简介一份基于OpenCV与YOLOv8的实时车速检测、车辆检测跟踪系统完整实现面向计算机视觉/深度学习方向的毕业设计开发者以及智能交通、道路监控领域的技术学习者适合用于毕业设计、课程设计或开源项目二次开发。资源整合YOLOv8目标检测与OpenCV运动分析可实时处理视频流中的每一帧图像对多车辆进行识别、跟踪并计算速度完整覆盖从模型调用、目标跟踪到速度估算的流程为理解目标检测、特征提取与视频流处理等知识提供可运行示例。压缩包共16个文件约87.89MB包含Python源码、运行依赖requirements.txt、项目说明文档、演示视频mp4及配置文件并附有模型类别文件和PyCharm工程配置便于快速导入和二次开发使用门槛适中。目前已有140人学习下载结合说明文档与演示录屏可快速理解从目标检测到速度估算的实现思路并进行参数调整对需要完成计算机视觉类毕业设计或工程复现的读者是一套可直接运行的参考资料。1. 这套OpenCVYOLOv8车速检测系统不是只能交毕设的玩具毕业设计只做“目标检测”大概率被老师一句话问住检测出来之后呢这套基于OpenCV和YOLOv8的实时车速检测车辆检测跟踪系统把检测、跟踪、测速三条链路串在一起视频流喂进去每辆车带上稳定ID和实时速度输出拿到交通监控、智能交通系统、道路安全管理里都能讲出落地场景。资源包里有主程序car_tracker.py、入口脚本test.py、COCO类别文件coco.txt、requirements.txt以及一个演示视频不是只有一段代码的PPT项目。它适合三类人准备做计算机视觉方向毕设的学生、想练手深度学习落地的开发者、以及需要“检测跟踪测速”完整工程范式的一线工程师。我第一次跑通时最意外的不是YOLOv8检测得有多准而是测速居然可以不用雷达靠像素位移和标定系数就能算出来——当然误差控制才是后文要讲的重点。2. 核心原理拆解YOLOv8检测、车辆跟踪与测速算法如何串成闭环2.1 YOLOv8检测从边界框到类别标签coco.txt为什么存在YOLOv8是目前工程里用得最顺手的实时目标检测算法之一相比之前的YOLO系列它在骨干网络、特征融合和检测头上都做了调整官方提供n、s、m、l、x五个尺寸的模型用ultralytics库一行代码就能加载。在这套车速检测系统里YOLOv8负责整个流程的前端拿到一帧图像输出所有车辆的边界框坐标、置信度和类别ID。置信度告诉你这个框里有多大把握是车类别ID告诉你它属于car、truck还是bus。那coco.txt是干什么的YOLOv8官方的预训练模型是在COCO数据集上训练的COCO一共有80个类别。如果我们只需要车辆不能把所有类别都画出来否则画面里出现人、自行车、红绿灯也会被标记既干扰跟踪又浪费算力。coco.txt里存的就是这80个类别的名称列表按索引排列。常见做法是在后处理时读这个文件把类别ID映射成字符串比如ID 2对应carID 5对应busID 7对应truck然后只保留这几个ID对应的检测框。具体过滤逻辑要看项目代码对coco.txt的读取方式但核心思路就是把YOLOv8的通用检测能力裁剪成“只关心车辆”的专用检测器。用ultralytics接口做这一步代码是这样的from ultralytics import YOLO # 加载预训练模型n/s/m对应不同大小这里以yolov8s为例 model YOLO(yolov8s.pt) # 读取coco类别文件 with open(coco.txt, r) as f: classes f.read().strip().split(\n) # 希望保留的车辆类别索引car2, bus5, truck7 vehicle_ids {2, 5, 7} def filter_vehicles(results): boxes [] for r in results: for box in r.boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) if cls_id in vehicle_ids and conf 0.35: x1, y1, x2, y2 box.xyxy[0].tolist() boxes.append((x1, y1, x2, y2, conf, cls_id)) return boxes这段代码里model YOLO(yolov8s.pt)把权重加载进内存输入分辨率默认是640×640模型会对输入图做缩放和letterbox处理。读coco.txt是为了拿到类别名实际过滤时用的是class id所以如果你不关心类别名不读也行但调试时它能帮你直观看到检测到的是“car”还是“person”。vehicle_ids {2, 5, 7}对应COCO里的car、bus、truck想检测摩托车ID 3加进去就行。box.xyxy[0].tolist()返回边界框左上角和右下角坐标格式是[x1, y1, x2, y2]后面跟踪模块会频繁用这四个值。这里有个容易翻车的点YOLOv8的类别ID在不同版本的数据集上可能有偏移虽然COCO官方索引一直没变但如果你用的是别人修改后的训练权重一定要打印一次预测结果确认。我见过同学直接用网上找的coco.txt过滤了半天发现检测框全是空的最后打印出来才知道类别索引对不上。所以无论代码怎么写的第一步都建议先跑一帧裸检测把检测到的所有类别ID打出来看一眼再决定过滤集合。2.2 车辆跟踪怎么让同一辆车在连续帧里保持同一个ID检测只能告诉你“这一帧里哪里像车”但没法告诉你“这一帧的车和上一帧的车是不是同一辆”。测速需要计算同一辆车在不同帧之间的位移所以必须引入跟踪模块。常见的跟踪方案有两类一类是基于检测结果的IoU匹配比如SORT另一类是把外观特征加入关联比如DeepSORT。这个项目既然叫“车辆检测跟踪系统”大概率会在car_tracker.py里实现一个跟踪器类输入是检测框列表输出是带唯一ID的轨迹。最朴素的跟踪逻辑是维护一组已确认的轨迹每条轨迹保存当前框的位置和ID。新来一帧的检测框与上一帧所有轨迹框计算IoU如果某个检测框与某条轨迹的IoU大于设定阈值就认为它是同一辆车更新轨迹位置如果检测框没有匹配上任何轨迹就给它分配一个新ID作为新车加入反过来如果轨迹连续多帧没有匹配到任何检测框就认为车已经离开画面删除这条轨迹。