YOLO26实战：智能交通信号控制系统-程序员充电站

YOLO26实战：智能交通信号控制系统

近年来，随着城市化进程加快和机动车保有量持续增长，传统交通信号控制方式已难以满足复杂多变的交通流需求。基于深度学习的目标检测技术为实现智能化、动态化的交通管理提供了全新路径。YOLO（You Only Look Once）系列作为实时目标检测领域的标杆，其最新版本YOLO26在精度与速度之间实现了更优平衡，尤其适用于高并发、低延迟的智能交通场景。

本实践以YOLO26 官方版训练与推理镜像为基础，构建一套完整的智能交通信号控制系统原型。该系统能够实时检测路口车辆密度，并据此动态调整红绿灯时长，提升通行效率。整个流程涵盖环境部署、模型推理、自定义训练及结果导出等关键环节，具备高度工程可复现性。

1. 镜像环境说明

本镜像基于YOLO26 官方代码库构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用，极大简化了部署流程。

核心框架:pytorch == 1.10.0
CUDA版本:12.1
Python版本:3.9.5
主要依赖:torchvision==0.11.0,torchaudio==0.10.0,cudatoolkit=11.3,numpy,opencv-python,pandas,matplotlib,tqdm,seaborn等。

所有组件均已预先配置并测试通过，用户无需手动安装或解决版本冲突问题，可直接进入开发阶段。

2. 快速上手

### 2.1 激活环境与切换工作目录

在使用前，请先激活 Conda 环境：

conda activate yolo

由于默认代码位于系统盘，建议将项目复制至数据盘以便修改和持久化保存：

cp -r /root/ultralytics-8.4.2 /root/workspace/ cd /root/workspace/ultralytics-8.4.2

此操作确保后续对代码的更改不会因实例重启而丢失。

### 2.2 模型推理

在智能交通系统中，模型推理是实现实时车辆检测的核心步骤。我们通过修改detect.py文件完成推理任务配置。

# -*- coding: utf-8 -*- from ultralytics import YOLO if __name__ == '__main__': # 加载预训练模型 model = YOLO(model=r'yolo26n-pose.pt') # 执行推理 model.predict( source=r'./ultralytics/assets/zidane.jpg', # 输入源：图片/视频/摄像头 save=True, # 保存检测结果图像 show=False, # 不显示窗口输出（服务器环境下推荐关闭） )

参数详解：

model: 支持加载.pt权重文件或.yaml模型结构定义。
source: 可指定本地文件路径、视频流地址或摄像头编号（如0表示默认摄像头）。
save: 设置为True将自动保存带标注框的结果图像至runs/detect/目录。
show: 若需可视化展示（如调试阶段），设为True；生产环境中建议关闭以节省资源。

运行命令启动推理：

python detect.py

终端将输出检测耗时、FPS 及类别统计信息，结果图像可在指定目录查看。

### 2.3 模型训练

为适配特定交通场景（如遮挡严重、光照变化大），需对模型进行微调训练。首先准备符合 YOLO 格式的数据集，并更新data.yaml配置文件。

data.yaml 示例结构：

train: /root/workspace/datasets/traffic/train/images val: /root/workspace/datasets/traffic/val/images nc: 4 names: ['car', 'truck', 'bus', 'motorcycle']

其中nc表示类别数量，names为类别名称列表。

接着编写训练脚本train.py：

# -*- coding: utf-8 -*- import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO if __name__ == '__main__': # 初始化模型结构 model = YOLO(model='/root/workspace/ultralytics-8.4.2/ultralytics/cfg/models/26/yolo26.yaml') # 加载官方预训练权重（可选） model.load('yolo26n.pt') # 开始训练 model.train( data=r'data.yaml', imgsz=640, epochs=200, batch=128, workers=8, device='0', # 使用 GPU 0 optimizer='SGD', close_mosaic=10, # 最后10轮关闭 Mosaic 增强 resume=False, project='runs/train', name='traffic_exp', single_cls=False, cache=False, )

关键参数说明：

imgsz: 输入图像尺寸，影响检测精度与速度。
batch: 批次大小，根据显存容量合理设置。
close_mosaic: 在训练后期关闭 Mosaic 数据增强，有助于稳定收敛。
resume: 断点续训开关，防止意外中断导致前功尽弃。

执行训练命令：

python train.py

训练过程中会实时输出损失值、mAP 指标及学习率曲线，最终模型权重将保存在runs/train/traffic_exp/weights/路径下。

### 2.4 下载训练结果

训练完成后，可通过 SFTP 工具（如 Xftp）将模型文件从服务器下载至本地设备。

操作方法如下：

连接服务器后，在右侧窗口导航至模型输出目录（如runs/train/traffic_exp/）。
选中weights/best.pt或整个文件夹，拖拽至左侧本地目录即可开始传输。
对于大文件，建议先压缩再下载以提高效率：

tar -czf traffic_model.tar.gz runs/train/traffic_exp/

双击传输任务可查看进度与速率，确保完整接收。

3. 已包含权重文件

镜像内已预下载常用 YOLO26 系列权重文件，存放于项目根目录，包括：

yolo26n.pt—— 轻量级模型，适合边缘设备部署
yolo26s.pt—— 中等规模，兼顾速度与精度
yolo26m.pt,yolo26l.pt,yolo26x.pt—— 不同层级的放大模型

这些模型覆盖多种应用场景，用户可根据硬件性能和检测需求灵活选择。

4. 智能交通信号控制逻辑设计

在完成车辆检测的基础上，进一步构建信号灯调控策略。基本思路如下：

区域划分：将交叉口划分为四个方向检测区（东、南、西、北）。
流量统计：每秒调用一次 YOLO26 推理接口，统计各区域内车辆数量。
优先级判断：设定阈值，当某方向车流超过阈值时，延长绿灯时间。
周期调度：采用动态周期机制，总周期随整体拥堵程度自适应调整。

示例伪代码逻辑：

def get_green_time(vehicle_counts): base_time = 30 # 基础绿灯时间（秒） max_extension = 15 threshold = 5 # 每车道超过5辆车触发延时 extensions = [max(0, min(count - threshold, max_extension)) for count in vehicle_counts] return [base_time + ext for ext in extensions] # 主循环 while True: counts = [detect_vehicles(zone) for zone in zones] # 获取各方向车数 green_times = get_green_time(counts) update_traffic_lights(green_times) time.sleep(1)

该策略可显著减少空放现象，提升主干道通行能力。