企业官网建设流程全解析

简介：基于YOLOv5的交通标志识别检测项目，面向毕业设计、课程设计与期末大作业等场景，提供从数据集标注、模型训练到推理部署的完整闭环。资源共266个文件、压缩包约423MB，核心包括53个Python源码、10个PT预训练权重、YAML模型配置、图像样本与TXT标签文件，同时附带Dockerfile、Shell脚本和TensorBoard事件文件，整体目录组织清晰，可直接复现训练流程或进行二次开发。项目代码注释细致，关键模块均经过严格调试，普通环境下简单配置即可运行，新手也能快速上手；训练结果CSV与事件日志可辅助理解模型收敛过程，便于论文与答辩材料中的结果分析。该方案可整体作为毕业设计或期末大作业使用，曾获导师高度认可，目前已有105人浏览学习，适合需要高效完成高质量视觉检测项目的学生参考借鉴。

1. 交通标志识别项目为什么绕不开 YOLOV5、数据集与模型这三件套

毕业设计拿到“交通标志识别检测”这个题目时，大多数人第一反应是：这不就是拿 YOLOV5 训练一个模型嘛。真做起来你会很快发现，模型反而是最不用操心的部分，真正卡住人的是交通标志数据集的整理、标注格式的转换、以及训练完成之后怎么把模型效果讲清楚。这个题目能拿高分，通常不是因为你把 YOLOV5 的代码改得多花哨，而是因为你把数据、训练、评估这条链路走得完整且可复现。这篇笔记会从交通标志数据集的选型与清洗，到 YOLOV5 的自定义训练、推理导出，再到常见训练踩坑和夜间场景调优，完整讲一遍我实际跑这个课题时的做法，新手能照着复现，熟手也能对照参数和边界。

2. 数据集的筹备与转换：拿到交通标志图之后第一件事是清洗标注

2.1 交通标志检测数据集怎么选：公开数据集与自采数据的分工

交通标志识别在学术界有个常见误区：一上来就找 GTSRB。GTSRB 是分类数据集，一张图一个标志，只有类别标签，没有目标框。做检测你需要的是带标注框的数据集，所以更常见的选择是 TT100K——腾讯街景全景下的交通标志数据集。TT100K 覆盖了多种标志类别，拍的是真实街景，车型、遮挡、光线变化和国内交通标志的样式都贴近实际场景。另一个可用来源是 Mapillary Vistas，但它更偏向分割，坐标要二次转换，预处理成本高。

我给毕设项目的建议是双轨走：先用公开数据集把模型基线跑通，再采一批校园或城市道路的实景图做泛化验证。公开数据集负责证明你的模型结构和训练流程正确，自采数据负责证明你的方案在真实场景下可用，这正好对应毕设评审里“模型有泛化能力”这一条。自采数据不需要太多，300 到 500 张包含标志的图片就够，但每张图都要检查标注框是不是把标志完整框住。实际经验是，公开数据集里的标志通常又大又正，自采图里经常出现路边杆子上的侧视角标志，这类图不参与训练，单独作为验证集会给你一个很扎心的结果：训练 mAP 很高，实拍图检测一塌糊涂。

TT100K 的原生标注是 JSON 格式，类别定义也不完全是简单的数字 ID。直接拿它喂 YOLOV5 之前，我一般会把 JSON 统一转成更通用的 VOC XML 中间格式，再用脚本转成 YOLO 需要的 txt。这样做的原因是后续如果换数据集，比如换成 CCTSDB 或自己标注的数据，中间格式的转换脚本可以复用。CCTSDB 是长沙理工发布的交通标志检测数据集，标注格式就是 VOC 风格，很多做这个题目的同学最后都落在 CCTSDB 和 TT100K 的混合训练上。混用前一定要检查两类数据集的类别 ID 是否对齐，常见翻车点是 TT100K 里禁止鸣喇叭和限速标志在 CCTSDB 里被分到不同类，不合并直接训练会导致模型对类别边界非常混乱。

