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方法调用模型的推理功能，传递图像和初始化参数。postprocess方法处理预测的输出，将结果整理成一个列表，每个元素包含了检测到的对象的类别名称、边界框坐标、置信度以及类别ID。set_param方法允许在运行时更新模型的参数。

        整个YOLOv8v5Detector类为我们提供了一个结构化和模块化的方式来处理车型识别任务。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“代码介绍”部分，我们将详细探讨如何使用PyTorch框架和ultralytics的YOLO模块来训练一个远距离停车位识别模型。下面的代码片段展示了整个训练过程的设置和执行，它不仅加载了预训练的模型权重来初始化网络，还设定了训练参数，以确保模型在我们特定的数据集上进行有效学习。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：首先，我们需要设置运行环境和导入相关的库。torch库是PyTorch深度学习框架的核心组件，它提供了灵活的数组操作工具和自动求导机制，这对于训练深度学习模型至关重要。我们还导入yaml，它是一个用于处理YAML文件（一种常用于配置文件的数据序列化格式）的库。YOLO类则是从ultralytics库中引入的，它提供了一种快捷的方式来加载和训练YOLO模型。

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

        我们使用torch.cuda.is_available()检查是否有可用的CUDA环境来使用GPU加速训练，如果没有，则回退到CPU。

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

        数据集准备：我们设定了训练使用的工作进程数和每个批次的大小。这些参数直接影响数据加载的效率和训练的速度。我们定义了数据集的名称，并通过abs_path函数构建了数据配置文件的绝对路径，保证不同环境下都能准确地定位到该文件。为了确保文件路径的一致性，特别是在不同操作系统间，我们将路径统一转换为UNIX风格。

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

        接下来，我们读取YAML配置文件，并对其进行处理，以确保所有的路径都是正确的。YAML配置文件通常包含了训练数据集的路径、类别信息以及其他相关的配置项。我们将修改后的数据路径写回配置文件，以确保模型训练时数据的正确加载。

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：最后，我们加载预训练的YOLOv8模型，这通常是训练过程中的第一步。选择合适的预训练模型能够提供一个强大的起点，因为它已经在大量数据上进行了训练。模型的训练过程是通过调用YOLO对象的train方法进行的，其中我们指定了训练数据的路径、设备、工作进程数量、输入图像尺寸、训练周期和批次大小等关键参数。我们还通过name参数给训练任务设定了一个标识符。

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

        在本研究中，我们利用YOLOv8算法对远距离停车位进行检测，并对训练过程中的损失函数和性能指标进行了详尽的分析。从训练和验证的损失函数图像中，我们可以观察到模型的学习进度以及优化的有效性。

        首先，训练过程中的**盒子损失（box_loss）**，**类别损失（cls_loss）**，以及**目标损失（obj_loss）**均随着训练周期的增加而显著减少，这表明模型在空间定位、类别判断和目标检测方面的性能都有显著提高。特别是在训练初期，损失迅速下降，说明模型在捕捉到了数据的主要趋势之后，快速地调整了参数。随着训练的继续，损失函数的下降速度趋于平稳，表明模型开始收敛，并在更细微的特征上进行优化。

        在验证损失图中，我们看到验证集上的损失值与训练集相似，这说明模型在未见过的数据上表现良好，泛化能力强。没有出现过拟合的迹象，即验证损失没有因为训练周期的增加而上升，这是一个非常积极的信号。

        在性能指标方面，精度（precision）和召回率（recall）都达到了非常高的水平，接近1.0，这意味着模型在检测停车位时几乎没有漏检（高召回率）也没有误检（高精度）。同时，平均精度（[email protected]）和更严格的平均精度（[email protected]）指标同样表现出色，均在0.9以上，这进一步验证了模型在不同置信度阈值下的鲁棒性。