具体实现起来用Python写一个轻量跟踪器并不难伪代码如下class VehicleTracker: def __init__(self, iou_threshold0.3, max_age10): self.tracks {} # id - (bbox, age) self.next_id 0 self.iou_threshold iou_threshold self.max_age max_age def update(self, detections): updated_tracks {} matched_ids set() # 每个检测框与已有轨迹计算IoU找最大IoU且超过阈值的轨迹 for det in detections: best_id, best_iou None, 0 for tid, (tbox, age) in self.tracks.items(): iou self._compute_iou(det[:4], tbox) if iou best_iou and iou self.iou_threshold: best_id, best_iou tid, iou if best_id is not None: updated_tracks[best_id] (det[:4], 0) matched_ids.add(best_id) else: # 新目标分配新ID updated_tracks[self.next_id] (det[:4], 0) self.next_id 1 # 未匹配到的轨迹age加1超过max_age则删除 for tid, (tbox, age) in self.tracks.items(): if tid not in matched_ids: if age self.max_age: updated_tracks[tid] (tbox, age 1) self.tracks updated_tracks return self.tracks这个示例把关键逻辑压缩成一个类update方法接收检测框列表先做IoU匹配匹配上的更新位置没匹配上的视作新车分配ID没被匹配到的旧轨迹则计数age超过max_age就删除。iou_threshold通常取0.3到0.5太小容易把不同车辆串成同一辆太大又会在车辆之间有遮挡时频繁换ID。max_age控制允许目标消失多少帧后丢弃在高速场景里车被路牌短暂遮挡这个小参数就能保住ID。实际工程里很少手写这么简单的跟踪器因为车辆遮挡、形变、光线变化都会让IoU匹配失效。更稳的做法是结合卡尔曼滤波预测下一帧位置再用匈牙利算法做全局最优匹配。但理解这个朴素版本对读项目源码很有帮助——它能让你明白每个参数在调什么而不是把一个跟踪器当黑匣子用。2.3 测速算法像素位移、帧率与距离标定三者的换算关系测速是整个系统里最容易被质疑“不严谨”的部分因为单目摄像头没有一个直接的物理尺度。YOLOv8给出了车辆在图像上的边界框但我们想知道的是它在地面上的实际速度中间必须做一个几何换算。最常见的是“目标点位移法”。选取车辆边界框底边的中心点作为车辆在地面的投影点因为车辆与地面接触底边中心比框中心更能反映真实位置。假设视频帧率为FPS当前帧跟踪到的车辆坐标为(x, y)上一帧坐标为(x_prev, y_prev)两帧之间的时间间隔就是1/FPS秒假设逐帧处理。那么像素位移为distance_px sqrt((x - x_prev)^2 (y - y_prev)^2) time_s 1 / FPS如果把像素位移直接除以时间得到的单位是“像素/秒”这不是我们想要的“米/秒”。需要引入一个比例系数scale表示1像素在实际场景中对应多少米那么速度就变成v_mps distance_px * scale / time_s这个scale怎么来常见做法是在场景里找一个已知实际长度的参照物比如车道虚线。一条标准车道虚线长度是6米在图像上量出它占据多少像素scale就是6除以像素数。也可以用两条相隔已知距离的虚拟检测线记录车辆依次穿过两条线的帧号用距离除以帧间隔时间得到速度。代码里对应的一段逻辑大概是def compute_speed(track_id, center_pt, fps, scale_m_per_px): # 保存每个ID最近一次的位置与帧号 if track_id not in prev_positions: prev_positions[track_id] (center_pt, 0) return None prev_pt, prev_frame prev_positions[track_id] # 帧间隔时间考虑跳帧的情况 dt (current_frame - prev_frame) / fps if dt 0: return None # 像素位移 dx center_pt[0] - prev_pt[0] dy center_pt[1] - prev_pt[1] dist_px (dx * dx dy * dy) ** 0.5 # 换算实际速度单位 m/s转为 km/h 乘3.6 speed_kmh dist_px * scale_m_per_px / dt * 3.6 return speed_kmh举个例子FPS30scale0.1米/像素一辆车在10帧内从(100, 300)移动到(130, 295)像素位移约30.4像素时间0.333秒速度30.40.1/0.3333.6≈32.8km/h。这个数字已经比较接近真实车速。如果scale变成0.2直接翻倍到65.6所以标定非常重要。另外fps建议用视频的实际帧率而不是摄像头标称值center_pt一定要用车辆框底边中点因为车顶会随车辆高度和姿态变化用框中心会有明显抖动。把速度计算放在跟踪ID稳定之后再做可以过滤掉ID跳变带来的离谱数据。到这里检测、跟踪、测速三块的原理就串起来了YOLOv8给出每帧的车辆框跟踪器把框关联成带ID的轨迹测速模块对同一轨迹做像素位移换算。下一章我们就按这个逻辑把工程在本地跑起来看看文件包里每个文件到底干了什么。3. 把工程跑起来环境搭建、文件结构与最小复现步骤3.1 环境准备Ubuntu 20.04或Windows下的YOLOv8环境搭建CPU版也能跑这个项目对硬件的要求比很多人想象中低。Ultralytics YOLOv8的官方实现同时支持CPU和GPU推理如果你手头没有独显用yolov8n或yolov8s这类小模型在CPU上也能跑出几帧每秒的实时效果。环境搭建分三步装Python、装依赖、验证OpenCV能导入。最常见的组合是Python 3.8到3.10配一个虚拟环境。Ubuntu 20.04上很多人习惯用condaWindows上直接用Anaconda Prompt里的conda env也行。下面是推荐的做法conda create -n vehicle_speed python3.9 -y conda activate vehicle_speed pip install opencv-python pip install ultralytics这里opencv-python是OpenCV的标准安装包包含了常用的读视频、画框、图像处理接口。ultralytics则自带YOLOv8的模型加载和推理逻辑它内部会依赖PyTorch所以如果机器上没有GPU装CPU版PyTorch就够了安装速度还更快。如果只想跑推理不做训练不需要额外装CUDA和cuDNN。装完验证一下环境import cv2 print(cv2.__version__) from ultralytics import YOLO model YOLO(yolov8s.pt) # 没有权重文件时会自动下载如果打印出OpenCV版本号并且YOLO对象能创建成功说明环境没问题。这里有个细节yolov8s.pt会自动从官网下载大概22MB如果你的网络不稳定下载可能会卡住建议提前把权重文件放到项目根目录避免运行时卡在下载环节。在Ubuntu 20.04上常见一个坑系统自带的Python版本可能不是3.9或者pip指向的是系统Python而不是虚拟环境里的。解决方法是每次操作前先conda activate再用python -m pip install而不是直接pip这样能避免装在错误的环境里。