2.2 把 VOC 格式转成 YOLOV5 需要的 txt：转换脚本与四个边界坑

YOLOV5 的标注格式是每个 txt 文件一行，内容为 class_id x_center y_center width height，坐标全部是归一化后的小数，中心点和宽高都除以图片宽高。VOC 格式则是左上角和右下角坐标，且可能是像素值。所以转换逻辑并不复杂，但有不少边界情况要处理。下面这段脚本是我在项目里用的精简版，覆盖了单类别和多类别两种场景，并且处理了坐标越界和图片读取失败。

import os import xml.etree.ElementTree as ET from PIL import Image def voc_to_yolo(xml_dir, img_dir, out_dir, class_names): os.makedirs(out_dir, exist_ok=True) for xml_file in os.listdir(xml_dir): if not xml_file.endswith('.xml'): continue tree = ET.parse(os.path.join(xml_dir, xml_file)) root = tree.getroot() img_name = root.find('filename').text img_path = os.path.join(img_dir, img_name) if not os.path.exists(img_path): print(f'[WARN] image not found: {img_path}') continue try: w = int(root.find('size/width').text) h = int(root.find('size/height').text) except AttributeError: w, h = Image.open(img_path).size out_lines = [] for obj in root.iter('object'): name = obj.find('name').text if name not in class_names: continue cls_id = class_names.index(name) xmin = float(obj.find('bndbox/xmin').text) ymin = float(obj.find('bndbox/ymin').text) xmax = float(obj.find('bndbox/xmax').text) ymax = float(obj.find('bndbox/ymax').text) xmin, xmax = max(xmin, 0), min(xmax, w) ymin, ymax = max(ymin, 0), min(ymax, h) if xmax <= xmin or ymax <= ymin: print(f'[WARN] invalid box in {xml_file}: {name}') continue x_center = (xmin + xmax) / 2.0 / w y_center = (ymin + ymax) / 2.0 / h box_w = (xmax - xmin) / w box_h = (ymax - ymin) / h out_lines.append(f'{cls_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}') txt_name = os.path.splitext(xml_file)[0] + '.txt' with open(os.path.join(out_dir, txt_name), 'w', encoding='utf-8') as f: f.write('\n'.join(out_lines))

这段脚本里有个容易被忽略的细节：我优先从 size 节点读宽高，读不到时再回退到 PIL 读图。VOC 标注里的 size 和图片真实尺寸不一致的情况在公开数据集中不少，如果不做这个回退，转换出来的归一化坐标全是错的，模型训练时 loss 会异常低，但推理出来的框全部偏移。第二个坑是 xmin、xmax 没有裁剪，部分标注框会超出图片边界，归一化后 width 大于 1，YOLOV5 训练时会报 “assertion” 或者边界框损失发散。第三个坑是类别名不在 class_names 里时直接忽略，而不是报错，这样能避免单个脏标注拖垮整个训练流程。第四个坑是 txt 里如果没有标注对象，YOLOV5 允许空文件训练，但很多版本会跳过该图片，导致实际训练样本变少。

参数说明：class_names 是类别列表，顺序就是最终模型的类别 ID 顺序。这个列表要一直保持到后续 data.yaml 里，不能中途调整顺序。xml_dir 和 img_dir 可以是同一目录，也可以分开，我这里分开传是为了兼容 CCTSDB 这类图片和标注分目录存放的数据集。

2.3 划分 train/val 并生成 data.yaml：毕设里最容易丢分的环节

数据和标注整理好后，接下来要做的不是立刻训练，而是先把目录结构和配置文件安排好。YOLOV5 对 datasets 目录的默认约定是 images 和 labels 分开，而 labels 里没有 jpg 文件。我习惯用下面的目录结构：

datasets/ tsign/ images/ train/ img_001.jpg val/ img_002.jpg labels/ train/ img_001.txt val/ img_002.txt

