class YOLOv8v5Detector(Detector):
    def __init__(self, params=None):
        super().__init__(params)
        self.model = None
        self.img = None
        self.names = list(Chinese_name.values())
        self.params = params if params else ini_params
	def load_model(self, model_path):
	    self.device = select_device(self.params['device'])
	    self.model = YOLO(model_path)
	    names_dict = self.model.names
	    self.names = [Chinese_name[v] if v in Chinese_name else v for v in names_dict.values()]
	    self.model(torch.zeros(1, 3, *[self.imgsz] * 2).to(self.device).type_as(next(self.model.model.parameters())))
	def preprocess(self, img):
	    self.img = img
	    return img
	
	def predict(self, img):
	    results = self.model(img, **ini_params)
	    return results
	
	def postprocess(self, pred):
	    results = []
	    for res in pred[0].boxes:
	        for box in res:
	            class_id = int(box.cls.cpu())
	            bbox = box.xyxy.cpu().squeeze().tolist()
	            bbox = [int(coord) for coord in bbox]
	            result = {
	                "class_name": self.names[class_id],
	                "bbox": bbox,
	                "score": box.conf.cpu().squeeze().item(),
	                "class_id": class_id,
	            }
	            results.append(result)
	    return results
	    
    def set_param(self, params):
        self.params.update(params)

        predict方法是模型的核心，它使用加载的模型对输入图像进行预测。这一步是实时车牌检测流程中最关键的部分，因为它直接影响到检测结果的质量和速度。postprocess方法处理模型的预测结果，并转换为一个包含类别名称、边界框、置信度和类别ID的结果列表。后处理是从原始模型输出中提取实用信息的重要步骤，为后续的分析或实时反馈提供了便利。最后，set_param方法允许动态更新模型的参数，这对于在不同的运行时环境中调整模型表现至关重要。

        通过这个类的实例，我们可以轻松地加载模型、进行预测，并处理预测结果，从而有效地将复杂的模型操作封装起来，便于维护和迭代。

4.3 训练代码

        在这个“模型训练”部分的博客，我们将逐步解析车牌检测系统中的模型训练代码，揭示其构建块以及它们是如何协同工作的。以下表格详细介绍了YOLOv8模型训练中使用的一些重要超参数及其设置：

超参数	设置	说明
学习率（lr0）	0.01	决定了模型权重调整的步长大小，在训练初期有助于快速收敛。
学习率衰减（lrf）	0.01	控制训练过程中学习率的降低速度，有助于模型在训练后期细致调整。
动量（momentum）	0.937	加速模型在正确方向上的学习，并减少震荡，加快收敛速度。
权重衰减（weight_decay）	0.0005	防止过拟合，通过在损失函数中添加正则项减少模型复杂度。
热身训练周期（warmup_epochs）	3.0	初始几个周期内以较低的学习率开始训练，逐渐增加到预定学习率。
批量大小（batch）	16	每次迭代训练中输入模型的样本数，影响GPU内存使用和模型性能。
输入图像大小（imgsz）	640	模型接受的输入图像的尺寸，影响模型的识别能力和计算负担。

        环境设置与模型加载：这段代码的开始是标准的导入语句块，引入了必需的模块和函数。torch是PyTorch框架的核心，它为模型训练提供支持。yaml用于解析YAML格式的配置文件，这种格式的文件通常用于存储模型训练时的配置信息。ultralytics库中的YOLO类是我们模型训练的基石，它提供了YOLO模型的功能。QtFusion.path中的abs_path函数用于获取文件的绝对路径，这在确保路径正确性方面非常有用。

import os
import torch
import yaml
from ultralytics import YOLO  # 用于加载YOLO模型
from QtFusion.path import abs_path  # 用于获取文件的绝对路径

        这行代码检查是否有可用的GPU，并据此设置device变量。如果CUDA可用，device将设置为字符串"0"，表示使用编号为0的GPU。如果CUDA不可用，device将回退到CPU。这是非常重要的一步，因为它直接关系到模型训练的速度和效率。

device = "0" if torch.cuda.is_available() else "cpu"

