企业官网建设流程全解析

简介：一套基于YOLOv5的交通标志牌识别完整项目，主要面向计算机、人工智能、电子信息等相关专业的学生，也适合算法初学者作为实战练习。项目选用TT100K数据集进行模型训练与验证，代码经过测试可稳定运行，可直接用于课程大作业、毕业设计或初期项目演示。资源包共147个文件，结构上以56个Python源码文件为核心，覆盖数据集配置、模型训练、检测推理等环节；同时包含YAML/YML参数配置、Shell辅助脚本、Dockerfile多环境部署配置、Markdown说明文档以及Jupyter Notebook示例，方便快速复现和二次开发，压缩包仅1.1MB，便于下载和迁移。目前已有352人学习下载，适合对照YOLOv5工程化流程深入理解数据配置、训练调参与部署思路，是从理论走向项目实践的高性价比参考资料。整体代码注释清楚，目录组织规范，可帮助读者快速定位并复用各个功能模块。

1. 交通标志牌识别项目解压后从哪里入手：yolov5、tt100k与python源码的完整链路

拿到一份《基于yolov5的交通标志牌识别项目（python源码+项目说明）（使用tt100k数据集）.zip》，很多人第一件事是解压、找README、然后直接跑训练脚本。真实情况是：代码能跑通，但换一台机器、换一批数据就翻车，原因基本都藏在数据准备上。tt100k的标注格式不是yolov5默认能吃的，类别体系又细又杂，直接拿来训练，mAP会低到怀疑人生。这篇笔记以这套源码包为主线，把三件事讲透：tt100k怎么转成yolov5的标注、训练参数怎么调才不掉坑、模型导出后如何在边缘设备上落地。适合课程设计、毕业论文，以及想把标志识别装进路口摄像头或车载盒子的工程师。下面从数据集开始拆。

2. tt100k数据怎么喂给yolov5：json转txt标注、类别映射与筛选脚本

yolov5训练需要的数据格式很简单：每张图对应一个同名txt，每一行是class x_center y_center width height，坐标全部归一化到0~1。而tt100k官方给的是json标注，里面按图片名挂着一串对象框，所以第一步永远是转换格式。这一步做不好，后面训练、推理全都会错位。

2.1 tt100k的标注结构与类别体系

tt100k是清华大学基于腾讯街景构建的交通标志数据集，总量超过10万张街景图像，其中大约三分之一的图像带精细标注。它的标注体系分大类和小类，例如禁令、警告、指示、其他，下面再细分出数字、符号、颜色等差异。官方标注json的结构大致如下：

{ "imgs": { "0.jpg": { "path": "train/0.jpg", "objects": [ {"category": "i200", "bbox": {"xmin": 112, "ymin": 245, "xmax": 140, "ymax": 273}} ] } } }

这个结构里，imgs是图片名到标注信息的映射，objects里每个元素代表一个交通标志，category是类别字符串ID，bbox是像素坐标的左上角和右下角。yolov5要的是归一化中心点加宽高，所以转换脚本要做的就是把像素坐标算成归一化值。这里有一个容易踩的坑：部分json里的bbox字段名可能是x、y、w、h，也可能是xmin、ymin、xmax、ymax，拿到数据后先打印一条样本看清楚再写脚本。另外，tt100k超过200个小类，如果全部保留，很多类别只有几十上百个样本，训练出来的权重就是个摆设。所以类别映射和筛选必须在转换阶段完成，而不是等训练完发现mAP不对再返工。