3.2 文件清单解读car_tracker.py、test.py、coco.txt各自负责什么把zip解压后你会发现核心文件其实不多。car_tracker.py、test.py、coco.txt、requirements.txt、以及两个说明文档外加一个演示视频。很多毕设代码的毛病是全部逻辑堆在一个文件里这个项目的文件划分还算清晰。car_tracker.py是主逻辑所在从文件名看它同时负责车辆检测和跟踪应该定义了一个CarTracker类把YOLOv8模型、跟踪器、速度计算都封装进去。test.py是入口脚本负责读取视频或摄像头流逐帧调用CarTracker把结果画在画面上并显示。coco.txt前面说过是COCO类别列表用来把模型输出映射成可读的类别名。requirements.txt列出了运行环境需要的第三方库一般包含opencv-python、ultralytics、numpy、torch等版本号建议直接照抄不要随意升级。【必看】项目说明.txt和说明.txt里一般会有作者写的启动步骤和注意事项可能是中文的也可能是编码混乱的。解压后第一时间打开它如果乱码用VS Code或Notepad切换成GBK编码再看。演示视频能直接看到最终效果比对着代码猜要直观得多。这样理解文件关系后复现的思路就很清晰先看说明文档再装依赖再跑test.py最后去读car_tracker.py的细节。不要一上来就逐行读代码那样很容易被细节绕晕。3.3 跑通test.py的过程关键代码逻辑与预期输出我一般拿到这样的项目会先跑通再分析代码。跑通的意思是不报错能看到视频窗口、检测框、ID和速度数字。下面这个代码结构是test.py里最常见的写法也是这类系统的标准入口逻辑import cv2 from car_tracker import CarTracker def main(video_path): # 初始化跟踪器加载YOLOv8模型 tracker CarTracker( model_pathyolov8s.pt, conf_threshold0.35, iou_threshold0.45 ) cap cv2.VideoCapture(video_path) if not cap.isOpened(): print(无法打开视频请检查路径) return fps cap.get(cv2.CAP_PROP_FPS) while True: ret, frame cap.read() if not ret: break # 核心调用检测跟踪测速 result tracker.process_frame(frame, fps) # result中一般包含绘制后的画面、车辆ID列表、速度列表 cv2.imshow(Vehicle Speed Detection, result[frame]) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows() if __name__ __main__: main(traffic_video.mp4)CarTracker在car_tracker.py中定义实例化时传入模型路径、置信度阈值、IoU阈值。process_frame是每帧调用的核心方法内部依次执行YOLOv8推理、目标过滤、跟踪器更新、速度计算最后把可视化结果画到帧上。fps从视频文件读取这个值会直接影响速度计算务必确保它不是0。如果跑的是摄像头而不是视频文件cap.get(cv2.CAP_PROP_FPS)经常返回0或者不准确因为摄像头输出帧率不稳定。我一般会改用时间戳计算实际帧间隔用time.time()记录上一帧时间当前帧时间减去上一帧时间作为dt再乘以1000换算成秒。这样哪怕中途掉帧速度也不会突变。test.py里如果只写了固定的FPS建议按这个思路改一改。运行之后你应该能看到类似这样的输出画面里每辆车有一个绿色框框上方显示“ID: 3”和“38.2 km/h”。如果速度显示为0或None有可能是车辆还没被跟踪稳定或者距离系数scale没有标定用了默认的1导致数值异常。如果运行时报错ModuleNotFoundError: No module named cv2那就是OpenCV没装上回到3.1重新安装。如果报No module named ultralytics同样解决。如果报模型权重下载失败在根目录检查是否残留了0字节的pt文件删除后重新下载。4. 参数调优与测速精度想让结果不飘这几个参数必须自己动4.1 模型选择yolov8n到yolov8l的精度与速度权衡YOLOv8官方提供了n、s、m、l、x五个尺寸从左到右参数量逐渐增大精度提升但推理速度下降。在这个检测跟踪系统里模型的选择会直接影响实时性尤其在CPU环境上。模型大小参数量级别COCO精度mAP推理速度GPU适用场景yolov8n3.2M37.3最快CPU或边缘设备yolov8s11.2M44.9快普通PC实时yolov8m25.9M50.2中等GPU环境yolov8l43.7M52.9较慢高精度离线如果你是毕业设计演示用yolov8s足够了既能保证检测准确率也留出了跟踪和绘图的算力余量。如果电脑只有CPU建议用yolov8n并且把输入尺寸imgsz从默认的640降到416或320帧率能提升一倍以上。这里的精度下降在车辆这种大目标上体现得不明显车辆占画面面积大n模型照样能稳定框住。怎么评估当前模型能不能实时可以在推理代码前后加time.time()打印每帧处理耗时。如果单帧耗时超过100毫秒画面就会明显卡顿这时就需要换更小的模型或降低分辨率。修改模型的方法很简单把model_path从yolov8s.pt改成yolov8n.pt即可代码不需要动。4.2 检测与跟踪参数conf、iou、max_age对着视频效果调检测环节有两个最关键的参数conf_threshold置信度阈值和iou_threshold非极大值抑制IoU阈值。conf_threshold默认0.25意思是模型认为“这是车”的概率超过0.25才保留。0.25会输出很多低置信度的框画面会抖且容易把路牌、阴影误检成车所以做跟踪之前我会把它调到0.4或0.45。代价是如果天气不好、车辆和背景颜色接近确实可能漏检但跟踪模块通常能在前几帧保留轨迹短暂漏检问题不大。iou_threshold控制的是同一个物体周围多个候选框的合并IoU超过0.45的框会被合并成一个。值设得越小保留的框越少越不容易出现重复框但可能把并排的两辆车合并成一个。我一般维持0.45不动这是YOLO系列的默认值在车辆场景下表现稳定。跟踪参数主要在VehicleTracker里max_age和匹配用的iou_threshold是两个重点。max_age设为5到15帧都可以高速场景车子被电线杆或树叶短暂遮挡10帧左右的重找回能力很关键。设太大又有风险一辆车已经开走它的轨迹在画面上残留当另一辆车出现在相似位置时可能继承旧ID导致速度计算串数据。建议先设10再按实际视频调。