基于YOLOv11的交通标志牌检测系统（Python源码+Flask Web界面+数据集）

灵智工坊LingzhiAI

已于 2025-06-05 18:24:34 修改

阅读量566

点赞数 20

CC 4.0 BY-SA版权

文章标签： python YOLO flask

于 2025-06-05 18:24:04 首次发布

本文链接：https://blog.csdn.net/lydz1/article/details/148456551

💡本文主要内容： 详细介绍了基于YOLOv11的交通标志牌检测系统，包括算法原理、Pytorch源码、训练数据集、Flask可视化Web界面。系统支持图片、视频、摄像头实时检测，支持置信度、IoU阈值调节，检测结果可视化与导出等功能。

01 数据集介绍

数据集

本项目采用自建交通标志牌检测数据集，包含数百张交通标志图片及对应标注，涵盖“警告标志（warning）”和“提示标志（alert）”等类别。所有图片均为真实交通场景采集，标注格式为YOLO标准格式。数据集已整理为训练集，便于直接用于目标检测模型的训练与评估。

细节图

02 基于YOLOv11的交通标志牌检测

修改dataset.yaml：

train: images
val: images  
nc: 2
names: ['warning', 'alert']

启动训练：

from ultralytics import YOLO
import torch
from pathlib import Path
def main():
    model_path = "models/yolo11n.pt"
    config_path = "data1211/dataset.yaml"
    device = 'cuda' if torch.cuda.is_available() else 'cpu'
    model = YOLO(model_path)
    model.train(
        data=config_path,
        epochs=100,
        imgsz=640,
        batch=16,
        device=device,
        project='traffic_sign_results',
        name='yolo11n_traffic_sign',
        exist_ok=True,
        patience=50,
        save=True,
        verbose=True,
        val=True,
        plots=True,
        lr0=0.01,
        lrf=0.01,
        momentum=0.937,
        weight_decay=0.0005,
        warmup_epochs=3,
        hsv_h=0.015,
        hsv_s=0.7,
        hsv_v=0.4,
        degrees=0.0,
        translate=0.1,
        scale=0.5,
        shear=0.0,
        perspective=0.0,
        flipud=0.0,
        fliplr=0.5,
        mosaic=1.0,
        mixup=0.0,
        copy_paste=0.0,
    )

03 训练结果分析

3.1 混淆矩阵

本图展示了模型在warning、alert和background三类上的预测分布。对角线上的深蓝色块占主导，表明大多数交通标志目标被准确检测。warning类别的召回率为1.00，alert类别的召回率为0.97，说明模型对主要类别的检测能力较强。background类别的误检率较低，整体误判较少。