        数据集准备：这里的workers指定了数据加载时使用的进程数。在多核CPU上，增加工作进程数可以加快数据的加载速度，但也需要更多的内存。batch是指训练过程中每批次的图像数量，它是内存消耗和训练速度的关键参数。data_name是数据集的名称，用于构造数据集配置文件的路径。abs_path函数被用来找到这个配置文件的绝对路径，确保无论当前工作目录在哪里，路径都是正确的。这行代码将路径转换为UNIX风格的路径，这在某些情况下是必要的，比如在使用某些依赖于特定路径风格的工具时。

workers = 1  # 工作进程数
batch = 8  # 每批处理的图像数量
data_name = "VehicleLicense"
data_path = abs_path(f'datasets/{data_name}/{data_name}.yaml', path_type='current')
unix_style_path = data_path.replace(os.sep, '/')

        这里，我们读取了数据集配置文件。YAML文件通常包含了有关数据集路径、类别、批次大小等信息的配置。

directory_path = os.path.dirname(unix_style_path)
with open(data_path, 'r') as file:
    data = yaml.load(file, Loader=yaml.FullLoader)

if 'path' in data:
    data['path'] = directory_path
    with open(data_path, 'w') as file:
        yaml.safe_dump(data, file, sort_keys=False)

        训练模型：在处理路径和YAML配置之后，我们加载了预训练的YOLO模型。最终，我们调用train方法开始训练过程。在这一步中，我们将数据集的配置、计算设备、工作进程数、输入图像的大小、训练周期数和每批次大小等关键参数传递给模型。通过这些精心调整的参数，我们设置了模型训练的舞台，并启动了模型对数据的学习过程。

model = YOLO(abs_path('./weights/yolov5nu.pt', path_type='current'), task='detect')  # 加载预训练的YOLOv8模型
# model = YOLO('./weights/yolov5.yaml', task='detect').load('./weights/yolov5nu.pt')  # 加载预训练的YOLOv8模型
# Training.
results = model.train(  # 开始训练模型
    data=data_path,  # 指定训练数据的配置文件路径
    device=device,  # 自动选择进行训练
    workers=workers,  # 指定使用2个工作进程加载数据
    imgsz=640,  # 指定输入图像的大小为640x640
    epochs=120,  # 指定训练100个epoch
    batch=batch,  # 指定每个批次的大小为8
    name='train_v5_' + data_name  # 指定训练任务的名称
)
model = YOLO(abs_path('./weights/yolov8n.pt'), task='detect')  # 加载预训练的YOLOv8模型
results2 = model.train(  # 开始训练模型
    data=data_path,  # 指定训练数据的配置文件路径
    device=device,  # 自动选择进行训练
    workers=workers,  # 指定使用2个工作进程加载数据
    imgsz=640,  # 指定输入图像的大小为640x640
    epochs=120,  # 指定训练100个epoch
    batch=batch,  # 指定每个批次的大小为8
    name='train_v8_' + data_name  # 指定训练任务的名称
)

        这段代码集中表述了车型识别模型训练的完整流程。通过细节的描述，读者可以清晰理解每一步的作用以及如何利用现代深度学习工具来训练一个强大的车辆检测模型。从数据准备到模型初始化，再到训练过程的细粒度控制，每个步骤都被详细阐释。

---

5. 实验结果与分析

5.1 训练曲线

        训练过程中损失函数的变化是衡量模型学习质量的关键指标之一。图中的“train/box_loss”、“train/cls_loss”和“train/obj_loss”分别代表训练过程中的边界框损失、分类损失和目标损失。这三者的损失值随着训练周期(epoch)的增加而逐渐下降，显示了模型在识别物体位置、分类以及检测目标物体方面的学习能力正在增强。损失曲线的平滑版本，显示了损失下降的趋势，有助于我们观察到真实的趋势，排除了训练过程中的随机波动。

        在验证集上，我们观察到了类似的趋势。"val/box_loss"、"val/cls_loss"和"val/obj_loss"的图表显示了在训练期间模型在未见过的数据上的性能。这些损失函数的下降证明了模型不仅在训练集上表现良好，而且在泛化到新数据上时也能保持其性能。尤其是在开始的几个epoch，损失下降得非常快，这表明模型迅速从数据中学习。

        当我们分析精度(precision)和召回率(recall)曲线时，可以看到在训练过程中它们存在一定的波动，但整体呈上升趋势。这种波动可能是由于训练过程中的批次间变异性所引起的，或者是因为模型在尝试学习数据中的更复杂模式。尽管存在波动，模型的精度和召回率最终都达到了相对较高的水平，这表明模型在定位和分类方面都取得了不错的结果。