参数效果对照给你一个速查表现象调整方向误检框多画面闪烁提高conf_threshold到0.4同一车辆附近出现多个重复框降低iou_threshold到0.3车辆ID频繁切换提高跟踪匹配IoU到0.5或增大max_age车辆被遮挡后ID消失增大max_age到10~15测速数值偶尔跳变对速度做滑动平均取最近5~10帧中值调参没有万能组合我自己的习惯是拿演示视频反复试每次只改一个参数记录效果再切下一个。4.3 距离标定没有标尺测速就是玄学测速准确度最大的决定因素不是模型而是scale_m_per_px这个系数。如果这个值是凭感觉给的那算出来的速度就是数字游戏可以和真实车速差一倍。标定的过程本质上是在图像坐标系和世界坐标系之间建立映射。最实用的标定方法找一条标准的车道虚线。中国高速公路车道线白色实线长6米虚线间隔9米城市道路虚线通常也是6米但具体要看当地规范。在视频里量出这一条虚线在图像中的像素长度比如量得30像素那scale就是6/300.2米/像素。把这个值填进测速模块的初始化参数里。如果找不到车道线可以用静止的已知尺寸目标比如一辆车长4.5米在画面里占据横向45像素那scale大约是0.1米/像素。需要注意的是这个系数只对同一摄像头安装高度和角度有效摄像头角度一变地面物体的像素比例就不同了。如果项目里支持画虚拟检测线还有一种更稳妥的做法在画面中画两条线量出它们的实际距离用地图测距或现场量然后记录车辆穿过两条线的时间差距离除以时间就是速度完全绕开像素比例。我再强调一次scale标定错误会让所有速度按比例偏大或偏小而且这个误差是系统性的调任何检测参数都救不回来。跑正式演示前务必用一段已知车速的真实视频验证一遍。5. 避坑与排查五个真实踩坑记录从环境到测速全过一遍5.1 环境依赖类的坑坑一pip install ultralytics之后import YOLO报ModuleNotFoundError或AttributeError。现象明明安装了ultralytics代码里from ultralytics import YOLO却报模块找不到或者报YOLO类没有predict方法。原因ultralytics包更新很快某些API在不同版本里改了名或者变了签名。另外如果你在多个Python环境里装了包当前解释器可能没指向你安装的那个环境。解决先检查当前解释器路径which python或print(sys.executable)确认是不是虚拟环境。然后用pip show ultralytics看版本号和requirements.txt里的版本对比。不一致就卸载重装pip uninstall ultralytics -y再pip install ultralytics版本号。版本号务必以项目要求为准不要装最新最新版可能把默认参数都改了。坑二OpenCV装好了但cv2.VideoCapture打开MP4失败或者读帧全是False。现象运行test.py时视频窗口一片黑或者提示无法打开视频用cap.isOpened()打印是False。原因缺失解码器。有些OpenCV发行版没有打包所有视频编码格式尤其H.265编码的视频在旧版OpenCV里直接不支持。解决改用opencv-python-headless或完整版opencv-contrib-python试试headless版主要给服务器用不含GUI但解码能力更全。也可以先用视频转换工具把视频转成H.264编码的MP4再用OpenCV读取这是最省事的方法。5.2 检测跟踪与测速效果类的坑坑三检测框稳定但每个车的ID疯狂跳同一辆车几十帧内换了五六个ID。现象画面上框一直在但每个框上角的ID数字不停变速度数据也跟着乱跳。原因跟踪器的IoU匹配阈值设得太高或太低或者置信度阈值太低导致同一辆车在不同帧被检测成多个不稳定的框。车在转弯或光影变化时检测框抖动超过IoU阈值就会被认为是新目标。解决先把conf_threshold提到0.4以上减少检测框的位置抖动。再把跟踪匹配IoU阈值从0.3调到0.5让更严格的匹配条件作用于“是否同一辆车”。最后给速度计算加一个滑动平均比如取最近10帧速度的中值能明显抑制跳变。坑四车速总是偏大在高速场景里明明限速80显示出来160。现象测速数值整体翻倍或同比例偏大。原因scale_m_per_px这个距离系数不准确或者车辆位置点取了框中心而不是框底边中心。车辆框中心会随车顶高度和镜头角度上下浮动造成像素位移偏大。解决重新标定距离系数用车道虚线的实际长度在视频里量像素。同时改成用((x1x2)/2, y2)作为参考点y2是框底边的y坐标这样才能代表车辆在地面的位置。标定之后用一段车速已知的视频验证偏差超过10%就再调。坑五CPU上跑太慢只有一两帧每秒压根谈不上“实时”。现象视频窗口卡顿检测一帧要花好几秒。原因用了yolov8l或yolov8x模型且输入分辨率保持640×640CPU推理本来就慢。另一种情况是代码里用了一个很大的滑动窗口或未优化的跟踪循环导致每帧耗时成倍增加。解决换yolov8n设置imgsz320这两个改动能把推理时间降到原来五分之一。如果还慢可以隔帧处理比如每两帧做一次检测中间用上一帧的结果做传统跟踪能大幅提升帧率。用一个frame_count % 2控制即可。6. 进阶用法用你的数据重训练YOLOv8让测速更贴近真实场景6.1 数据准备与标注预设的COCO权重对常见的轿车、卡车、巴士识别没有问题但如果你要做的是某个特定场景——比如只识别公交车专用道上的公交车或者想要更精准的小目标检测——就需要用自己的数据微调模型。数据来源可以是项目演示视频抽帧也可以是摄像头录制的道路画面。用LabelImg或labelme标注框出你关心的车导出成YOLO格式的txt文件每行“class_index x_center y_center width height”坐标都是归一化后的数值。6.2 训练命令与参数基本训练命令如下yolo detect train datacustom.yaml modelyolov8s.pt epochs50 batch8 imgsz640custom.yaml里要写三行train、val的图片路径以及names类别名列表。比如names: [car, bus, truck]。epochs从50起步数据量少就加正则或早停batch根据显存调整8G显存跑yolov8s的batch8没问题。训练完成后权重存在runs/detect/train/weights/best.pt把它替换到项目里即可。6.3 模型转换与端侧部署如果要把模型部署到RK3588这类开发板上一般要先用yolo export导出成ONNX再转成RKNN格式。命令是yolo export modelbest.pt formatonnx然后用RKNN-Toolkit2做量化转换。端侧部署时的注意点是输入分辨率、归一化方式必须与训练时一致否则模型输出会异常。这也是嵌入式视觉项目里最常见的翻车点。6.4 最终验证习惯模型换新后不要急着看效果要拿一段时间戳已知的测试视频做验证。我习惯的方法在测速画面里叠加一个显示帧数的注释然后手动对比某辆车通过固定路段的实际耗时反推误差。如果误差稳定在±10%以内这个模型和标定系数才算合格。从那以后我每次换模型或换摄像头都强制走一遍这个流程标定、验证、再标定避免在答辩现场被老师问“你的测速准不准”时答不上来。整个项目代码和演示视频都在下载包里照着第3章的流程跑一遍很快就能复现效果希望帮到你。本文还有配套的精品资源点击获取 OpenCV+YOLOv8实时车速检测与车辆跟踪系统原理与实现
