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：在数据集配置就绪后，我们加载了预训练的YOLO模型，并设置了任务类型为detect，准备开始训练。在这里，我们传递了所有必要的参数，包括图像大小imgsz，训练轮数epochs和训练任务的名称。此训练任务将执行120个时期的训练，这是一个在实践中通常需要根据实际情况调整的参数。

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
)

        通过上述过程，我们成功地配置并启动了夜间车辆检测模型的训练任务。YOLOv8作为一个强大的目标检测框架，为我们的训练任务提供了良好的支持，使得训练过程既高效又方便。在训练完成后，我们将得到一个针对夜间车辆检测任务优化过的模型，它将能够准确识别和分析图像中的夜间车辆，为后续的应用提供强大的技术支撑。

5. 实验结果与分析

5.1 训练曲线

        采用以上代码进行训练，得到的训练过程曲线如下，展示了模型在学习数据集时的行为，并且揭示了模型优化过程中的关键趋势。

        首先，观察训练集上的损失函数，我们看到箱体损失（box_loss）、类别损失（cls_loss）和目标损失（obj_loss）随着迭代次数的增加而稳步下降，显示出了模型在学习过程中的收敛趋势。具体来看，box_loss从初始的较高值迅速下降，说明模型很快学习到了物体的准确位置。cls_loss和obj_loss的下降同样表明模型对于类别的识别和目标的检测都在持续改进。

        在验证集上，我们观察到相似的下降趋势，这是模型泛化能力提升的直接证据。验证集的损失函数值在初始几个迭代之后较为平稳，表明模型未出现过拟合的现象，并保持了对未见数据的推广能力。此外，验证集的损失函数值整体略高于训练集，这是模型在看不见的数据上预测时的常见现象。

        接下来，我们分析模型的精确度（precision）和召回率（recall）。精确度反映了模型预测正确标签的能力，而召回率衡量了模型找到所有正样本的能力。训练过程中，精确度的波动较大，这可能是由于模型在尝试不同的参数配置以适应训练数据。召回率则随迭代次数的增加而逐步提高，最终趋于稳定，显示出模型在识别所有正样本方面的改进。

        最后，我们考察平均精确度（mAP）的两个指标：[email protected]和[email protected]:0.95。这两个指标分别衡量了模型在IOU（交并比）为0.5和0.5到0.95这个范围内的平均表现。在[email protected]中，我们看到模型性能较为稳定，在较高的水平上波动。而在更为严格的[email protected]:0.95指标上，模型性能随着训练逐渐提高，但增长速度放缓，这表明模型对于更精确的检测还有提升空间。

        综合来看，YOLOv8模型在夜间车辆检测任务上展示了良好的训练和泛化能力。损失函数的稳定下降，以及mAP指标的逐步提升，都指向了模型的有效性。未来的工作可以在提升模型在严格评估标准下的表现，以及进一步平衡精确度和召回率之间的关系，尤其是在不平衡的数据分布情况下。此外，进一步调优训练策略，例如动态调整学习率或使用更高级的优化算法，也有可能提高模型的性能和稳定性。通过这些细致的分析和后续的优化措施，我们能够确保模型在实际应用中达到最优性能。

5.2 混淆矩阵

        混淆矩阵是一种特别在分类问题中广泛使用的工具，它展示了模型预测与实际标签之间的关系。在我们的夜间车辆检测模型中，混淆矩阵揭示了模型在不同夜间车辆类别上的识别准确性。根据提供的混淆矩阵，我们可以对模型在夜间车辆检测任务上的性能进行深入分析。

        观察上图的混淆矩阵，我们可以看到各类别的预测正确率（主对角线上的值）以及误分类情况（非对角线上的值）。以‘car’类别为例，模型正确识别‘car’为‘car’的概率为60%，而将‘car’误判为‘background’的概率为40%，显示出在识别车辆和区分背景方面的优劣。类似地，‘person’类别的识别准确率为45%，表明模型在辨识人类目标上表现尚可，但仍有较大的误判为‘background’的情况，占比达54%。

        值得注意的是，对于‘bicycle’类别，模型表现出较大的识别挑战，只有24%的正确识别率，且有高达75%的概率将其误判为‘background’。这可能是由于数据集中自行车样本数量较少，导致模型在训练过程中未能充分学习到代表自行车的特征。

        同时，混淆矩阵显示出‘dog’和‘person’两类间的高混淆性，这暗示在夜间条件下，模型可能难以区分动物和人形目标。这种现象在真实世界的应用中可能会引发安全问题，因为在自动驾驶系统等场景中，区分行人和动物是至关重要的。

