2. 验证集指标：主要是mAP@0.5和mAP@0.5:0.95。mAP（平均精度均值）是衡量检测性能的核心指标。@0.5表示交并比（IoU）阈值为0.5时的mAP；@0.5:0.95表示IoU阈值从0.5到0.95，步长0.05的平均mAP，这个指标更严格。你需要看到验证集的mAP随着训练逐步提升并最终稳定。

4.2 超参数调优实战指南

YOLOv5的超参数配置文件（data/hyps/hyp.scratch-low.yaml等）包含了影响训练行为的所有“旋钮”。直接使用默认值可能不错，但针对特定任务微调，往往能带来额外提升。对于交通标志识别，我建议重点关注以下几个：

• 学习率（lr0, lrf）:lr0是初始学习率，lrf是最终学习率系数（最终学习率 = lr0 * lrf）。默认配置通常工作良好。如果你发现损失下降很慢，可以尝试稍微增大lr0（如从0.01到0.02）；如果训练不稳定（损失震荡），则减小lr0。对于交通标志任务，由于使用了预训练权重，学习率不宜过大。
• 热身（warmup_epochs, warmup_momentum）: 训练初期的“热身”阶段，学习率从很低的值逐渐上升到lr0，有助于训练稳定。对于小批量数据或难任务，可以适当增加warmup_epochs（如从3到5）。
• 数据增强参数：如前所述，在hyp文件中可以调整各种增强的概率和强度。例如，对于交通标志，可以适当提高hsv_h（色调增强）和hsv_s（饱和度增强）来模拟不同天气，但降低degrees（旋转角度）以防标志语义改变。
• 锚框（anchors）: YOLOv5会针对你的数据集自动计算合适的锚框尺寸，这通常在训练开始前完成。除非你对数据集中目标的宽高分布有非常特殊的认知，否则一般不需要手动修改。

调优策略：采用“控制变量法”。一次只调整1-2个超参数，并记录实验配置和结果（可以用TensorBoard对比，或简单记在表格里）。从学习率和数据增强开始调起。不要盲目追求验证集mAP的微小提升（如0.2%），要综合考虑训练稳定性和最终模型大小。

5. 模型评估、测试与可视化：证明你的模型真的有效

训练完成后，在测试集上对模型进行严谨的评估是毕业设计论文中“实验结果与分析”章节的核心。这不仅仅是跑一个脚本，而是需要你理解每个指标的含义，并能分析模型在哪些方面做得好，在哪些方面还有不足。

5.1 核心评估指标解读

使用命令python val.py --weights runs/train/tt100k_exp1/weights/best.pt --data data/tt100k.yaml会在验证集/测试集上运行评估，并生成一系列关键文件和指标：

1. 混淆矩阵（confusion_matrix.png）：这是一个非常直观的工具，可以看到模型在各个类别上的混淆情况。理想情况下，对角线（预测正确的部分）应该最亮。如果某些类别和其他类别混淆严重（比如把“限速40”和“限速60”搞混），说明这些类别在特征上过于相似，可能需要收集更多样化的数据，或者在数据增强时针对性处理。
2. PR曲线（PR_curve.png）和F1曲线（F1_curve.png）：PR曲线展示了不同置信度阈值下，各类别的精确率（Precision）和召回率（Recall）的关系。曲线下的面积越大越好。F1曲线则直接展示了F1分数（精确率和召回率的调和平均数）随置信度阈值的变化，可以帮助你为后续应用选择一个最优的置信度阈值。
3. 指标汇总：终端会打印出Class,Images,Instances,P,R,mAP50,mAP50-95等。你需要重点关注：
   • P(Precision): 模型预测为正的样本中，真正为正的比例。高精度意味着误报少。
   • R(Recall): 所有真实的正样本中，被模型正确找出来的比例。高召回意味着漏报少。
   • mAP50: 你的模型在宽松标准下的综合性能。
   • mAP50-95: 你的模型在严格标准下的综合性能，更能体现模型的定位精度。

5.2 可视化分析与错误排查

评估脚本还会在runs/val/exp目录下生成两个非常重要的文件夹：

• labels/: 包含模型对每张测试图片的预测结果（txt格式），可以和真实标签对比。
• predicted_images/: 包含模型在测试图片上的可视化检测结果，用框和标签标出了预测的目标。

