📥 1、背景

交通信号灯作为调控道路交通流、规范交通参与者行为的核心设施，其识别精准度直接影响路口通行效率与交通安全，在智能驾驶、智能交通监控等场景中具有不可替代的作用；当前城市化进程中路口数量激增，交通信号灯存在型号多样、安装位置不一、易受恶劣天气（雨雾、强光）及遮挡影响等问题，传统人工监控或常规检测手段难以实现对信号灯状态的实时、精准识别，导致交通违规风险增加、路口通行秩序管控滞后，在此背景下，开展交通信号灯目标检测技术研究，构建高效稳定的检测模型，成为提升道路交通智能化管控水平、保障路口通行安全与顺畅的关键支撑。

📌 2、数据集概览

🗂 3、数据详情

✨ 4、效果演示

🧠 5、模型训练

1、安装miniconda
地址： https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe
环境变量（根据实际的安装目录配置）：

C:\ProgramData\miniconda3 
C:\ProgramData\miniconda3\Scripts 
C:\ProgramData\miniconda3\Library\bin 

2、创建虚拟环境

conda create -n yolo python==3.8
# 查看现有环境
conda env list
# 激活环境 
conda activate yolo
# 激活失败 （执行该命令后重新进入cmd）
conda init cmd.exe 

3、源码下载
https://github.com/ultralytics/ultralytics
（注意：不同版本的yolo在不同tag）

4、训练脚本

import warnings  
warnings.filterwarnings('ignore')  
from ultralytics import YOLO  
  
if __name__ == '__main__':  
    model = YOLO('ultralytics/cfg/models/v8/yolov8n.pt')  # 指定YOLO模型对象，并加载指定配置文件中的模型配置  
    # model.load('yolov8s.pt')      #加载预训练的权重文件'yolov8s.pt'，加速训练并提升模型性能  
    model.train(data='ultralytics/cfg/datasets/data36.yaml',  # 指定训练数据集的配置文件路径，这个.yaml文件包含了数据集的路径和类别信息  
                cache=False,  # 是否缓存数据集以加快后续训练速度，False表示不缓存  
                imgsz=640,  # 指定训练时使用的图像尺寸，640表示将输入图像调整为640x640像素  
                epochs=100,  # 设置训练的总轮数为200轮  
                batch=8,  # 设置每个训练批次的大小为16，即每次更新模型时使用16张图片  
                close_mosaic=0,  # 设置在训练结束前多少轮关闭 Mosaic 数据增强，10 表示在训练的最后 10 轮中关闭 Mosaic                workers=16,  # 设置用于数据加载的线程数为8，更多线程可以加快数据加载速度  
                patience=300,  # 在训练时，如果经过50轮性能没有提升，则停止训练（早停机制）  
                device='0',  # 指定使用的设备，'0'表示使用第一块GPU进行训练  
                optimizer='SGD',  # 设置优化器为SGD（随机梯度下降），用于模型参数更新  
                )

5、配置文件 data.yaml

path: D:/data/yoloTrain/交通信号灯
train: images/train
val: images/val
nc: 4
names: ['car', 'green light', 'red light', 'yellow light']

🛠 6、配套服务

我们提供一站式视觉解决方案，包括：

• 模型训练与调优指导
• 部署环境远程配置
• 定制标注与数据增强
• 毕业设计/课题辅导
• 企业项目合作开发

❓ 7、常见问题

Q：标注格式如何转换？
A：提供Python转换脚本，支持YOLO→VOC/COCO，开箱即用：点击下载转换脚本