简介一份基于OpenCV与YOLOv8的实时车速检测、车辆检测跟踪系统完整实现面向计算机视觉/深度学习方向的毕业设计开发者以及智能交通、道路监控领域的技术学习者适合用于毕业设计、课程设计或开源项目二次开发。资源整合YOLOv8目标检测与OpenCV运动分析可实时处理视频流中的每一帧图像对多车辆进行识别、跟踪并计算速度完整覆盖从模型调用、目标跟踪到速度估算的流程为理解目标检测、特征提取与视频流处理等知识提供可运行示例。压缩包共16个文件约87.89MB包含Python源码、运行依赖requirements.txt、项目说明文档、演示视频mp4及配置文件并附有模型类别文件和PyCharm工程配置便于快速导入和二次开发使用门槛适中。目前已有140人学习下载结合说明文档与演示录屏可快速理解从目标检测到速度估算的实现思路并进行参数调整对需要完成计算机视觉类毕业设计或工程复现的读者是一套可直接运行的参考资料。1. 这套OpenCVYOLOv8车速检测系统不是只能交毕设的玩具毕业设计只做“目标检测”大概率被老师一句话问住检测出来之后呢这套基于OpenCV和YOLOv8的实时车速检测车辆检测跟踪系统把检测、跟踪、测速三条链路串在一起视频流喂进去每辆车带上稳定ID和实时速度输出拿到交通监控、智能交通系统、道路安全管理里都能讲出落地场景。资源包里有主程序car_tracker.py、入口脚本test.py、COCO类别文件coco.txt、requirements.txt以及一个演示视频不是只有一段代码的PPT项目。它适合三类人准备做计算机视觉方向毕设的学生、想练手深度学习落地的开发者、以及需要“检测跟踪测速”完整工程范式的一线工程师。我第一次跑通时最意外的不是YOLOv8检测得有多准而是测速居然可以不用雷达靠像素位移和标定系数就能算出来——当然误差控制才是后文要讲的重点。2. 核心原理拆解YOLOv8检测、车辆跟踪与测速算法如何串成闭环2.1 YOLOv8检测从边界框到类别标签coco.txt为什么存在YOLOv8是目前工程里用得最顺手的实时目标检测算法之一相比之前的YOLO系列它在骨干网络、特征融合和检测头上都做了调整官方提供n、s、m、l、x五个尺寸的模型用ultralytics库一行代码就能加载。在这套车速检测系统里YOLOv8负责整个流程的前端拿到一帧图像输出所有车辆的边界框坐标、置信度和类别ID。置信度告诉你这个框里有多大把握是车类别ID告诉你它属于car、truck还是bus。那coco.txt是干什么的YOLOv8官方的预训练模型是在COCO数据集上训练的COCO一共有80个类别。如果我们只需要车辆不能把所有类别都画出来否则画面里出现人、自行车、红绿灯也会被标记既干扰跟踪又浪费算力。coco.txt里存的就是这80个类别的名称列表按索引排列。常见做法是在后处理时读这个文件把类别ID映射成字符串比如ID 2对应carID 5对应busID 7对应truck然后只保留这几个ID对应的检测框。具体过滤逻辑要看项目代码对coco.txt的读取方式但核心思路就是把YOLOv8的通用检测能力裁剪成“只关心车辆”的专用检测器。用ultralytics接口做这一步代码是这样的from ultralytics import YOLO # 加载预训练模型n/s/m对应不同大小这里以yolov8s为例 model YOLO(yolov8s.pt) # 读取coco类别文件 with open(coco.txt, r) as f: classes f.read().strip().split(\n) # 希望保留的车辆类别索引car2, bus5, truck7 vehicle_ids {2, 5, 7} def filter_vehicles(results): boxes [] for r in results: for box in r.boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) if cls_id in vehicle_ids and conf 0.35: x1, y1, x2, y2 box.xyxy[0].tolist() boxes.append((x1, y1, x2, y2, conf, cls_id)) return boxes这段代码里model YOLO(yolov8s.pt)把权重加载进内存输入分辨率默认是640×640模型会对输入图做缩放和letterbox处理。读coco.txt是为了拿到类别名实际过滤时用的是class id所以如果你不关心类别名不读也行但调试时它能帮你直观看到检测到的是“car”还是“person”。vehicle_ids {2, 5, 7}对应COCO里的car、bus、truck想检测摩托车ID 3加进去就行。box.xyxy[0].tolist()返回边界框左上角和右下角坐标格式是[x1, y1, x2, y2]后面跟踪模块会频繁用这四个值。这里有个容易翻车的点YOLOv8的类别ID在不同版本的数据集上可能有偏移虽然COCO官方索引一直没变但如果你用的是别人修改后的训练权重一定要打印一次预测结果确认。我见过同学直接用网上找的coco.txt过滤了半天发现检测框全是空的最后打印出来才知道类别索引对不上。所以无论代码怎么写的第一步都建议先跑一帧裸检测把检测到的所有类别ID打出来看一眼再决定过滤集合。2.2 车辆跟踪怎么让同一辆车在连续帧里保持同一个ID检测只能告诉你“这一帧里哪里像车”但没法告诉你“这一帧的车和上一帧的车是不是同一辆”。测速需要计算同一辆车在不同帧之间的位移所以必须引入跟踪模块。常见的跟踪方案有两类一类是基于检测结果的IoU匹配比如SORT另一类是把外观特征加入关联比如DeepSORT。这个项目既然叫“车辆检测跟踪系统”大概率会在car_tracker.py里实现一个跟踪器类输入是检测框列表输出是带唯一ID的轨迹。最朴素的跟踪逻辑是维护一组已确认的轨迹每条轨迹保存当前框的位置和ID。新来一帧的检测框与上一帧所有轨迹框计算IoU如果某个检测框与某条轨迹的IoU大于设定阈值就认为它是同一辆车更新轨迹位置如果检测框没有匹配上任何轨迹就给它分配一个新ID作为新车加入反过来如果轨迹连续多帧没有匹配到任何检测框就认为车已经离开画面删除这条轨迹。