这是你分析模型弱点的黄金机会！不要只看平均指标，一定要人工去浏览这些预测图片，特别是那些预测错误的、或者置信度低的案例。常见问题包括：

• 小目标漏检：远处的、尺寸很小的标志没有被检测出来。这可能需要在训练时使用更大的输入尺寸（--img），或者使用更侧重于小目标检测的模型变体（如更换特征融合网络PANet为BiFPN等，但这属于进阶修改）。
• 遮挡或部分可见目标误检/漏检：标志被树木、车辆部分遮挡。可以尝试在数据增强中增加随机遮挡（CutOut, MixUp等），或者在数据集中补充更多遮挡样本。
• 相似类别混淆：如前所述，通过混淆矩阵定位问题类别，检查这些类别的训练样本是否充足、特征是否明显。
• 复杂背景干扰：在广告牌、墙面纹理复杂的地方产生了误报。这说明模型的判别能力有待加强，可能需要更深的网络或更好的数据。

把这些分析过程、典型案例截图以及你的思考，整理到毕业设计论文中，能极大地提升论文的深度和说服力，向答辩老师展示你不仅会跑代码，更会思考和分析。

6. 模型部署与应用演示：让模型“动”起来

训练出一个好模型只是成功了一半。如何将它用起来，做出一个可以交互的演示程序，是毕业设计成果展示的加分项。YOLOv5提供了非常方便的推理接口。

6.1 基于源码的简易演示程序开发

YOLOv5的detect.py脚本本身就是一个强大的推理工具。但为了毕业设计演示，我们通常需要围绕它封装一个更友好的界面。这里提供一个基于Python和OpenCV的简单GUI演示思路：

import cv2 import torch from pathlib import Path import tkinter as tk from tkinter import filedialog, Label, Button from PIL import Image, ImageTk # 加载模型 model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/tt100k_exp1/weights/best.pt', force_reload=True) model.conf = 0.25 # 置信度阈值 model.iou = 0.45 # NMS IoU阈值 def detect_image(): file_path = filedialog.askopenfilename(filetypes=[("Image files", "*.jpg *.jpeg *.png *.bmp")]) if not file_path: return # 推理 results = model(file_path) # 渲染结果 rendered_img = results.render()[0] # 获取带标注的BGR图像 # 转换颜色空间 BGR -> RGB rendered_img_rgb = cv2.cvtColor(rendered_img, cv2.COLOR_BGR2RGB) # 转换为PIL Image，然后转为PhotoImage用于Tkinter显示 pil_image = Image.fromarray(rendered_img_rgb) # 调整显示大小 display_size = (640, 480) pil_image.thumbnail(display_size, Image.Resampling.LANCZOS) tk_image = ImageTk.PhotoImage(pil_image) # 更新界面上的图片标签 img_label.config(image=tk_image) img_label.image = tk_image # 保持引用，防止被垃圾回收 # 在控制台打印检测结果 print(results.pandas().xyxy[0]) # 以Pandas DataFrame格式打印检测框信息 # 创建简单GUI root = tk.Tk() root.title("交通标志识别演示") Button(root, text="选择图片并检测", command=detect_image).pack(pady=20) img_label = Label(root) img_label.pack() root.mainloop()

这个简单的程序实现了图片选择、模型推理和结果展示。你可以在此基础上扩展更多功能，比如实时摄像头检测、视频文件处理、检测结果统计等。

6.2 面向部署的模型导出

如果你想让模型跑在资源受限的边缘设备（如树莓派、Jetson Nano或你提到的RK3568）上，就需要将PyTorch模型转换为更高效的格式。YOLOv5支持一键导出：

python export.py --weights runs/train/tt100k_exp1/weights/best.pt --include torchscript onnx coreml

• --include指定导出格式。torchscript是PyTorch的序列化格式；onnx是一种开放的模型交换格式，被众多推理引擎支持（如OpenVINO, TensorRT）；coreml用于苹果生态系统。
• 导出后，你会得到best.torchscript、best.onnx等文件。这些文件通常比原始PyTorch模型更小，推理速度也可能更快，尤其是在专用推理引擎的优化下。

实操心得：在部署到新平台时，务必在该平台上用少量数据验证导出的模型是否工作正常。有时由于算子支持问题，ONNX或TorchScript模型可能在某些环境下无法运行或结果有误。先小范围测试，再全面集成。