这个结构的好处是后续做增量训练时，图片和标注不会混在一起，也不容易让 YOLOV5 的缓存机制误判文件类型。划分数据集时，不要用 random.shuffle 之后按百分比硬切。交通标志数据集里往往有同一时间段连续拍摄的帧，硬切会把同一场景的相似图片同时分进 train 和 val，验证集指标虚高。我一般先按图片前缀分组，再按组划分，比如连续帧的视频帧全部落在同一边。

接着是 data.yaml，这是 YOLOV5 自定义训练的核心配置，内容不多但每个字段都直接影响训练结果。

path: C:/workspace/datasets/tsign train: images/train val: images/val nc: 3 names: 0: speed_limit 1: warning 2: stop

path 字段在 Windows 下建议写绝对路径，且使用斜杠而不是反斜杠。很多同学在这里写相对路径，结果训练时因为当前工作目录不同而导致找不到图片，报错信息又不太直白，最终浪费一整天排查。train 和 val 是相对于 path 的目录，注意这里只写 images 下的子目录，YOLOV5 会自动去同级 labels 目录找标注。nc 是类别总数，names 下面每个类别的名称尽量用英文小写，避免中文类别名在控制台或 tensorboard 里出现编码乱码。

还有一个细节是训练前删除缓存文件。YOLOV5 第一次读取数据时会生成.npy 缓存，如果后续你重新生成了标注 txt，旧的缓存会把更新后的标注过滤掉，导致模型怎么训练都看不到新数据。我每次整理完数据集后都会执行一次清理命令：find datasets/tsign -name '.npy' -delete。这个动作看似多余，但实际是交通标志这种多轮迭代项目的后悔药。

3. 从零跑通 YOLOV5 训练交通标志：环境、权重与超参

3.1 Python 环境与 YOLOV5 源码准备：版本锁定比什么都重要

先交代一个背景：YOLOV5 是近几年目标检测领域应用最广的开源项目之一，网络结构、训练策略和后处理代码都是完整可用的开源实现。做毕设时不需要自己重写模型，直接把源码下载到本地，按 requirements 安装依赖。需要注意 Python 版本，常见的合适范围是 3.8 到 3.10，太新的 Python 版本会碰上 torch 不兼容的问题。

git clone https://github.com/ultralytics/yolov5 cd yolov5 python -m venv venv venv/Scripts/activate pip install -r requirements.txt

虚拟环境这步建议不要省。交通标志训练过程中要频繁试不同的数据集和超参数，依赖冲突是常见翻车点。如果你之前装过其他深度学习框架，直接用全局环境很容易出现 torch 版本不对或者 numpy 版本冲突。requirements.txt 里没有固定所有包的上限，所以装完依赖后顺手看一眼 torch 和 CUDA 的匹配关系，命令是 python -c "import torch; print(torch.version, torch.cuda.is_available())"。CPU 机器也能训练，但交通标志的小目标比较多，CPU 训练一个 100 轮的模型可能要十几个小时，有条件还是用 GPU。

Git 克隆的是源码，但实际训练时会自动下载预训练权重 yolov5s.pt，国内网络下可能很慢。常见做法是手动下载后放到 yolov5 根目录的 weights 文件夹。预训练权重的作用是提供 COCO 数据集上学到的特征提取能力，训练交通标志时有了它，模型收敛速度和最终精度都会明显更好。如果你完全从随机权重开始训练，mAP 通常低 5 到 8 个点，而且训练轮数要多一倍。

3.2 训练命令与关键参数：img、batch、hyp 的取舍

数据和环境就绪后，训练命令如下。这里我以 yolov5s 模型为例，因为它速度精度均衡，适合绝大多数毕设环境。

python train.py \ --data data/tsign.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --device 0 \ --project runs/tsign \ --name exp1

