1. 毕设项目概述：基于深度学习的车辆目标检测系统
去年指导本科生毕业设计时，遇到一个典型案例：学生想用传统图像处理方法识别监控视频中的车辆，结果在阴雨天气下准确率直接跌破50%。这让我再次确信，在复杂场景的车辆检测任务中，深度学习才是更可靠的解决方案。本次分享的毕业设计项目，正是利用YOLOv5实现了一套鲁棒性较强的车辆检测系统，在自建数据集上达到了94.3%的mAP（mean Average Precision），夜间检测准确率也能保持在85%以上。
这个系统的核心价值在于：
- 实时性：在RTX 3060显卡上处理1080P视频可达45FPS
- 轻量化：模型体积仅14.7MB，适合部署在边缘设备
- 多场景适应：通过数据增强策略有效应对光照变化、遮挡等情况
对于刚接触计算机视觉的同学，建议先明确几个关键概念：
- 目标检测 = 定位（bounding box） + 分类（vehicle type）
- 深度学习模型本质是特征提取器 + 预测头的组合
- 车辆检测的特殊性在于需要处理多尺度目标（从摩托车到卡车）
关键提示：毕业设计选择这个方向时，务必考虑硬件条件。如果只有CPU环境，建议改用YOLOv5n这类纳米级模型，虽然精度会下降10%左右，但推理速度能提升3倍。
2. 技术方案设计与选型依据
2.1 算法选型对比
在项目启动阶段，我对比了三大类目标检测算法：
| 算法类型 | 代表模型 | 推理速度(FPS) | mAP(%) | 适合场景 |
|---|---|---|---|---|
| Two-Stage | Faster R-CNN | 7 | 78.2 | 高精度要求 |
| One-Stage | YOLOv5s | 45 | 72.1 | 实时检测 |
| Anchor-Free | CenterNet | 28 | 68.9 | 不规则目标 |
最终选择YOLOv5s的原因在于：
- 毕业设计通常有时间限制，YOLO系列的即插即用特性更友好
- 车辆检测对实时性要求较高（特别是交通监控场景）
- 社区生态完善，遇到问题容易找到解决方案
2.2 数据集的特殊处理
公开数据集如COCO、PASCAL VOC的车辆类别有限，我采用混合策略：
- 基础数据：UA-DETRAC（10小时交通监控视频，8,250帧标注）
- 补充数据：自采的2000张包含特殊车辆（消防车、工程车）的图片
- 数据增强：
- 雨天模拟：添加随机雨丝（使用Albumentations库）
- 运动模糊：模拟高速移动车辆
- 光照调整：-50%到+50%亮度变化
实测发现，添加运动模糊后，高速公路上车辆的检测准确率提升了12%。
2.3 模型改进方案
原始YOLOv5s在小型车辆检测上表现欠佳，主要做了三处改进：
- 自适应锚框计算
# 在data/hyps/hyp.scratch-low.yaml中修改 anchors: 3 # 自动计算最佳锚框 anchor_t: 3.0 # 增大匹配阈值- 添加小目标检测层
# models/yolov5s.yaml head: [[-1, 1, Conv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 6], 1, Concat, [1]]] # 新增特征融合路径- 损失函数优化
- 使用CIoU Loss替代原IoU Loss
- 分类损失权重调整为0.8
3. 完整实现流程详解
3.1 环境配置避坑指南
推荐使用conda创建虚拟环境：
conda create -n yolo python=3.8 conda install pytorch==1.12.1 torchvision==0.13.1 cudatoolkit=11.3 -c pytorch pip install -r requirements.txt # 注意opencv-python版本应≤4.5.4常见环境问题解决方案：
- CUDA out of memory：减小batch size到8或4
- OpenCV无法显示：改用matplotlib渲染
- 显卡驱动兼容问题：建议使用470.xx系列驱动
3.2 数据标注规范技巧
使用LabelImg标注时要注意：
- 边界框应包含车辆后视镜等突出部件
- 重叠车辆采用遮挡标注（occlusion标签）
- 特殊角度车辆添加rotation属性
标注文件结构示例：
dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/3.3 训练参数调优实战
关键训练参数设置：
# data/hyps/hyp.finetune.yaml lr0: 0.01 # 初始学习率 lrf: 0.1 # 最终学习率 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0启动训练命令：
python train.py --img 640 --batch 16 --epochs 100 --data vehicle.yaml --cfg yolov5s.yaml --weights yolov5s.pt --hyp hyp.finetune.yaml训练过程监控要点：
- 关注val/obj_loss值，若持续上升可能过拟合
- mAP@0.5应在20个epoch后稳定上升
- 使用TensorBoard观察特征图响应
4. 部署优化与效果验证
4.1 模型压缩技术
使用TensorRT加速的完整流程：
- 导出ONNX模型
python export.py --weights runs/train/exp/weights/best.pt --include onnx- 转换TensorRT引擎
trtexec --onnx=best.onnx --fp16 --saveEngine=best.engine实测性能对比：
| 设备 | 原始模型(FPS) | TRT加速后(FPS) |
|---|---|---|
| Jetson Nano | 8 | 22 |
| RTX 3060 | 45 | 120 |
4.2 实际场景测试方案
构建测试评估脚本：
import cv2 from utils.general import non_max_suppression def detect(frame): # 预处理 img = preprocess(frame) # 推理 pred = model(img) # 后处理 pred = non_max_suppression(pred) return pred特殊场景优化技巧：
- 夜间检测：添加红外图像输入通道
- 拥堵场景：提高NMS（非极大值抑制）阈值
- 高空俯拍：调整锚框尺寸比例
4.3 毕业设计答辩要点
技术报告应包含：
- 问题分析：传统方法的局限性
- 创新点：数据增强策略/模型改进
- 对比实验：消融实验证明改进有效性
- 应用展示：实际场景检测视频
常见答辩问题准备：
- 为什么选择YOLOv5而非更新版本？
- 如何保证模型在极端天气下的鲁棒性？
- 系统延迟的主要瓶颈在哪里？
5. 项目扩展方向建议
完成基础功能后，可以考虑：
- 添加车牌识别二级模型
- 集成DeepSORT实现车辆追踪
- 开发基于Flask的Web演示系统
- 移植到树莓派实现边缘计算
对于想深入研究的同学，推荐以下优化路径：
- 知识蒸馏：用大模型指导小模型训练
- 量化感知训练：提升INT8量化精度
- 神经架构搜索：自动优化模型结构
这个项目最让我意外的是，简单的数据增强策略竟能带来15%以上的精度提升。后来在另一个工业项目中，同样的方法帮助客户解决了产线遮挡问题。深度学习的美妙之处，就在于这些通用技术在不同场景下的迁移可能性。