7. 毕业设计论文撰写要点与避坑指南

有了扎实的实验和漂亮的演示程序，最后一步就是将它们系统地组织成毕业论文。这部分常常被技术同学忽视，但却直接影响答辩成绩。

7.1 论文核心章节内容构建

你的论文结构应该清晰地反映你的工作流程。以下是一个建议的章节框架及每部分需要突出的重点：

• 绪论：讲清楚背景（智慧交通/辅助驾驶）、研究意义（安全、效率）、以及为什么选择YOLOv5和道路交通标志识别这个具体方向。要引用最新的相关文献，展示你对领域现状的了解。
• 相关技术与理论：不要大段抄写YOLO的原始论文。重点阐述与你项目紧密相关的部分：YOLOv5的网络结构（CSPDarknet, SPPF, PANet）、损失函数（CIoU Loss）、以及针对小目标检测（交通标志可能很小）有哪些常见的改进思路（如特征金字塔增强、注意力机制等）。这部分体现你的理论深度。
• 数据集与预处理：详细介绍你使用的数据集（来源、规模、类别分布）、数据预处理（格式转换、划分）和数据增强策略（你具体用了哪些，为什么用这些）。最好用统计图表展示数据分布。
• 模型训练与优化：这是核心章节。详细说明你的实验环境（软硬件配置）、训练参数设置（batch size, img size, epochs, 优化器，学习率策略）、以及你进行了哪些超参数调优实验，结果对比如何。用曲线图展示训练损失和验证集mAP的变化过程。
• 实验结果与分析：全面展示评估结果。不仅要给出整体的mAP，更要分类别分析性能（哪些类别好，哪些差，为什么）。必须包含混淆矩阵、PR曲线等可视化分析。展示一些成功的检测案例，更要展示典型的失败案例（漏检、误检），并分析原因。这部分最能体现你的思考能力。
• 系统设计与实现：介绍你的演示程序或系统原型。包括系统架构、模块设计、交互界面截图等。如果有尝试模型轻量化或部署到边缘设备的探索，一定要写在这里。
• 总结与展望：总结你的工作成果（达到了什么指标，完成了什么系统），客观指出当前工作的局限性（如数据集的局限性、模型在极端天气下的性能等），并提出切实可行的未来改进方向（如收集更多样数据、尝试模型融合、探索更轻量的网络等）。

7.2 常见“坑”与应对策略

结合我带学生和评审论文的经验，以下几个“坑”一定要避开：

1. 只有结果，没有分析：论文里堆满了mAP数字和检测效果好的图片，但对不好的结果避而不谈。答辩老师最喜欢问的就是：“你这个模型在什么情况下会失效？”如果你自己没分析过，当场就会懵。务必在“实验结果与分析”章节加入“错误案例分析”小节。
2. 参数描述不清：只说“使用了YOLOv5s模型”，却不提输入分辨率、批次大小、初始学习率等关键训练参数。这些信息对于实验可复现性至关重要。
3. 对比实验缺失：你的模型好，好在哪里？需要有基线对比。最简单的，你可以对比使用预训练权重和不使用的区别，对比YOLOv5s和YOLOv5m在精度和速度上的权衡，甚至可以对比不同数据增强策略的效果。有对比，才有说服力。
4. 代码、数据、论文对不上：论文里说用了A数据集，但代码里读的是B数据集的路径；论文里说mAP是80.5%，但提交的代码跑出来只有75%。这是大忌。在提交前，务必用你最终提交的代码和数据集，重新跑一遍关键实验，确保论文中的每一个数字都有据可查。
5. 演示程序“见光死”：答辩现场演示时，程序崩溃、找不到文件、检测速度极慢。务必在答辩前，在演示电脑上从头配置环境、测试程序，确保万无一失。最好准备一个备份视频。

做这个项目的过程中，我最大的体会是，它就像一次微型的科研工程实践。你不仅是在调用一个API，而是在完整地经历：定义问题、收集处理数据、选择并训练模型、分析结果、优化改进、最终产品化的全过程。把这每一个环节都想清楚、做扎实，你的毕业设计就绝不会只是一个空洞的“源码+数据集”的堆砌，而是一份能体现你工程能力和思考深度的优秀作品。最后，别忘了享受这个过程，当你看到自己训练的模型准确地识别出一个个交通标志时，那种成就感就是最好的回报。

本文还有配套的精品资源，点击获取