这个命令里几个参数值得细说。--img 640 是输入图片分辨率，交通标志本身是小目标，在 640 分辨率下很多标志只有十几个像素。如果显存够用，我建议把 img 改成 960 甚至 1280，模型对小标志的召回率会显著提升，缺点是训练时间和显存占用都会上升。batch 16 是显存不够时的折中值，如果你的卡是 8G 显存，batch 16 加 img 640 是安全的；如果是 4G 显存，就降到 8。epochs 100 是常见基线，我实际跑下来交通标志数据量在 5000 张左右时，70 轮以后 val mAP 就基本不再涨了，100 轮只是为了留出足够的收敛窗口。

隐藏参数里最值得动的是 hyp。YOLOV5 默认的超参数文件是 data/hyps/hyp.scratch-low.yaml，里面包含学习率、数据增强强度、损失权重等几十项。在没有明显欠拟合或过拟合的情况下，默认值就是最优解，不要为了显得自己“调过参”去乱改。真正要动的是 fl_gamma，这是 focal loss 的 gamma 参数，专门应对正负样本不平衡。交通标志数据集中负样本背景占比极大，我把 fl_gamma 从默认 0.0 调整到 1.5，能让模型更关注那些难分类的小标志，代价是训练速度稍慢。

结合热门的“yolov5 超参数”玩法，我还会在训练时加一条命令看超参数变化曲线，方便判断模型是否已经收敛：

tensorboard --logdir runs/tsign

TensorBoard 里重点看三个曲线：Box Loss、Objectness Loss 和 mAP_0.5。如果训练到后段 Box Loss 还在明显下降，说明数据集容量还可以容纳更高容量模型；如果 mAP_0.5 在验证集上出现平台期甚至下滑，说明过拟合已经开始了。

3.3 训练结果与模型文件解读：best.pt 和 last.pt 的差别

YOLOV5 训练结束后，runs/tsign/exp1/weights 目录下会生成 best.pt 和 last.pt 两个权重文件。best.pt 是验证集上 mAP 最高的模型，last.pt 是最后一轮的模型。做毕设时使用 best.pt 是默认选择，但有一个例外：如果训练过程不稳定，best.pt 可能是某次验证碰巧跳到高点的模型，而 last.pt 反映的是稳定状态。判断方法是同时跑两遍验证集，或者查看 results.csv 里 best_epoch 前后的 mAP 波动幅度。

训练完成后生成的结果是一整套评估文件，包括混淆矩阵 confusionMatrix.png、PR 曲线、F1 曲线和验证集图片。这个文件夹本身就是毕设展示素材。在答辩里，你不需要展示源码细节，而是用那几张 PR 曲线和混淆矩阵说明“我的模型在各种类别上的误检率是多少”。这也是很多高分毕设的共同特征：不只是会跑训练命令，而是能把评估结果讲成一个完整故事。混淆矩阵里的对角线数值如果低于 0.8，就要回头检查该类别训练样本数量，样本数少于 200 的类别基本别指望高召回率。

4. 训练后模型的使用与交付：从批量推理到导出部署

4.1 用训练好的 best.pt 跑批量推理并落地结果

模型训练完成后，最常见的使用方式是直接调用 detect.py 对测试视频或图片做推理。命令如下：

python detect.py \ --weights runs/tsign/exp1/weights/best.pt \ --source test_video.mp4 \ --conf-thres 0.25 \ --save-txt \ --save-conf \ --project runs/detect \ --name tsign_test

这里 --conf-thres 0.25 是置信度阈值，交通标志的遮挡场景比较常见，阈值设得太高会漏检。--save-txt 会把每个目标的类别、置信度、坐标写入 txt 文件，这也是后续做检测精度评估的基础。--save-conf 让输出的 txt 里带上置信度，方便你在统计结果时按不同阈值重算指标。

