v2.0.0 新变化：使用 YOLO11 以及一个更加丰富的数据集训练模型，对原来目标检测和信号分类两个步骤进行整合，去除了在大部分情况下冗余的过滤筛选，实现交通信号灯识别一步到位，得到的模型识别准确率和推理效率均有少量的提升，且更加易于部署。
本项目为基于 YOLO11 的路口交通信号灯通行规则识别，其中通行规则识别分为以下两个步骤：
-
目标检测，采用 YOLO11 目标检测模型，识别图像中交通信号灯的位置、颜色以及形状（包括圆形、左箭头、上箭头和右箭头）。
-
规则解析，对图像中检测出来的交通信号灯，解析其表示的通行规则（即能否直行、能否左转和能否右转）。
-
圆形的信号灯能够控制三个方向的通行规则，优先级较低。
-
箭头形的信号灯仅能控制对应方向的通行规则，但优先级较高。
此外，若无明确信号，即没有红色的右箭头信号灯，右转默认视为允许通行。
-
模型的输入图像尺寸固定为 640 x 480，使用 YOLO11n 模型训练，在当前数据集下信号灯目标检测准确性指标如下。
| Class | Precision | Recall | mAP50 | mAP50-95 |
|---|---|---|---|---|
| ALL | 0.97 | 0.971 | 0.989 | 0.89 |
| F0 | 0.99 | 1 | 0.995 | 0.871 |
| F1 | 1 | 0.981 | 0.995 | 0.872 |
| L0 | 0.981 | 0.985 | 0.994 | 0.912 |
| L1 | 0.982 | 1 | 0.995 | 0.915 |
| S0 | 1 | 0.817 | 0.944 | 0.878 |
| S1 | 1 | 0.987 | 0.995 | 0.885 |
| R0 | 0.815 | 1 | 0.995 | 0.914 |
| R1 | 0.993 | 1 | 0.995 | 0.876 |
注：本项目训练用的数据集规模较小，在真实环境下的鲁棒性可能不够理想。
首先安装依赖工具包，本项目采用 ONNX Runtime 部署模型推理，如果对 Execution Provider 有特殊需求，请参阅 官方文档 进行配置。
pip install -r requirements.txt
准备好待识别图像，识别程序接受的图像尺寸为 640x480，在本项目 Releases 中下载我训练好的模型权重文件，解压到 inferences/models 目录下，运行程序 runs/main.py 即可，其命令行参数的含义如下，其中输入图像文件路图像文件路径数量保持一致：
| 参数名 | 简化参数名 | 参数描述 |
|---|---|---|
| --sources | -s | 输入预测图像文件路径序列，不同的文件路径以空格分隔。 |
| --outputs | -o | 输出结果图像文件路径序列，不同的文件路径以空格分隔。 |
下面是一个运行示例。
python runs/main.py --sources "s1.jpg" "s2.jpg" --outputs "o1.jpg" "o2.jpg"
本项目的识别程序被设计为一个即插即用的 Python 模块，可以将 inferences 模块完整拷贝到其他项目根目录下，配置好环境并安装好相关的依赖，参考 runs/main.py 中的调用方式。
通行规则识别模块默认的配置文件为 inferences/configs/config.toml，其中各个属性描述如下：
| 属性名 | 属性描述 |
|---|---|
| providers | 模型推理 ONNX Runtime Execution Providers 列表。 |
| precision | 推理运算精度，可取 "fp32"（单精度）或 "fp16"（半精度）。 |
| model-path | 推理模型加载路径。 |
| conf-threshold | 目标检测置信度阈值。 |
| iou-threshold | 目标检测非极大值抑制 IoU 阈值。 |
如果需要使用自己的数据集训练模型，则需要安装 Ultralytics 框架，参照 官方文档 进行模型的训练，最后将模型转换为 ONNX 格式进行部署即可。
pip install ultralytics