具体实现起来用Python写一个轻量跟踪器并不难伪代码如下class VehicleTracker: def __init__(self, iou_threshold0.3, max_age10): self.tracks {} # id - (bbox, age) self.next_id 0 self.iou_threshold iou_threshold self.max_age max_age def update(self, detections): updated_tracks {} matched_ids set() # 每个检测框与已有轨迹计算IoU找最大IoU且超过阈值的轨迹 for det in detections: best_id, best_iou None, 0 for tid, (tbox, age) in self.tracks.items(): iou self._compute_iou(det[:4], tbox) if iou best_iou and iou self.iou_threshold: best_id, best_iou tid, iou if best_id is not None: updated_tracks[best_id] (det[:4], 0) matched_ids.add(best_id) else: # 新目标分配新ID updated_tracks[self.next_id] (det[:4], 0) self.next_id 1 # 未匹配到的轨迹age加1超过max_age则删除 for tid, (tbox, age) in self.tracks.items(): if tid not in matched_ids: if age self.max_age: updated_tracks[tid] (tbox, age 1) self.tracks updated_tracks return self.tracks这个示例把关键逻辑压缩成一个类update方法接收检测框列表先做IoU匹配匹配上的更新位置没匹配上的视作新车分配ID没被匹配到的旧轨迹则计数age超过max_age就删除。iou_threshold通常取0.3到0.5太小容易把不同车辆串成同一辆太大又会在车辆之间有遮挡时频繁换ID。max_age控制允许目标消失多少帧后丢弃在高速场景里车被路牌短暂遮挡这个小参数就能保住ID。实际工程里很少手写这么简单的跟踪器因为车辆遮挡、形变、光线变化都会让IoU匹配失效。更稳的做法是结合卡尔曼滤波预测下一帧位置再用匈牙利算法做全局最优匹配。但理解这个朴素版本对读项目源码很有帮助——它能让你明白每个参数在调什么而不是把一个跟踪器当黑匣子用。2.3 测速算法像素位移、帧率与距离标定三者的换算关系测速是整个系统里最容易被质疑“不严谨”的部分因为单目摄像头没有一个直接的物理尺度。YOLOv8给出了车辆在图像上的边界框但我们想知道的是它在地面上的实际速度中间必须做一个几何换算。最常见的是“目标点位移法”。选取车辆边界框底边的中心点作为车辆在地面的投影点因为车辆与地面接触底边中心比框中心更能反映真实位置。假设视频帧率为FPS当前帧跟踪到的车辆坐标为(x, y)上一帧坐标为(x_prev, y_prev)两帧之间的时间间隔就是1/FPS秒假设逐帧处理。那么像素位移为distance_px sqrt((x - x_prev)^2 (y - y_prev)^2) time_s 1 / FPS如果把像素位移直接除以时间得到的单位是“像素/秒”这不是我们想要的“米/秒”。需要引入一个比例系数scale表示1像素在实际场景中对应多少米那么速度就变成v_mps distance_px * scale / time_s这个scale怎么来常见做法是在场景里找一个已知实际长度的参照物比如车道虚线。一条标准车道虚线长度是6米在图像上量出它占据多少像素scale就是6除以像素数。也可以用两条相隔已知距离的虚拟检测线记录车辆依次穿过两条线的帧号用距离除以帧间隔时间得到速度。代码里对应的一段逻辑大概是def compute_speed(track_id, center_pt, fps, scale_m_per_px): # 保存每个ID最近一次的位置与帧号 if track_id not in prev_positions: prev_positions[track_id] (center_pt, 0) return None prev_pt, prev_frame prev_positions[track_id] # 帧间隔时间考虑跳帧的情况 dt (current_frame - prev_frame) / fps if dt 0: return None # 像素位移 dx center_pt[0] - prev_pt[0] dy center_pt[1] - prev_pt[1] dist_px (dx * dx dy * dy) ** 0.5 # 换算实际速度单位 m/s转为 km/h 乘3.6 speed_kmh dist_px * scale_m_per_px / dt * 3.6 return speed_kmh举个例子FPS30scale0.1米/像素一辆车在10帧内从(100, 300)移动到(130, 295)像素位移约30.4像素时间0.333秒速度30.40.1/0.3333.6≈32.8km/h。这个数字已经比较接近真实车速。如果scale变成0.2直接翻倍到65.6所以标定非常重要。另外fps建议用视频的实际帧率而不是摄像头标称值center_pt一定要用车辆框底边中点因为车顶会随车辆高度和姿态变化用框中心会有明显抖动。把速度计算放在跟踪ID稳定之后再做可以过滤掉ID跳变带来的离谱数据。到这里检测、跟踪、测速三块的原理就串起来了YOLOv8给出每帧的车辆框跟踪器把框关联成带ID的轨迹测速模块对同一轨迹做像素位移换算。下一章我们就按这个逻辑把工程在本地跑起来看看文件包里每个文件到底干了什么。3. 把工程跑起来环境搭建、文件结构与最小复现步骤3.1 环境准备Ubuntu 20.04或Windows下的YOLOv8环境搭建CPU版也能跑这个项目对硬件的要求比很多人想象中低。Ultralytics YOLOv8的官方实现同时支持CPU和GPU推理如果你手头没有独显用yolov8n或yolov8s这类小模型在CPU上也能跑出几帧每秒的实时效果。环境搭建分三步装Python、装依赖、验证OpenCV能导入。最常见的组合是Python 3.8到3.10配一个虚拟环境。Ubuntu 20.04上很多人习惯用condaWindows上直接用Anaconda Prompt里的conda env也行。下面是推荐的做法conda create -n vehicle_speed python3.9 -y conda activate vehicle_speed pip install opencv-python pip install ultralytics这里opencv-python是OpenCV的标准安装包包含了常用的读视频、画框、图像处理接口。ultralytics则自带YOLOv8的模型加载和推理逻辑它内部会依赖PyTorch所以如果机器上没有GPU装CPU版PyTorch就够了安装速度还更快。如果只想跑推理不做训练不需要额外装CUDA和cuDNN。装完验证一下环境import cv2 print(cv2.__version__) from ultralytics import YOLO model YOLO(yolov8s.pt) # 没有权重文件时会自动下载如果打印出OpenCV版本号并且YOLO对象能创建成功说明环境没问题。这里有个细节yolov8s.pt会自动从官网下载大概22MB如果你的网络不稳定下载可能会卡住建议提前把权重文件放到项目根目录避免运行时卡在下载环节。在Ubuntu 20.04上常见一个坑系统自带的Python版本可能不是3.9或者pip指向的是系统Python而不是虚拟环境里的。