如果不想每次推理都用命令行，常见做法是把模型封装到一个 Python 推理脚本里，这样后续做 web 展示或者刚需的 GUI 界面都方便。下面的脚本是精简版，调用的是 torch.hub 的 YOLOV5 自定义模型加载接口，输入一张图，输出检测框和标签。

import torch from PIL import Image model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/tsign/exp1/weights/best.pt', force_reload=True) model.conf = 0.25 model.iou = 0.45 model.max_det = 50 img = Image.open('test_frames/frame_0012.jpg') results = model(img, size=640) results.print() results.show() boxes = results.xyxy[0].numpy() for b in boxes: x1, y1, x2, y2, conf, cls = b print(f'{model.names[int(cls)]} {conf:.3f} ' f'{int(x1)} {int(y1)} {int(x2)} {int(y2)}')

这段脚本里的 force_reload=True 在网络好的情况下每次都会重新下载依赖权重，如果你已经本地训练好了模型，建议把它改成 False，避免每次重启进程都等半小时。model.conf 和 model.iou 分别是置信度阈值和 NMS 的 IoU 阈值，做交通标志识别时我通常把 IoU 设成 0.45，太低会保留大量重叠框，太高会把两个离得近的话标志合并成一个框。model.max_det 限制单张图最多输出 50 个目标，主要是防止路牌文字被模型误识别时输出一堆无意义的小框。

4.2 导出 ONNX 并跑一遍 C++/移动端的部署思路

毕设里如果提到部署，ONNX 导出几乎是必讲项。YOLOV5 的 export.py 会把 PyTorch 权重转成 ONNX 格式，命令如下：

python export.py \ --weights runs/tsign/exp1/weights/best.pt \ --include onnx \ --opset 12

opset 12 是老少咸宜的版本，既不会被新版运行库拒绝，功能上也够用。导出完成后会生成 best.onnx，你可以直接用 ONNX Runtime 在 Python 里验证一致性，对比 PyTorch 和 ONNX 的推理结果。两者的输出可能有小数点后第四位的误差，这是正常的，因为 ONNX 的 grid 采样和上采样算子在不同实现里会有细微差异，不用零误差对齐。

移动端的部署可以用 ONNX 转 NCNN 或 TensorRT，但在毕设答辩中，你只需要说清楚“ONNX 作为中间表示，可以进一步转换到边缘设备”就够了。真正在项目里跑，更建议先把 ONNX Runtime 的推理搞清楚，毕竟 Android 或嵌入式设备的部署工程量是另一门课，不是这个毕设的核心。

我自己的习惯是导出完 ONNX 后再跑一次同样的测试图片，看两边的目标框数量是否一致。如果数量不一致，排查方向集中在输入图像的预处理上：YOLOV5 训练时用的是 RGB 图，detect.py 里会做 letterbox 填充，推理脚本里也必须做同样的 letterbox。忘掉这一步是 ONNX 推理结果在边角位置目标检测全部失败的头号原因。

5. 交通标志训练避坑指南：5 条能救命的血泪经验

5.1 训练集 mAP 高，验证集 mAP 崩盘

现象是训练 50 轮后 train mAP 已经到 0.96，但 val mAP 还停留在 0.7 附近。原因是数据集划分不随机，很多连续帧图片被同时分进了训练集和验证集，导致模型实际上见过验证集图片。解决方法是按场景分组划分，或者直接使用 YOLOV5 自带的 val 逻辑，保持图片与视频帧来源一致时要先去重。如果数据量足够，更稳妥的做法是按时间段划分，前 70% 时间段的帧做训练，后 30% 做验证。

5.2 训练 loss 正常但检测框全部偏移

现象是 loss 曲线漂亮，mAP 也不低，但可视化结果里框的位置偏左上或右下。原因大多是归一化坐标计算错误。检查手段是随便打开一个 label txt，确认 x_center 是否在 0 到 1 之间，width 是否与图片尺寸比例相符。我见过一个典型错误：把 xmin 和 ymin 当作中心点直接归一化，模型永远学不到正确位置。解决方法是回到 2.2 的转换脚本，对照 VOC 原始标注重新检查三张图的中间结果。