2.2 把TT100K的json标注转成YOLO txt：转换脚本与参数说明

下面这份脚本是我处理这类数据集时常用的方案，直接照着改就能用：

# convert_tt100k.py # 将TT100K的json标注转换为YOLOv5需要的txt格式 import json import os import cv2 from pathlib import Path # class_map: 原始category -> 训练用类别ID # 这里把多种限速标志合并成speed_limit，多种禁止标志合并成prohibition class_map = { "i200": 0, "i210": 0, "i220": 0, # 限速类 "p100": 1, "p110": 1, "p120": 1, # 禁止类 "w100": 2, "w110": 2, "w120": 2, # 警告类 } def convert(json_path, img_root, out_dir): Path(out_dir).mkdir(parents=True, exist_ok=True) with open(json_path, 'r', encoding='utf-8') as f: data = json.load(f) for img_name, info in data['imgs'].items(): # 读图像拿宽高，比json里的字段更保险 img_path = os.path.join(img_root, img_name) if not os.path.exists(img_path): continue h, w = cv2.imread(img_path).shape[:2] lines = [] for obj in info.get('objects', []): cat = obj['category'] if cat not in class_map: continue b = obj['bbox'] # 防止坐标出界导致训练时loss为nan xmin = max(b['xmin'], 0) ymin = max(b['ymin'], 0) xmax = min(b['xmax'], w - 1) ymax = min(b['ymax'], h - 1) if xmax <= xmin or ymax <= ymin: continue x_center = (xmin + xmax) / 2 / w y_center = (ymin + ymax) / 2 / h box_w = (xmax - xmin) / w box_h = (ymax - ymin) / h lines.append( f"{class_map[cat]} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}" ) if lines: out_file = Path(out_dir) / (Path(img_name).stem + '.txt') out_file.write_text('\n'.join(lines), encoding='utf-8')

逻辑说明：脚本逐张读取json里的imgs，对每张图先用cv2.imread拿真实宽高，而不是信任json里的宽高字段。然后遍历每个objects，用class_map判断要不要保留、保留成哪个新ID。bbox先做边界裁剪再归一化，防止坐标出界导致loss变成nan。最后只把有标注的图写出txt，没有objects的图不生成txt，这些图在yolov5里会自然当作负样本参与训练。参数说明：class_map是核心，新ID必须与后面tt100k.yaml里names的顺序一一对应，否则训练出来的模型类别标签全错；out_dir建议分别设成labels/train和labels/val；img_root指向原图根目录。转换完成后，最好抽查几个txt，确认坐标值都在0~1之间，并且类别ID没有跳号。

2.3 类别筛选：不要一上来就训200类

tt100k官方类别里，很多小类只有几十个样本，直接训练结果是：低频类mAP几乎为0，显存占用高，训练时间拉长，调试难度翻倍。我一般会先用一段统计脚本看看各类别样本数，再决定映射表：

from collections import Counter cnt = Counter() for info in data['imgs'].values(): for obj in info.get('objects', []): cnt[obj['category']] += 1 print(cnt.most_common(30))

逻辑说明：这段统计每个原始类别ID在所有标注中出现的次数，most_common(30)直接列出样本最多的30个类别。参数说明：如果要保留更多类别，把30换成100，但建议先跑一遍看清楚分布再决定。做课程设计或演示的话，把类别控制在10个以内，模型mAP会明显更好看；如果是真实的道路标志识别项目，建议按大类合并，比如把所有限速牌合并成speed_limit，所有禁止标志合并成prohibition，把类别数压到20~40个。交通标志识别里有一个“玄学”：类别越少，mAP越好做，演示效果越稳。不要追求类别齐全，先把识别准确率做上去，再考虑扩展类别。

3. yolov5环境配置与数据划分：conda依赖、项目目录和tt100k.yaml

数据转好之后，很多人卡在“yolov5环境配置”这一步：python版本和torch版本不匹配、conda装不上、显卡驱动和CUDA对不上。这里给一套比较稳的方案，按顺序执行基本不会翻车。

3.1 用conda建环境：一份能复现的依赖清单

# 创建python 3.9环境，避免python 3.11与某些算子不兼容 conda create -n tt100k python=3.9 -y conda activate tt100k # 先装pytorch，再装yolov5依赖，顺序不要反 pip install torch==2.0.1 torchvision==0.15.2 --index-url https://download.pytorch.org/whl/cu118 # 从GitHub官方仓库clone一份yolov5源码 git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

逻辑说明：先装pytorch再装requirements，因为requirements里很多包在安装时会探测torch版本，顺序反了容易装错依赖。cu118对应CUDA 11.8运行时，绝大多数RTX系列显卡都能直接用。参数说明：python 3.9是目前yolov5兼容性最稳的选择之一，不要为了追新上3.12；如果只有CPU机器，把cu118换成cpu，训练会慢很多但能跑；torch 2.0.1不是越老越好，但足够yolov5使用。装完跑一句python train.py --data coco128.yaml --epochs 1验证环境，能正常启动说明环境没问题。