        最后，评估指标mAP(mean Average Precision)衡量了模型在一系列不同的IoU(Intersection over Union)阈值下的平均精度。这是目标检测模型性能的标准度量。从图表中可以看到，“metrics/mAP50”和“metrics/mAP50-95”随着训练周期的增加而稳步上升。mAP50仅考虑IoU阈值为0.5的情况，而mAP50-95计算了从0.5到0.95的IoU阈值下的平均精度。mAP50-95的上升轨迹显示了模型在检测不同尺寸和形状的物体时的鲁棒性。最终达到的mAP值表明了模型具有较好的识别能力，并能准确定位检测对象。

        总体来看，损失函数和评估指标图表向我们展示了模型训练的良好进展。损失的逐步下降以及精度和召回率的提高，以及mAP的稳定提升，共同指向了模型性能的整体提升。这些结果表明模型不仅在训练集上学习得很好，而且在验证集上也具有很好的泛化能力。

5.2 PR曲线图

        理想的PR曲线紧贴左上角，表示模型具有高精度（Precision）和高召回率（Recall）。从图中我们可以观察到，“License_Plate”和“motorcycle”两个类别的AP值非常高，分别为0.995，显示了模型在这些类别上的卓越性能。这可能是由于车牌和摩托车的特征相对明显，或者是训练数据在这些类别上特别充足和多样化。

        对于“cars”类别，AP值为0.872，仍然是一个非常好的结果，但与“License_Plate”和“motorcycle”类别相比稍低。这表明车辆检测也相当准确，但可能由于车辆类型和尺寸的多样性，使得检测任务变得相对复杂。对于“truck”类别，AP值为0.811，是四个类别中最低的，这可能是因为卡车在数据集中出现较少，或者它们的特征对于模型来说不如其他类别那么容易学习。

        综合考虑所有类别，模型的平均精度（mAP）达到了0.918（在IoU=0.5的情况下），这是一个非常高的性能指标，显示了模型在综合所有类别的目标检测任务上具有很高的准确性。在实际应用中，这意味着模型能够以很高的概率正确地识别和定位图像中的目标，同时保持较低的误检率。

        从曲线的形状可以看出，对于每个类别，随着召回率的增加，精度有所下降，这是正常现象。因为随着召回率提高，模型尝试检测更多的正样本，从而可能引入更多的误检。然而，在本模型中，这种下降是平缓的，这表明模型能够在提高召回率的同时仍保持相对较高的精度。

        PR曲线的分析向我们展示了模型在不同类别上的强项和弱点。对于那些具有非常高AP值的类别，我们可以有信心地将模型部署到实际应用中。对于AP值相对较低的类别，我们可能需要进一步调查原因，并在可能的情况下，通过增加样本多样性、进行更细粒度的特征工程或调整模型结构来提高性能。

5.3 YOLOv8/v7/v6/v5对比实验

（1）实验设计：
        本实验旨在评估和比较YOLOv5、YOLOv6、YOLOv7和YOLOv8几种模型在车牌目标检测任务上的性能。为了实现这一目标，博主分别使用使用相同的数据集训练和测试了这四个模型，从而可以进行直接的性能比较。该数据集包含车牌的图像。本文将比较分析四种模型，旨在揭示每种模型的优缺点，探讨它们在工业环境中实际应用的场景选择。

模型	图像大小 (像素)	mAPval 50-95	CPU ONNX 速度 (毫秒)	A100 TensorRT 速度 (毫秒)	参数数量 (百万)	FLOPs (十亿)
YOLOv5nu	640	34.3	73.6	1.06	2.6	7.7
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv6N	640	37.5	-	-	4.7	11.4
YOLOv7-tiny	640	37.4	-	-	6.01	13.1