        整体而言，这些结果表明了YOLOv8在远距离停车位检测任务上的高效性。通过对损失函数的细致调整和模型参数的优化，我们实现了高精度和高召回率的检测结果。这些高性能指标不仅证明了模型架构的有效性，也显示了我们数据处理和增强策略的正确性。这样的分析为我们的停车位检测系统提供了可靠的验证，并为将来进一步改进和实际部署奠定了坚实的基础。

5.2 混淆矩阵

        混淆矩阵是评估分类模型性能的重要工具，特别是在目标检测任务中，它帮助我们理解模型在各类别上的表现。本研究中的混淆矩阵反映了YOLOv8模型在远距离停车位检测任务上的性能，具体来说，矩阵包括“空闲（space_empty）”、“占用（space_occupied）”和“背景（background）”三个类别。

        从混淆矩阵的数值分布来看，模型在识别“空闲”和“占用”类别时展现出了很高的准确性，对于“空闲”类别几乎达到了完美的识别率，正类真实值（True Positives）和负类真实值（True Negatives）都接近1.00。这意味着几乎所有真实的“空闲”停车位都被准确地预测为“空闲”，几乎没有发生将“空闲”错分为“占用”或“背景”的情况。这对于停车位检测系统来说至关重要，因为它保证了用户能够获得准确的空闲停车位信息。

        然而，对于“占用”停车位的识别，模型表现出了一定程度的混淆。虽然正类预测的准确性也达到了1.00，但我们可以看到，当预测为“占用”时，有58%的预测是正确的，而42%的“背景”被错误地标记为“占用”。这可能是由于“占用”类别中存在较为复杂的特征，例如不同类型和颜色的车辆，以及不同角度和遮挡情况，这些都可能导致模型的预测出现偏差。

        对于“背景”类别，由于混淆矩阵没有显示该类别的真实正例和假正例数量，我们无法直接从图表得知模型在这一类别上的表现。但通常，“背景”类别的预测性能较好，因为它与其他两个类别的特征差异较大。

        综合上述分析，模型在远距离停车位检测上具有较高的准确性，尤其是对于“空闲”停车位的识别。然而，“占用”类别的预测仍有改进空间，特别是在区分“占用”和“背景”方面。在未来的工作中，我们可能需要通过进一步的数据增强、特征工程或模型调整来改善这一点。此外，考虑到在实际应用中，对于“占用”停车位的准确识别至关重要，我们将重点解决将“背景”误判为“占用”的问题，以提高系统的整体性能和可靠性。

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几种模型在远距离停车位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。该数据集包含远距离停车位的图像。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	0.995	0.995	0.998	0.995
F1-Score	1.00	1.00	1.00	1.00

（3）实验结果分析：

       在远距离停车位检测的任务中，我们采用了几种不同版本的YOLO算法：YOLOv5nu、YOLOv6n、YOLOv7-tiny和YOLOv8n。这些算法都是基于深度学习的目标检测模型，旨在快速且准确地识别图像中的停车位状态。在相同的数据集和实验条件下，这些模型都显示出了卓越的性能，这是由我们采用的两个主要度量指标所证明的：mAP和F1-Score。

       我们的实验结果显示，所有模型在mAP指标上均获得了接近完美的分数，均在0.995以上，其中YOLOv7-tiny以0.998的分数领先。这意味着YOLOv7-tiny在各种交并比（IoU）阈值下的平均精度最高，这可能是因为其架构对于本数据集的特征更敏感，或者更能够适应数据集中的特定挑战，例如复杂的背景或停车位的多样性。

       F1-Score作为精度和召回率的调和平均，考量了模型识别正确的停车位所占比例及其覆盖真实停车位的能力。所有模型都达到了完美的F1-Score，即1.00，表明在此任务中，每个模型都实现了精确识别并覆盖了几乎所有真实的停车位。这样的结果表明，即使在不同版本的YOLO算法之间，对于本数据集的特定任务，模型的表现没有显著差异。