3.2 项目目录怎么摆：让你少改十处路径

常见的项目目录结构是这样的，这个结构能最大程度减少路径改动：

tt100k_yolov5/ ├── yolov5/ # 官方源码，train.py和detect.py都在这里 ├── datasets/ │ └── tt100k/ │ ├── images/ │ │ ├── train/ │ │ ├── val/ │ │ └── test/ │ └── labels/ │ ├── train/ │ └── val/ └── runs/ # 训练输出的权重和日志

yolov5的data配置支持相对路径，只要images和labels的子目录名字对应上，比如images/train对labels/train，就能少踩很多路径坑。项目说明里如果给了源码包，不要强行改源码里的绝对路径，尽量用yaml的相对路径配置。数据集和源码平级放，这样换机器时只需要改yaml里的path字段。接着创建datasets/tt100k.yaml：

# datasets/tt100k.yaml # path是相对yolov5代码目录的路径，不要写成绝对路径 path: ../datasets/tt100k train: images/train val: images/val test: images/test nc: 3 names: 0: speed_limit 1: prohibition 2: warning

参数说明：path是相对于yolov5代码目录的路径，写成../datasets/tt100k可以保证在code目录下用相对路径启动训练；train和val是相对path的路径，不要再加datasets/tt100k前缀；nc必须等于类别数3，如果class_map里最大ID是2，nc就是3；names的顺序必须和class_map的ID一一对应。这个yaml写错是训练时报错最多的地方，报错信息通常是AssertionError: train: No labels in ...，一旦看到这个，优先检查路径。

3.3 数据划分：随机划分还是按路段划分

# split_data.py # 按文件名随机划分15%做验证集 import random from pathlib import Path random.seed(42) images = list(Path('datasets/tt100k/images/all').glob('*.jpg')) random.shuffle(images) val_cnt = int(len(images) * 0.15) val_set = set(images[:val_cnt]) for img in images: dest = 'val' if img in val_set else 'train' img.rename(img.parent.parent / 'images' / dest / img.name) label = img.with_suffix('.txt') if label.exists(): label.rename(label.parent.parent / 'labels' / dest / label.name)

逻辑说明：先把所有jpg打乱，取前15%作为验证集，其余作为训练集。然后将图片移动到对应目录，同时移动同名txt文件。参数说明：random.seed(42)保证每次划分结果一致，方便复现；15%是常见划分比例，数据量小可提高到20%。这个脚本的局限是纯随机划分，而tt100k很多图片来自同一路段的连续街景帧，随机切分会造成验证集里出现训练集同场景的画面，mAP虚高。更严格的做法是按json里的场景ID划分，保证同一路段只出现在一个集合里。如果只是课程设计，随机划分也够用；如果做真实项目，建议花时间做场景级划分。

提示：划分完成后，检查val目录下jpg和txt一一对应，缺txt的图要移出val，否则训练yolov5会报找不到标签。

4. 训练与超参数调优：输入尺寸、数据增强与类别不平衡

数据准备好，进入训练阶段。新手最常见的错误是拿yolov5默认参数直接训，那些参数是为COCO大目标设计的，tt100k这种街景小目标场景需要针对性调整。这里按影响程度从大到小讲几个关键点。

4.1 基线训练命令与日志怎么看

# 在yolov5目录下执行 python train.py --data ../datasets/tt100k.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 80 \ --device 0 \ --name tt100k_base

参数说明：--weights yolov5s.pt用COCO预训练权重做迁移学习，比从头训练收敛快很多，也稳定很多；--img 640是输入图片尺寸，对大部分路口的标志牌够用，但远处的限速牌可能只有二三十像素，后面要单独实验；--batch 16在8G显存以下的显卡上容易OOM，可以降到8，显存不够时优先降batch而不是降imgsz；--epochs 80对tt100k这种数据量足够，如果验证集mAP还在涨就继续加。日志主要看三个数：mAP@0.5、mAP@0.5:0.95和val/obj_loss。前20轮mAP不涨是正常的，迁移学习刚开始在适应新数据分布；如果80轮后mAP@0.5还不到0.5，基本是数据转换或划分有问题，回头查第2章。

4.2 对交通标志牌影响最大的几个超参数

imgsz从640调到1280，小目标召回率通常能提升5到10个点，代价是显存翻倍、训练时间翻倍。close_mosaic是yolov5官方后期加入的trick：mosaic增强会把四张图拼在一起，导致小目标被缩放得面目全非，最后若干epoch关掉它让模型在真实分布上微调。如果你拿到的源码版本比较老，没有这个参数，可以手动在最后15个epoch把mosaic概率置为0。lr0对tt100k这种数据量不算敏感，但配合--cos-lr调度器能更稳。另外，如果显卡显存只有6G，建议直接换yolov5n或yolov5s，不要硬上yolov5l，训练时长和显存占用都会让你怀疑人生。