（2）度量指标：

• F1-Score：F1-Score 作为衡量模型性能的重要指标，尤其在处理类别分布不均的数据集时显得尤为关键。它通过结合精确率与召回率，提供了一个单一的度量标准，能够全面评价模型的效能。精确率衡量的是模型在所有被标记为正例中真正属于正例的比例，而召回率则关注于模型能够识别出的真正正例占所有实际正例的比例。F1-Score通过两者的调和平均，确保了只有当精确率和召回率同时高时，模型的性能评估才会高，从而确保了模型对于正例的预测既准确又完整。
• mAP（Mean Average Precision）：在目标检测任务中，Mean Average Precision（mAP）是评估模型性能的重要标准。它不仅反映了模型对单个类别的识别精度，而且还考虑了所有类别的平均表现，因此提供了一个全局的性能度量。在计算mAP时，模型对于每个类别的预测被单独考虑，然后计算每个类别的平均精度（AP），最后这些AP值的平均数形成了mAP。

名称	YOLOv5nu	YOLOv6n	YOLOv7-tiny	YOLOv8n
mAP	0.868	0.945	0.848	0.91
F1-Score	0.86	0.93	0.85	0.88

（3）实验结果分析：

       在评估和比较YOLOv5nu、YOLOv6n、YOLOv7-tiny以及YOLOv8n四个版本的性能时，我们采用了两个核心指标：mAP（平均精度均值）和F1-Score。这两个指标共同衡量了模型检测准确性的两个方面：模型检测出的真正例占所有真实正例的比例，以及检测出的真正例占所有被检测为正例的比例。

       通过数据我们可以看出，YOLOv6n在这两个指标上都呈现出领先的性能，其mAP达到了0.945，F1-Score为0.93。这说明YOLOv6n在准确检测物体位置及分类方面具有很高的准确率和召回率，很可能是因为YOLOv6的架构或训练策略在这些方面进行了有效的优化。可能的优化方面包括了更深或更复杂的网络结构，更有效的特征提取方式，或者是更高级的训练技巧，如注意力机制的使用或是更精细的标签分配策略。

       YOLOv5nu和YOLOv7-tiny的表现略低于YOLOv6n，但也展现出相对较高的性能。YOLOv5nu的mAP为0.868，F1-Score为0.86，而YOLOv7-tiny的mAP为0.848，F1-Score为0.85。尽管这两个版本在性能上稍逊于YOLOv6n，但仍表现出良好的检测能力。这些模型版本可能在网络结构简化或是针对特定任务的优化上做得较为充分，但在处理更复杂的场景或是更多样的数据集时可能略显不足。

       YOLOv8n作为四个模型中最新的版本，其性能介于YOLOv6n和其他两个模型之间，mAP为0.91，F1-Score为0.88。这可能意味着YOLOv8n在保持了YOLO系列模型一贯的高性能的同时，还进一步提高了模型的泛化能力或者是在处理具体任务上做出了新的改进。比如，YOLOv8n可能加入了新的训练策略，或者在模型结构上做了调整，以适应更多样化的数据和更复杂的检测任务。

       总体而言，不同版本的YOLO模型在性能上的差异反映了不同的设计哲学和技术演进。随着深度学习技术的不断发展，我们可以预见未来的YOLO模型将在性能上继续提升，尤其是在处理更加复杂多变的真实世界任务时。对于实际应用场景的选择而言，我们需要综合考量模型的性能指标和任务需求，选择最合适的模型版本进行部署。

---

6. 系统设计与实现

6.1 系统架构概览

        在设计基于YOLOv8/v7/v6/v5的车牌检测系统时，我们采取了一种模块化、易于扩展的系统架构。本系统架构不仅关注于算法的效率和精度，还充分考虑了用户交互和实际应用场景的需求。以下是系统主要组成部分的详细介绍：

1. 模型加载与初始化（YOLOv8v5Detector）

        系统首先通过YOLOv8v5Detector类负责加载预训练的YOLO模型。这一步是车牌检测系统的基础，确保了模型的正确加载及其后续的正常运行。该类封装了模型的加载、预处理和预测等功能，为系统提供了一个强大且灵活的目标检测能力。

2. 图像处理与检测（Detection_UI）

        在Detection_UI类中，系统集成了用户界面和检测逻辑，使用户能够通过图形界面上传图像或视频文件，并展示检测结果。该类负责管理用户交互、文件上传、检测参数设置（如置信度阈值conf_threshold和IOU阈值iou_threshold）以及视觉展示等功能。

3. 实时检测与日志记录（process_camera_or_file、LogTable）

        为了实现实时检测，Detection_UI中的process_camera_or_file方法通过整合OpenCV库实现了从摄像头实时捕获图像并进行检测的功能。同时，利用LogTable类记录检测过程中的详细信息，如检测位置、置信度等，便于后续的分析和优化。