       然而，虽然这些结果在统计上显示出色，但在实际应用中，即便是微小的性能提升也可能对用户体验和系统效率产生重要影响。因此，YOLOv7-tiny的轻微优势可能在高频率检测的真实世界场景中显得尤为重要。此外，尽管这些模型的性能在统计上相当，但从计算效率和资源需求的角度出发，不同模型之间可能存在显著差异。例如，较轻量级的模型可能在边缘设备上更受青睐，而在计算资源更充足的环境中，更复杂的模型可能能够提供更稳定的性能。

       综合考量，这些实验结果不仅展示了各个YOLO版本在远距离停车位检测任务上的有效性，也揭示了在精确度上微小差异的潜在价值。尽管我们的实验设计保持了一致性以确保结果的可比性，但未来的研究可以进一步探索模型在不同环境下的性能，以及它们如何响应各种挑战，例如遮挡物多、光照变化大或摄像头角度不同的场景。通过这种方式，我们能够更全面地理解每个模型的优势和局限，为实际应用提供有价值的见解和建议。

---

6. 系统设计与实现

6.1 系统架构概览

        在本博客中，我们将详细探讨基于YOLOv8/v7/v6/v5的远距离停车位识别系统的架构设计。该系统旨在实时识别并报警可能的远距离停车位，从而提升公共安全。系统架构主要分为以下几个关键部分：数据预处理、模型训练、检测与识别、结果展示与警报。我们将结合前述代码中提到的类和方法，具体阐述每一部分的设计与实现。

1. 数据预处理

        在Detection_UI类的初始化阶段，我们首先对输入的数据进行预处理。这包括加载并标注数据集，使用Label_list来定义可能的行为类别。每个类别都会被分配一个随机颜色，以便在结果展示时区分不同的检测对象。通过对图像进行缩放、归一化等预处理操作，确保它们适合模型训练和检测。

2. 模型训练

        我们利用YOLOv8v5Detector类来加载预先训练好的YOLO模型。该类支持加载自定义的模型文件，也可以使用默认的权重文件。在setup_sidebar方法中，用户可以通过界面选择不同的模型文件和模型类型，以及调整置信度阈值和IOU阈值。这些参数直接影响模型的检测性能和准确度。

3. 检测与识别

        在process_camera_or_file方法中，系统根据用户的选择处理来自摄像头或文件的输入。利用OpenCV库，我们可以实时从摄像头捕获视频流，或者加载用户上传的图片和视频文件。对于每一帧图像，frame_process方法会被调用来执行实际的远距离停车位识别。这一过程涉及调用YOLO模型预测图像中的行为，并根据预设的阈值过滤结果。检测到的每个事件都会被绘制边界框并标记，以便于识别。
4. 结果展示与警报

        检测完成后，系统通过setupMainWindow方法在用户界面上展示结果。检测到的远距离停车位会以边界框的形式呈现，边界框的颜色与行为类别相对应。同时，检测结果会被记录在LogTable类的实例中，并可通过界面导出为CSV文件。用户可以通过界面上的控件实时监控检测过程，包括查看检测到的行为、调整显示模式、停止检测等。

        此外，系统还支持对特定目标进行过滤显示，用户可以通过选择不同的目标来查看特定的检测结果。这一功能由toggle_comboBox方法实现，进一步提高了系统的用户交互性和实用性。

        基于YOLO模型的远距离停车位识别系统通过精心设计的架构，实现了从数据预处理到模型训练，再到检测与识别，最终的结果展示与警报的全流程自动化。这种系统不仅能够提高公共安全水平，还具有高度的灵活性和扩展性，可应用于各种需要实时监控和响应的场合。

6.2 系统流程

        在基于YOLOv8/v7/v6/v5的远距离停车位识别系统中，我们通过精心设计的流程来确保高效和准确的检测。以下是系统流程的详细步骤，将帮助读者更好地理解如何实现这一复杂功能。

1. **图像获取** (`ImageCapture`类): - 这一步是通过`captureFrame()`方法实现的。系统首先从监控摄像头或用户上传的图像中捕获当前停车场的图像。这是整个停车位检测流程的起点。

2. 图像预处理 (ImagePreprocessing类):

