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。
-
模型的输入尺寸固定为 640x480，在此图像输入下，采用 PyTorch 平均推理一张图片的耗时约为 50ms，采用 ONNX Runtime 推理平均耗时约为 40ms（CPU：11th Intel Core i5-1155G7 2.50GHz，Model：YOLO11n）。
在当前数据集下信号灯目标检测准确性指标：
| 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。
首先需要安装环境依赖包，本项目目前采用 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 中下载训练好的模型权重文件，解压到 inferences/models 目录下，运行主程序 main.py 即可。
python main.py --sources "1.jpg" "2.jpg" --outputs "result_1.jpg" "result_2.jpg"
主程序 main.py 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。 |
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 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 Ultralytics 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