解决方法是每次操作前先conda activate再用python -m pip install而不是直接pip这样能避免装在错误的环境里。3.2 文件清单解读car_tracker.py、test.py、coco.txt各自负责什么把zip解压后你会发现核心文件其实不多。car_tracker.py、test.py、coco.txt、requirements.txt、以及两个说明文档外加一个演示视频。很多毕设代码的毛病是全部逻辑堆在一个文件里这个项目的文件划分还算清晰。car_tracker.py是主逻辑所在从文件名看它同时负责车辆检测和跟踪应该定义了一个CarTracker类把YOLOv8模型、跟踪器、速度计算都封装进去。test.py是入口脚本负责读取视频或摄像头流逐帧调用CarTracker把结果画在画面上并显示。coco.txt前面说过是COCO类别列表用来把模型输出映射成可读的类别名。requirements.txt列出了运行环境需要的第三方库一般包含opencv-python、ultralytics、numpy、torch等版本号建议直接照抄不要随意升级。【必看】项目说明.txt和说明.txt里一般会有作者写的启动步骤和注意事项可能是中文的也可能是编码混乱的。解压后第一时间打开它如果乱码用VS Code或Notepad切换成GBK编码再看。演示视频能直接看到最终效果比对着代码猜要直观得多。这样理解文件关系后复现的思路就很清晰先看说明文档再装依赖再跑test.py最后去读car_tracker.py的细节。不要一上来就逐行读代码那样很容易被细节绕晕。3.3 跑通test.py的过程关键代码逻辑与预期输出我一般拿到这样的项目会先跑通再分析代码。跑通的意思是不报错能看到视频窗口、检测框、ID和速度数字。下面这个代码结构是test.py里最常见的写法也是这类系统的标准入口逻辑import cv2 from car_tracker import CarTracker def main(video_path): # 初始化跟踪器加载YOLOv8模型 tracker CarTracker( model_pathyolov8s.pt, conf_threshold0.35, iou_threshold0.45 ) cap cv2.VideoCapture(video_path) if not cap.isOpened(): print(无法打开视频请检查路径) return fps cap.get(cv2.CAP_PROP_FPS) while True: ret, frame cap.read() if not ret: break # 核心调用检测跟踪测速 result tracker.process_frame(frame, fps) # result中一般包含绘制后的画面、车辆ID列表、速度列表 cv2.imshow(Vehicle Speed Detection, result[frame]) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows() if __name__ __main__: main(traffic_video.mp4)CarTracker在car_tracker.py中定义实例化时传入模型路径、置信度阈值、IoU阈值。process_frame是每帧调用的核心方法内部依次执行YOLOv8推理、目标过滤、跟踪器更新、速度计算最后把可视化结果画到帧上。fps从视频文件读取这个值会直接影响速度计算务必确保它不是0。如果跑的是摄像头而不是视频文件cap.get(cv2.CAP_PROP_FPS)经常返回0或者不准确因为摄像头输出帧率不稳定。我一般会改用时间戳计算实际帧间隔用time.time()记录上一帧时间当前帧时间减去上一帧时间作为dt再乘以1000换算成秒。这样哪怕中途掉帧速度也不会突变。test.py里如果只写了固定的FPS建议按这个思路改一改。运行之后你应该能看到类似这样的输出画面里每辆车有一个绿色框框上方显示“ID: 3”和“38.2 km/h”。如果速度显示为0或None有可能是车辆还没被跟踪稳定或者距离系数scale没有标定用了默认的1导致数值异常。如果运行时报错ModuleNotFoundError: No module named cv2那就是OpenCV没装上回到3.1重新安装。如果报No module named ultralytics同样解决。如果报模型权重下载失败在根目录检查是否残留了0字节的pt文件删除后重新下载。4. 参数调优与测速精度想让结果不飘这几个参数必须自己动4.1 模型选择yolov8n到yolov8l的精度与速度权衡YOLOv8官方提供了n、s、m、l、x五个尺寸从左到右参数量逐渐增大精度提升但推理速度下降。在这个检测跟踪系统里模型的选择会直接影响实时性尤其在CPU环境上。模型大小参数量级别COCO精度mAP推理速度GPU适用场景yolov8n3.2M37.3最快CPU或边缘设备yolov8s11.2M44.9快普通PC实时yolov8m25.9M50.2中等GPU环境yolov8l43.7M52.9较慢高精度离线如果你是毕业设计演示用yolov8s足够了既能保证检测准确率也留出了跟踪和绘图的算力余量。如果电脑只有CPU建议用yolov8n并且把输入尺寸imgsz从默认的640降到416或320帧率能提升一倍以上。这里的精度下降在车辆这种大目标上体现得不明显车辆占画面面积大n模型照样能稳定框住。怎么评估当前模型能不能实时可以在推理代码前后加time.time()打印每帧处理耗时。如果单帧耗时超过100毫秒画面就会明显卡顿这时就需要换更小的模型或降低分辨率。修改模型的方法很简单把model_path从yolov8s.pt改成yolov8n.pt即可代码不需要动。4.2 检测与跟踪参数conf、iou、max_age对着视频效果调检测环节有两个最关键的参数conf_threshold置信度阈值和iou_threshold非极大值抑制IoU阈值。conf_threshold默认0.25意思是模型认为“这是车”的概率超过0.25才保留。0.25会输出很多低置信度的框画面会抖且容易把路牌、阴影误检成车所以做跟踪之前我会把它调到0.4或0.45。代价是如果天气不好、车辆和背景颜色接近确实可能漏检但跟踪模块通常能在前几帧保留轨迹短暂漏检问题不大。iou_threshold控制的是同一个物体周围多个候选框的合并IoU超过0.45的框会被合并成一个。值设得越小保留的框越少越不容易出现重复框但可能把并排的两辆车合并成一个。我一般维持0.45不动这是YOLO系列的默认值在车辆场景下表现稳定。跟踪参数主要在VehicleTracker里max_age和匹配用的iou_threshold是两个重点。max_age设为5到15帧都可以高速场景车子被电线杆或树叶短暂遮挡10帧左右的重找回能力很关键。设太大又有风险一辆车已经开走它的轨迹在画面上残留当另一辆车出现在相似位置时可能继承旧ID导致速度计算串数据。建议先设10再按实际视频调。