5.3 小目标交通标志漏检率居高不下

现象是限速标志在远处只有 20 像素宽时，模型完全无感知。原因是输入分辨率太低，且模型下采样倍数让特征图上的小目标信息丢失。YOLOV5 是 P3 到 P5 的三层特征图，20 像素的目标在 P3 层只占 10 个像素左右，特征细节很少。解决方法是把 --img 从 640 升到 960 甚至 1280，如果显存不够就减小 batch。另一个可选方案是使用 SAHI 这类切片推理工具，把大图切成小块分别检测，但推理时间会成倍增加。

5.4 Windows 下训练中断，报错 FileNotFoundError

现象是明明图片路径存在，但训练到一半报找不到 labels 缓存文件。原因是 YOLOV5 在 datasets 路径中写入 cache 文件时的路径拼接与 Windows 反斜杠冲突，尤其是 path 字段写了相对路径时更容易触发。解决方法是把 data.yaml 里的 path 写成绝对路径，且全部用正斜杠，并在训练前删掉 labels 目录里所有 *.cache 文件。另外一个相关性非常高的问题是中文用户名，Windows 用户名带中文时，PyTorch 的 DataLoader 偶发崩溃，临时方案是给项目换一个纯英文路径。

5.5 夜间场景训练完，白天效果还行夜间直接失效

现象是验证集 mAP 0.85，晚上拿手机一拍，标志旁边没有杆子的反光就检测不到。原因是训练集以白天为主，模型学到的是亮度和色调分布的浅层特征，而不是标志的形状和颜色特征。解决方法是加入夜间增强策略，最基本的是把训练集里的部分图片做亮度降低、对比度提高、色温偏蓝处理，再复制进训练目录。更为系统化的方式是修改 hyp 文件里的 HSV 增强参数，让模型在训练过程中主动适应低照度。这一步放到下一章细说。

6. 让模型更进一步：夜间场景调优和评估报告的做法

交通标志识别这个题目的评分点里，“夜间场景泛化”是非常容易拉开差距的一处。公开数据集很少包含夜间图片，自采数据的夜间图也更难收集。我一般会在训练时做三步增强：第一步在 hyp 文件里把 hsv_h 从 0.015 调高到 0.02，hsv_s 从 0.7 调高到 0.9；第二步用数据扩充脚本把 20% 的训练图做随机亮度扰动，模拟夜间路灯和车灯的明暗交替；第三步在验证集里专门留出 100 张夜间图片，用来观察模型的掉点幅度。这三步做下来，夜间 mAP 通常能从 0.4 涨到 0.6 左右。

另一个被很多同学忽略的实用技巧是给模型加测试时增强。YOLOV5 的 detect.py 自带 --augment 参数，推理时会做多尺度预测，对远处小标志的漏检有不错改善。代价是单帧推理时间从 0.02 秒涨到 0.1 秒左右，对静态图片评估完全可接受，但如果要做实时视频，这个方案就不太适合。

最后说说评估报告怎么写。答辩时评委最认可的不是“我调参调得多辛苦”，而是一张张可复现的曲线。我会把 runs 目录下的 results.csv 导出成图表，把混淆矩阵和 PR 曲线粘贴到论文实验章节，再单独写一节“失败案例分析”，挑 3 到 5 张模型漏检的图，分析是遮挡问题、小目标问题还是夜间光照问题。坦白说，主动展示失败案例反而能让答辩更有说服力，因为这说明你真的跑过足够多的真实数据，而不是只在公开数据集上刷了点好看的数字。

做这个项目到今天，我最大的教训是永远不要跳过数据集清洗直接开训。YOLOV5 本身太成熟了，网络结构几乎不需要改动，数据才是这个毕业设计的胜负手。希望这篇笔记能帮你少走我走过的弯路。

本文还有配套的精品资源，点击获取