4. 结果展示与交互（setupMainWindow、frame_process）

        系统通过setupMainWindow方法设置主窗口的布局和样式，利用Streamlit库创建直观的用户界面。在frame_process方法中，对捕获的图像帧进行预处理、调用模型进行预测，并处理预测结果，最后将检测结果以图形形式展示给用户，提高了系统的交互性和用户体验。

5. 系统配置与优化（setup_sidebar）

        通过setup_sidebar方法，系统提供了侧边栏配置面板，允许用户自定义模型设置（如选择不同的YOLO版本）、调整检测参数和选择输入源。这种设计使得系统更加灵活，可以根据不同的应用场景和用户需求进行快速调整。

        本系统通过细致的模块划分和接口设计，实现了一个高效、准确且用户友好的车牌检测系统。通过对YOLO系列算法的有效利用，结合Streamlit和OpenCV等技术，系统不仅在技术层面上达到了先进水平，也在实用性和可扩展性上具有很好的表现。在未来，系统可以根据新的需求和技术进展进行进一步的优化和扩展，以满足更广泛的应用场景。

6.2 系统流程

        在本节中，我们将详细介绍基于YOLOv8/v7/v6/v5的车牌检测系统的工作流程。为了更加形象地呈现系统如何运作，以下是以程序流程图的形式展开的步骤介绍：

1. 初始化系统（Detection_UI构造函数）

   • 系统启动时，首先初始化Detection_UI类的实例。这一步骤包括加载类别标签、设置页面标题、初始化检测相关的配置参数（如模型类型、置信度阈值和IOU阈值）、初始化相机和文件相关的变量，以及UI显示相关的变量。

2. 配置页面和侧边栏（setup_page和setup_sidebar方法）

   • 通过setup_page方法设置页面布局，如页面标题和图标。
   • 通过setup_sidebar方法配置侧边栏，包括模型设置、摄像头配置和识别项目设置等。用户可以在这里选择模型类型、设置置信度和IOU阈值、选择摄像头或上传文件。

3. 加载模型（YOLOv8v5Detector实例化）

   • 如果系统尚未加载模型，将创建YOLOv8v5Detector的实例并加载预训练的YOLO模型。这个步骤确保了系统具备进行目标检测的能力。

4. 处理输入（process_camera_or_file方法）

   • 根据用户在侧边栏的选择，系统可以处理来自摄像头的实时视频流或用户上传的图片/视频文件。
   • 对于摄像头输入，系统实时捕获图像帧并进行检测。
   • 对于文件上传，系统读取文件内容，处理并显示检测结果。

5. 图像帧处理（frame_process方法）

   • 对于每个捕获或上传的图像帧，系统首先进行预处理，然后使用加载的YOLO模型进行目标检测。
   • 检测完成后，应用非极大值抑制（NMS）等后处理步骤，过滤掉重叠的检测结果，保留最佳的检测框。

6. 结果展示（setupMainWindow方法）

   • 检测结果将在主窗口中展示，包括检测到的车牌的边界框、置信度等信息。用户可以通过设置显示模式，选择是单画面显示还是双画面显示（原始画面和识别画面）。

7. 日志记录与导出（LogTable类）

   • 系统通过LogTable类记录每次检测的详细信息，如检测时间、位置、置信度等，并支持将日志数据保存为CSV文件，方便用户进行分析和记录。

8. 用户交互

   • 用户可以通过侧边栏进行实时的配置更改，如修改置信度阈值、选择不同的摄像头或上传新的文件进行检测。
   • 系统根据用户的交互实时更新检测结果和展示内容。

        通过以上步骤，我们的车牌检测系统不仅能够高效地处理实时视频流和文件上传，还能提供灵活的用户交互和配置选项，满足不同用户在不同场景下的需求。此流程确保了系统的高性能和良好的用户体验，为车牌检测任务提供了一个强大的解决方案。

---

代码下载链接

         如果您希望获取博客中提及的完整资源包，包含测试图片、视频、Python文件(*.py)、网页配置文件、训练数据集、代码及界面设计等，可访问博主在面包多平台的上传内容。相关的博客和视频资料提供了所有必要文件的下载链接，以便一键运行。完整资源的预览如下图所示：