参数效果对照给你一个速查表现象调整方向误检框多画面闪烁提高conf_threshold到0.4同一车辆附近出现多个重复框降低iou_threshold到0.3车辆ID频繁切换提高跟踪匹配IoU到0.5或增大max_age车辆被遮挡后ID消失增大max_age到10~15测速数值偶尔跳变对速度做滑动平均取最近5~10帧中值调参没有万能组合我自己的习惯是拿演示视频反复试每次只改一个参数记录效果再切下一个。4.3 距离标定没有标尺测速就是玄学测速准确度最大的决定因素不是模型而是scale_m_per_px这个系数。如果这个值是凭感觉给的那算出来的速度就是数字游戏可以和真实车速差一倍。标定的过程本质上是在图像坐标系和世界坐标系之间建立映射。最实用的标定方法找一条标准的车道虚线。中国高速公路车道线白色实线长6米虚线间隔9米城市道路虚线通常也是6米但具体要看当地规范。在视频里量出这一条虚线在图像中的像素长度比如量得30像素那scale就是6/300.2米/像素。把这个值填进测速模块的初始化参数里。如果找不到车道线可以用静止的已知尺寸目标比如一辆车长4.5米在画面里占据横向45像素那scale大约是0.1米/像素。需要注意的是这个系数只对同一摄像头安装高度和角度有效摄像头角度一变地面物体的像素比例就不同了。如果项目里支持画虚拟检测线还有一种更稳妥的做法在画面中画两条线量出它们的实际距离用地图测距或现场量然后记录车辆穿过两条线的时间差距离除以时间就是速度完全绕开像素比例。我再强调一次scale标定错误会让所有速度按比例偏大或偏小而且这个误差是系统性的调任何检测参数都救不回来。跑正式演示前务必用一段已知车速的真实视频验证一遍。5. 避坑与排查五个真实踩坑记录从环境到测速全过一遍5.1 环境依赖类的坑坑一pip install ultralytics之后import YOLO报ModuleNotFoundError或AttributeError。现象明明安装了ultralytics代码里from ultralytics import YOLO却报模块找不到或者报YOLO类没有predict方法。原因ultralytics包更新很快某些API在不同版本里改了名或者变了签名。另外如果你在多个Python环境里装了包当前解释器可能没指向你安装的那个环境。解决先检查当前解释器路径which python或print(sys.executable)确认是不是虚拟环境。然后用pip show ultralytics看版本号和requirements.txt里的版本对比。不一致就卸载重装pip uninstall ultralytics -y再pip install ultralytics版本号。版本号务必以项目要求为准不要装最新最新版可能把默认参数都改了。坑二OpenCV装好了但cv2.VideoCapture打开MP4失败或者读帧全是False。现象运行test.py时视频窗口一片黑或者提示无法打开视频用cap.isOpened()打印是False。原因缺失解码器。有些OpenCV发行版没有打包所有视频编码格式尤其H.265编码的视频在旧版OpenCV里直接不支持。解决改用opencv-python-headless或完整版opencv-contrib-python试试headless版主要给服务器用不含GUI但解码能力更全。也可以先用视频转换工具把视频转成H.264编码的MP4再用OpenCV读取这是最省事的方法。5.2 检测跟踪与测速效果类的坑坑三检测框稳定但每个车的ID疯狂跳同一辆车几十帧内换了五六个ID。现象画面上框一直在但每个框上角的ID数字不停变速度数据也跟着乱跳。原因跟踪器的IoU匹配阈值设得太高或太低或者置信度阈值太低导致同一辆车在不同帧被检测成多个不稳定的框。车在转弯或光影变化时检测框抖动超过IoU阈值就会被认为是新目标。解决先把conf_threshold提到0.4以上减少检测框的位置抖动。再把跟踪匹配IoU阈值从0.3调到0.5让更严格的匹配条件作用于“是否同一辆车”。最后给速度计算加一个滑动平均比如取最近10帧速度的中值能明显抑制跳变。坑四车速总是偏大在高速场景里明明限速80显示出来160。现象测速数值整体翻倍或同比例偏大。原因scale_m_per_px这个距离系数不准确或者车辆位置点取了框中心而不是框底边中心。车辆框中心会随车顶高度和镜头角度上下浮动造成像素位移偏大。解决重新标定距离系数用车道虚线的实际长度在视频里量像素。同时改成用((x1x2)/2, y2)作为参考点y2是框底边的y坐标这样才能代表车辆在地面的位置。标定之后用一段车速已知的视频验证偏差超过10%就再调。坑五CPU上跑太慢只有一两帧每秒压根谈不上“实时”。现象视频窗口卡顿检测一帧要花好几秒。原因用了yolov8l或yolov8x模型且输入分辨率保持640×640CPU推理本来就慢。另一种情况是代码里用了一个很大的滑动窗口或未优化的跟踪循环导致每帧耗时成倍增加。解决换yolov8n设置imgsz320这两个改动能把推理时间降到原来五分之一。如果还慢可以隔帧处理比如每两帧做一次检测中间用上一帧的结果做传统跟踪能大幅提升帧率。用一个frame_count % 2控制即可。6. 进阶用法用你的数据重训练YOLOv8让测速更贴近真实场景6.1 数据准备与标注预设的COCO权重对常见的轿车、卡车、巴士识别没有问题但如果你要做的是某个特定场景——比如只识别公交车专用道上的公交车或者想要更精准的小目标检测——就需要用自己的数据微调模型。数据来源可以是项目演示视频抽帧也可以是摄像头录制的道路画面。用LabelImg或labelme标注框出你关心的车导出成YOLO格式的txt文件每行“class_index x_center y_center width height”坐标都是归一化后的数值。6.2 训练命令与参数基本训练命令如下yolo detect train datacustom.yaml modelyolov8s.pt epochs50 batch8 imgsz640custom.yaml里要写三行train、val的图片路径以及names类别名列表。比如names: [car, bus, truck]。epochs从50起步数据量少就加正则或早停batch根据显存调整8G显存跑yolov8s的batch8没问题。训练完成后权重存在runs/detect/train/weights/best.pt把它替换到项目里即可。6.3 模型转换与端侧部署如果要把模型部署到RK3588这类开发板上一般要先用yolo export导出成ONNX再转成RKNN格式。命令是yolo export modelbest.pt formatonnx然后用RKNN-Toolkit2做量化转换。端侧部署时的注意点是输入分辨率、归一化方式必须与训练时一致否则模型输出会异常。这也是嵌入式视觉项目里最常见的翻车点。6.4 最终验证习惯模型换新后不要急着看效果要拿一段时间戳已知的测试视频做验证。我习惯的方法在测速画面里叠加一个显示帧数的注释然后手动对比某辆车通过固定路段的实际耗时反推误差。如果误差稳定在±10%以内这个模型和标定系数才算合格。从那以后我每次换模型或换摄像头都强制走一遍这个流程标定、验证、再标定避免在答辩现场被老师问“你的测速准不准”时答不上来。整个项目代码和演示视频都在下载包里照着第3章的流程跑一遍很快就能复现效果希望帮到你。本文还有配套的精品资源点击获取