        综上所述，此混淆矩阵反映了模型在不同目标检测任务上的表现，并揭示了模型准确性的不足及潜在的改进方向。为了提高模型的整体性能，可以考虑以下策略：增加‘bicycle’类别的训练样本、引入更强大的数据增强方法、优化模型结构或参数以减少‘person’误分类为‘background’的情况、使用更复杂的特征提取技术来区分‘dog’和‘person’。通过细致的误差分析和针对性的优化，我们有望构建出一个更加准确和鲁棒的夜间车辆检测系统。

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几种模型在夜间车辆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。该数据集包含夜间车辆的图像。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。

（3）实验结果分析：

       
在本研究中，我们的目的是通过比较不同版本的YOLO模型在相同夜间车辆检测数据集上的性能，来评估它们在实际应用中的效能。实验设计旨在确保公平的对比，因此，除了使用统一的数据集之外，我们还在相同的硬件配置和相似的训练条件下执行了所有实验。性能评估主要基于两个关键指标：mAP（mean Average Precision）和F1-Score。mAP衡量了模型在不同置信度阈值下的精确度和召回率的平均值，而F1-Score是精确度和召回率的调和平均，两者共同描绘了模型性能的全貌。

        实验结果显示，YOLOv6n在这两个指标上都展现了最佳性能，mAP为0.547，F1-Score为0.56。这可能归因于YOLOv6n在架构设计上的优化，它可能引入了更有效的特征提取和融合策略，使得模型在低光照和复杂夜间环境中能够更准确地定位和识别车辆。

       在我们的实验结果中，YOLOv8n以0.886的mAP和0.86的F1-Score领先，这意味着在检测准确性和结果的综合质量方面，YOLOv8n展示了最优性能。其次是YOLOv5nu，以0.879的mAP和0.85的F1-Score紧随其后。而YOLOv6n和YOLOv7-tiny的性能略显不足，mAP分别为0.740和0.723，F1-Score分别为0.77和0.78。

        YOLOv5nu和YOLOv8n的性能表现相似，这表明在这两个版本之间，尽管有技术上的迭代，但在性能上的提升并不显著。这可能是因为这两个版本的改进更多集中在模型速度和效率上，而不是准确性的大幅度提升。这也反映了模型迭代不总是在所有性能指标上都带来改进。

        YOLOv7-tiny则在这四种模型中表现最差，这可能由于其“tiny”版本针对的是速度和资源使用的优化，牺牲了一部分准确性。尤其是在处理需要精细特征检测的夜间图像时，模型的简化版本可能不足以捕捉到足够的信息来准确地进行车辆检测。

        这些结果表明，即使是在相同的YOLO系列模型中，不同版本之间也存在明显的性能差异。选择合适的模型版本对于特定任务非常关键，需要根据实际应用的需求来权衡模型的准确性、速度和资源消耗。此外，实验结果也提示了未来的研究方向，例如在YOLOv7的基础上进一步优化其在复杂夜间场景下的识别能力，或在保持YOLOv6n准确性的同时，提高其运行效率。

        在未来的工作中，我们可以探索集成更先进的图像增强技术，对模型进行进一步微调，以应对低光照和动态背景带来的挑战。同时，深入分析数据集中的错误分类案例，识别模型性能瓶颈，并据此改进模型架构和训练策略，有望在不牺牲速度的前提下进一步提升模型的准确度和鲁棒性。

---

6. 系统设计与实现

6.1 系统架构概览

        系统架构主要包括以下几个关键组件：模型管理、数据处理、UI交互和日志记录。每个组件都承担着系统运行中的特定职责，共同确保了系统的高效和稳定运行。

（一）模型管理

这是系统的第一步，负责对输入的图像数据进行预处理，包括图像的缩放、归一化等操作，以适应模型的输入要求。在我们的代码中，这部分功能主要通过YOLOv8v5Detector类中的preprocess方法实现。

（二）数据处理

数据处理是系统的核心部分，负责对输入的图像数据进行预处理、调用模型进行预测以及后处理预测结果。这一功能主要通过frame_process方法实现。首先，通过调整图像尺寸(cv2.resize)和进行必要的图像预处理(model.preprocess)准备好模型输入数据。然后，使用模型进行预测并获取结果。最后，通过model.postprocess对预测结果进行后处理，包括绘制检测框(drawRectBox)和生成检测信息。

（三） UI交互

我们利用Streamlit库构建了一个简洁直观的用户界面，允许用户轻松上传图片或视频文件，选择摄像头输入，以及调整模型参数等操作。Detection_UI类的setup_sidebar方法负责侧边栏的布局设计，提供了模型设置、摄像头配置、识别项目设置等多个选项供用户选择。

（四）日志记录

日志记录功能由LogTable和ResultLogger两个类共同完成。LogTable类负责管理检测过程中生成的所有日志数据，包括检测结果的保存、日志数据的持久化(save_to_csv)以及日志视图的更新(update_table)。ResultLogger则用于将每次检测的结果整合(concat_results)，方便在UI中显示和日志文件中记录。