   • 通过preprocessImage()方法，对捕获的图像进行必要的预处理操作。这可能包括图像尺寸调整、格式转换、去噪声等，以确保图像数据适合后续的深度学习模型处理。

3. 停车位检测 (ParkingDetection类):

   • 这一步骤中，detectParkingSpaces()方法将被调用。系统利用训练好的YOLO模型对预处理后的图像进行分析，识别出图像中的停车位，并判断每个停车位的占用状态。

4. 检测结果处理 (DetectionResultProcessing类):

   • 通过processResults()方法，对YOLO模型返回的检测结果进行进一步处理。这包括解析检测结果、标记出空闲停车位，并可能包括对检测结果的优化或修正，以提高整体的准确度和可靠性。

5. 停车位信息更新与展示 (ParkingInfoDisplay类):

   • 最后，updateAndDisplay()方法用于更新停车位的状态信息，并通过用户界面向用户展示。这可能包括在地图上标出空闲停车位的位置、提供导航至选定停车位的功能等。

        这一流程不仅展现了基于YOLO的远距离停车位检测系统的技术实现，还体现了从数据获取到用户服务的完整业务逻辑。通过不断优化这些步骤中的每一个环节，可以进一步提升系统的性能和用户体验。

---

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/BV1fp42117eZ/
YOLOv8/v7/v6/v5项目合集下载：https://mbd.pub/o/bread/mbd-ZZ2YmJtw
YOLOv8和v5项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Ykpdw
YOLOv7项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Yl5lw
YOLOv6项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Yl59q

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

        本文通过深入研究并实践了基于YOLOv8/v7/v6/v5的深度学习模型在远距离停车位检测领域的应用，成功开发了一个结合了这些先进算法的远距离停车位检测系统。通过对多个版本的YOLO模型进行细致的比较和优化，本研究不仅提升了远距离停车位检测的准确率和实时性，还通过Streamlit创建了一个直观、美观且易于使用的Web应用，使用户能够轻松地找到空闲的停车位，从而在实际应用中发挥重要作用。

        经过一系列实验验证，本文所提出的方法在停车位检测的准确性和处理速度上都达到了令人满意的水平。同时，我们还提供了完整的数据集处理流程、模型训练和预测的代码，以及基于Streamlit的系统设计和实现细节，为后续的研究者和开发者复现和参考提供了方便。尽管取得了一定的成果，但远距离停车位检测作为一个复杂多变的任务，仍然面临着许多挑战和改进空间。在未来的工作中，我们计划从以下几个方向进行探索：

1. 模型优化：继续探索更深层次的网络结构和优化策略，如神经网络架构搜索（NAS）技术，以进一步提升模型的性能和效率。
2. 多模态融合：考虑结合地理位置、时间等其他模态信息，采用多模态学习方法进行停车位检测，以更全面地理解停车场的使用模式和环境变化。
3. 跨域适应性：研究不同地理位置、不同类型的停车场的停车位检测，通过领域自适应技术提高模型在不同环境中的泛化能力。
4. 用户交互体验：进一步优化系统的用户界面和交互设计，使其更加人性化、智能化，以满足更广泛用户的需求。
5. 实际应用拓展：探索远距离停车位检测在更多实际应用场景中的应用，如智慧城市、自动驾驶辅助系统等，以发挥其最大的社会和经济价值。

        总之，远距离停车位检测技术正处于快速发展之中，随着技术的不断进步和应用场景的不断拓展，我们相信在不久的将来，基于深度学习的远距离停车位检测将在智能交通、城市规划、物联网等领域发挥更加重要的作用。

---

1. Kim J H, Kim N, Park Y W, et al. Object detection and classification based on YOLO-V5 with improved maritime dataset[J]. Journal of Marine Science and Engineering, 2022, 10(3): 377. ↩︎

2. 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. ↩︎

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. Bietti, Alberto, et al. "Birth of a transformer: A memory viewpoint." Advances in Neural Information Processing Systems 36 (2024). ↩︎

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. ↩︎