        资源包中涵盖了你需要的训练测试数据集、训练测试代码、UI界面代码等完整资源，完整项目文件的下载链接可在下面的视频简介中找到➷➷➷

演示与介绍视频 ：https://www.bilibili.com/video/BV1Jx421U7h2/
YOLOv8/v7/v6/v5项目合集下载：https://mbd.pub/o/bread/mbd-ZZ2YmJxt
YOLOv8和v5项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Ykphq
YOLOv7项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Yl5pq
YOLOv6项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Yl59x

完整安装运行教程：

        这个项目的运行需要用到Anaconda和Pycharm两个软件，下载到资源代码后，您可以按照以下链接提供的详细安装教程操作即可运行成功，如仍有运行问题可私信博主解决：

1. Pycharm和Anaconda的安装教程：https://deepcode.blog.csdn.net/article/details/136639378；

        软件安装好后需要为本项目新建Python环境、安装依赖库，并在Pycharm中设置环境，这几步采用下面的教程可选在线安装（pip install直接在线下载包）或离线依赖包（博主提供的离线包直接装）安装两种方式之一：

2. Python环境配置教程：https://deepcode.blog.csdn.net/article/details/136639396（2,3方法可选一种）；
3. 离线依赖包的安装指南：https://deepcode.blog.csdn.net/article/details/136650641（2,3方法可选一种）；

        如使用离线包方式安装，请下载离线依赖库，下载地址：https://pan.baidu.com/s/1uHbU9YzSqN0YP_dTHBgpFw?pwd=mt8u （提取码：mt8u）。

---

7. 结论与未来工作

        在本项目中，我们通过实现基于YOLOv8/v7/v6/v5的车牌检测系统，深入探讨了YOLO系列算法在车牌检测任务中的应用。借助高效的目标检测模型，我们成功地解决了复杂背景、不同光照条件以及车牌遮挡等一系列挑战，展示了YOLO算法在实时车牌识别方面的强大能力。系统架构的设计充分考虑了模型的效率和准确性，采用的技术和方法在实际应用中表现出了高度的适用性和稳定性。

        我们的系统不仅仅是对YOLO算法的一次应用，更是对目标检测技术在交通领域应用的一次深入探索。通过不断的测试和优化，系统已经能够在多种复杂环境下稳定运行，为车辆管理、交通监控等领域提供了有效的技术支持。此外，我们的实验也证明了通过适当的参数调整和模型优化，可以进一步提升检测的准确率和速度。

未来工作的方向将主要集中在以下几个方面：

• 模型优化：探索更深层次的网络结构优化，利用最新的研究成果进一步提升模型的检测精度和速度。
• 数据增强：开发更高级的数据增强技术，以提高模型对不同环境条件下车牌的识别能力。
• 算法融合：尝试将YOLO算法与其他机器学习或深度学习技术结合，以解决更复杂的车牌检测问题。
• 实际应用扩展：将车牌检测技术应用到更广泛的场景中，如无人驾驶、智能交通系统等，并解决实际应用中的具体问题。

        通过不断的努力和探索，我们相信车牌检测技术将更加成熟，为智能交通和车辆管理领域带来更大的贡献。我们期待着在未来工作中取得更多的突破，为智能交通的发展贡献自己的力量。

---

1. Yusof, Najiha‘Izzaty Mohd, et al. "Assessing the performance of YOLOv5, YOLOv6, and YOLOv7 in road defect detection and classification: a comparative study." Bulletin of Electrical Engineering and Informatics 13.1 (2024): 350-360. ↩︎

2. Goel, Lavika, and Pankaj Patel. "Improving YOLOv6 using advanced PSO optimizer for weight selection in lung cancer detection and classification." Multimedia Tools and Applications (2024): 1-34. ↩︎

3. Zhao, Dewei, et al. "A Small Object Detection Method for Drone-Captured Images Based on Improved YOLOv7." Remote Sensing 16.6 (2024): 1002. ↩︎

4. Flores-Calero, Marco, et al. "Traffic Sign Detection and Recognition Using YOLO Object Detection Algorithm: A Systematic Review." Mathematics 12.2 (2024): 297. ↩︎

5. Qiu, Shi, et al. "Automated detection of railway defective fasteners based on YOLOv8-FAM and synthetic data using style transfer." Automation in Construction 162 (2024): 105363. ↩︎