        通过上述设计，我们的系统能够有效地处理夜间车辆图像中的目标检测任务，为用户提供直观、实用的检测工具。我们将继续优化系统架构，引入更先进的技术，以提高检测的准确性和系统的可用性。

6.2 系统流程

        针对基于YOLOv8/v7/v6/v5的夜间车辆检测系统，下面我们将深入探讨系统的具体工作流程，并结合代码中的类和方法进行详细说明：

1. 系统初始化（__init__）

   • 系统启动时，Detection_UI类会被实例化。在这个阶段，会进行环境的准备工作，包括加载模型、设置页面布局、初始化参数等。

2. 用户配置

   • 用户通过侧边栏（setup_sidebar方法中实现）进行配置，可以选择模型类型、调整检测参数（如置信度conf_threshold和IOU阈值iou_threshold），并选择输入源（上传的文件或摄像头）。

3. 文件上传与摄像头选择

   • 用户选择上传文件（图片或视频）或选择摄像头作为输入源。系统通过uploaded_file或selected_camera变量处理用户的选择。

4. 图像处理与目标检测（frame_process）

   • 对于实时摄像头输入，系统不断读取帧，调用process_camera_or_file方法进行处理。
   • 对于文件上传，根据文件类型（图片或视频），分别处理。
   • 在处理过程中，会使用frame_process方法对捕获的帧进行预处理、模型推理和后处理，识别出图像中的夜间车辆佩戴情况。

5. 结果展示与日志记录

   • 系统在主界面上通过image_placeholder或image_placeholder_res展示处理后的图像。同时，检测信息如目标类别、置信度等通过LogTable类记录，并支持以CSV格式导出（save_to_csv）。

6. 用户交互与反馈

   • 用户可以通过侧边栏进行进一步的操作，如更改检测参数或重新选择输入源。系统根据用户操作实时更新UI显示和检测结果。

7. 结束与清理

   • 用户操作完成后，可以通过点击UI中的导出按钮（在setupMainWindow中处理）导出检测结果日志。系统也会在结束时自动进行资源释放和清理工作。

        通过上述流程，基于YOLO的夜间车辆检测系统能够实时准确地识别出夜间车辆，提供了一个高效的解决方案来应对实际情况。系统的设计充分考虑了用户交互和实时性能，确保了既高效又易用。

---

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/BV1sC411L7Rd/
YOLOv8/v7/v6/v5项目合集下载：https://mbd.pub/o/bread/mbd-ZZ2YmJpy
YOLOv8和v5项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Ykpdr
YOLOv7项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Yl5hy
YOLOv6项目完整资源下载：https://mbd.pub/o/bread/mbd-ZZ2Yl51x

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的深度学习模型在夜间车辆检测领域的应用，成功开发了一个结合了这些先进算法的夜间车辆检测系统。通过对多个版本的YOLO模型进行细致的比较和优化，本研究不仅提升了夜间车辆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，使用户能够轻松地进行车辆检测，从而在智能交通、城市监控等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夜间车辆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，但夜间车辆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. 模型优化与更新：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：考虑结合雷达、激光雷达（LiDAR）等其他传感器信息，采用多模态学习方法进行车辆检测，以更全面地理解车辆在不同环境条件下的行为。

3. 跨域适应性：研究在不同光照条件、不同地理位置的车辆检测，通过领域自适应技术提高模型在多样化环境中的泛化能力。

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：探索夜间车辆检测在更多实际应用场景中的应用，如智能交通管理、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，夜间车辆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，基于深度学习的夜间车辆检测将在多个领域发挥更加重要的作用。

---

1. Du J. Understanding of object detection based on CNN family and YOLO[C]//Journal of Physics: Conference Series. IOP Publishing, 2018, 1004: 012029. ↩︎

2. Zhu X, Lyu S, Wang X, et al. TPH-YOLOv5: Improved YOLOv5 based on transformer prediction head for object detection on drone-captured scenarios[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 2778-2788. ↩︎

3. Sun Z, Chen B. Research on Pedestrian Detection and Recognition Based on Improved YOLOv6 Algorithm[C]//International Conference on Artificial Intelligence in China. Singapore: Springer Nature Singapore, 2022: 281-289. ↩︎

4. Zhao H, Zhang H, Zhao Y. Yolov7-sea: Object detection of maritime uav images based on improved yolov7[C]//Proceedings of the IEEE/CVF winter conference on applications of computer vision. 2023: 233-238. ↩︎

5. Aboah A, Wang B, Bagci U, et al. Real-time multi-class helmet violation detection using few-shot data sampling technique and yolov8[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2023: 5349-5357. ↩︎