4.3 类别不平衡与小目标的处理

tt100k的类别样本量差异极大，多的几千张，少的几十张。处理办法有两个，第一个是第2章说的在数据转换时筛掉低频类别，这是最省事的办法；第二个是对保留的少样本类别做过采样，让模型在一个epoch里多看到几次这类样本。过采样的做法是复制包含稀有类别的图片和标注文件：

# oversample.py from collections import Counter import shutil from pathlib import Path labels_dir = Path('datasets/tt100k/labels/train') img_dir = Path('datasets/tt100k/images/train') for txt in labels_dir.glob('*.txt'): # 读取该图包含的所有类别ID classes = {int(line.split()[0]) for line in txt.read_text().strip().splitlines() if line} # 假如类别3是稀有类，复制3份 if 3 in classes: for i in range(3): shutil.copy(txt, labels_dir / f"{txt.stem}_dup{i}.txt") shutil.copy(img_dir / f"{txt.stem}.jpg", img_dir / f"{txt.stem}_dup{i}.jpg")

逻辑说明：脚本读取每张图的txt，提取里面的类别ID集合，如果包含目标稀有类，就把图片和标注复制三份。复制后的新文件名不能与原文件重名，所以加了_dup0、_dup1、_dup2后缀。参数说明：复制倍数一般2到4倍足够，太多会过拟合；yolov5的mosaic增强会把多张图拼在一起，所以只复制图片不复制标注的做法不推荐，复制标注文件更安全。小目标问题除了提imgsz，还可以在模型层面启用P2层输出，但改动成本高，我一般先试imgsz和过采样，效果不够再考虑改模型结构。如果训练时发现某个类别mAP一直为0，先看它的样本数，少于100的类别在tt100k里基本训练不出来。

4.4 早停与best.pt的选择

yolov5默认会在runs/train/tt100k_base/里保存best.pt和last.pt。best.pt是验证集mAP最高的权重，last.pt是最后一个epoch的权重。很多项目说明会让直接用best.pt，但这里有个坑：如果验证集划分不合理，best.pt可能是过拟合到验证集的结果。我的习惯是训练结束后用test集重新测一遍best.pt，如果test mAP比val mAP低很多，说明划分出了问题，回头检查第3.3节。选权重时，部署用best.pt，断点续训用last.pt。另外，yolov5的早停参数patience默认是100个epoch，如果你的数据量小，建议把它改成20，节省时间的同时也能避免过拟合。

5. 推理与部署避坑：后处理参数、实景漏检与五个常见问题

训练结束，项目说明里一般会教你用detect.py跑推理。但实际上真正影响项目成败的是后处理参数，以及那些只在实景里才会暴露的问题。这一章把推理跑通，再把高频坑一个个拆开。

5.1 用detect.py跑单张图和视频：参数怎么设

# 在yolov5目录下执行 python detect.py --weights runs/train/tt100k_base/weights/best.pt \ --source test.jpg \ --img 640 \ --conf 0.5 \ --iou 0.45 \ --save-txt

参数说明：--conf 0.5是置信度阈值，低于这个值的框会被丢掉，阈值越高误检越少但召回也越低；--iou 0.45是NMS的IoU阈值，交通标志之间很少重叠，用0.45到0.55都行；--save-txt会把检测结果保存成txt，方便后面算mAP。如果--source填一个视频文件或摄像头设备号，模型会逐帧推理，但帧率可能只有几fps，这是正常现象。先跑单张图确认推理正常，再上视频流，这样能避免把问题混在一起排错。

5.2 yolov5后处理：NMS与置信度到底改哪个

yolov5的推理结果不是直接从网络输出画框，网络输出的是大量预测框，必须经过后处理才能变成最终结果。后处理三件套是：conf_thres过滤低分框，iou_thres做NMS去重，max_det限制最大输出框数。实景路口最常见的误检来源是小广告牌被当成限速牌，这种问题靠调iou_thres没用，要把conf_thres调到0.6以上，或者在训练时加入负样本。另一个容易被忽略的点是类别置信度：当多个类别外观接近时，模型会输出接近的分数，此时不要只信最高分，要看最高分和次高分之间的差值，差值过小说明模型不确定，宁可不输出。后处理参数看起来是小事，但它直接决定实景部署的误报率，调试时要一组一组对比，不要随手改。

5.3 五个高频坑：现象、原因与解决

坑1：训练时loss变成nan或精度一直为0 现象：train/loss输出nan，或者训练了几十个epoch，mAP@0.5始终是0。 原因：最常见的是标签里有0宽度或0高度的框，或者类别ID超出了yaml里nc的个数。 解决：写脚本检查labels目录里每个txt，凡是w或h为0的行直接删掉；检查class ID是否小于nc；再用cv2.imread逐张检查图像，读不出来就跳过。这个坑几乎每个第一次做数据转换的人都会遇到，检查一遍就通。

坑2：验证集mAP很高，但换一批图片检测效果很差 现象：随机划分的val上mAP@0.5到0.8，实景图片一测漏检严重。 原因：数据划分时用了随机切分，同一路段连续帧被同时分进train和val，模型等于见过答案。 解决：按拍摄路段或时间切片划分数据，保证同一路段只出现在一个集合里。课程设计可以偷懒，真实项目一定要做场景级划分。

坑3：检测框位置没问题，但类别标签全错 现象：框框得很准，但框上的类别名全是乱的，比如限速牌识别成了禁止标志。 原因：class_map字典、yaml里names顺序、txt里class ID三者不一致。yolov5不校验类别名，只按数字索引，三处错一处就全错。 解决：写一个验证脚本，检查txt里所有class ID的最大值必须小于yaml里的nc；再打印几行txt，对照names逐行确认。

坑4：训练或推理时显存OOM 现象：RuntimeError: CUDA out of memory。 原因：batch过大，或者imgsz调到1280后没降batch。 解决：batch降到8或4；如果用了--cache预加载数据，显存会进一步上涨，关掉它；还不行就换yolov5n或yolov5s的轻量权重。对交通标志识别来说，yolov5s的精度和速度最平衡。

坑5：图像分辨率不足导致小目标漏检 现象：远处的限速牌检不出来，走近才出框。 原因：原图1920x1080，yolov5缩到640后，远处标志只有十几个像素，特征已经丢失。 解决：提升imgsz到1280，或者用滑窗分块检测：把大图切成多块分别推理再合并结果。分块会带来同一目标被重复检测的问题，合并后用全局NMS处理。

提示：前两条坑影响训练可信度，后三条坑直接影响部署效果。建议按顺序排查，先查数据再调参数，不要一上来就怀疑模型结构。

6. 导出onnx和模型量化：在树莓派上跑通yolov5标志识别

训练好的权重要落地，最常用的办法是先导出onnx，再针对目标平台做推理加速。yolov5官方提供了导出脚本，一条命令就能完成：

python export.py --weights runs/train/tt100k_base/weights/best.pt \ --include onnx \ --opset 12 \ --dynamic

参数说明：--include onnx指定导出onnx格式；--opset 12是ONNX算子集的版本，老版本onnxruntime要低一点，新版本无所谓；--dynamic允许输入尺寸动态变化，方便部署时自由选择imgsz。注意：如果后面要做int8量化，建议去掉--dynamic，因为动态shape会兼容大部分量化工具，但静态shape更稳。导出后用onnxruntime加载模型推理，精度和PyTorch几乎一致，这一步相当于给模型吃了“后悔药”——以后换部署平台不用重新训练。

树莓派上跑yolov5标志识别，我实测过树莓派5的CPU：yolov5s加640输入，单帧推理约1.5到3秒，基本不可实时。常见做法是把模型换成yolov5n，imgsz降到320，用onnxruntime的多线程跑，单帧约300到500毫秒，配合跳帧检测能到10fps左右。如果你的板子有NPU，比如瑞芯微或Jetson系列，int8量化才有明显加速；纯CPU上int8量化收益有限，主要作用是减小内存占用。精度对比上，yolov5s从fp32量化到int8，mAP@0.5通常会掉2到5个点，对交通标志识别来说还能接受。

这个项目做到最后，我最大的教训是：不要为了帧率盲目降imgsz。把320的模型部署到真实路口，结果漏掉了30米外的限速牌，项目差点被打回。后来改成640输入加跳帧检测，才把速度和准确率的账算平。如果你想把这个方案放进自己的项目，建议先定场景：课程设计就用best.pt跑demo，面向真实路口就要在imgsz和后处理上下真功夫。希望帮到你。

本文还有配套的精品资源，点击获取