干这一行的人应该都有同感交通标志检测是目标检测所有场景里“看起来简单、做起来折磨”的典型。标志尺寸小、类别多且相似度高、户外光照随时在变再加上雨雪遮挡和运动模糊一套模型要在车端那点算力上跑得又准又快真不是随便跑几个epoch就能交差的。YOLOv5到现在依然是性价比最高的选择之一尤其是配合一套干净的数据集和合理的源码改动完全可以在可控成本内做出可靠的识别效果。这篇东西我会把自己实际用YOLOv5做交通标志检测与识别的完整套路摊开讲讲从数据集的选型清洗、标注格式转换、模型配置与训练调参到推理阶段的精度问题和边缘端部署优化每一步都有操作细节和踩坑记录适合正在入门目标检测的学生也适合已经把YOLOv5跑通但准备往实际项目上推的开发者参考。1. 交通标志检测的难点为什么偏偏是YOLOv5能顶住交通标志检测和通用物体检测有本质区别。通用检测里“人”“车”“猫”“狗”这类目标尺寸相对稳定特征冗余度高交通标志则是典型的极小目标在一个1920×1080的画面里一个限速标志可能只有30×30像素甚至更小占整张图不到0.1%的面积。而且标志类别之间差异非常细限速40和限速50的区别就是几个像素的数字圆形红框和圆形蓝框的分界线也非常明确。这些问题叠加在一起对小目标特征提取能力、分类边界敏感度和实时性要求都极其苛刻。传统方案和早期深度学习方案各有各的死穴。基于颜色分割加形状检测的老办法遇到逆光、阴影、褪色标志基本就废了两步检测器旧版Faster R-CNN那一路精度倒是能看但一张图跑几十毫秒到上百毫秒视频流处理根本扛不住。YOLOv5能在中间找到一个很合适的平衡点它把检测当成回归任务一步到位没有独立的候选框生成阶段速度上的优势非常明显——在GTX 1080Ti上跑640分辨率输入YOLOv5s的推理速度能到8毫秒左右完全满足实时需求而它通过多层特征融合PANet结构保留小目标的浅层特征响应再配合可调anchor机制让交通标志这类小目标有了被“看见”的通道这一点在项目实测中极其重要。具体到YOLOv5的源码架构上它对交通标志场景有三个天然友好的设计Mosaic数据增强把四张图拼成一张训练相当于把画面里的小目标数量成倍放大对标志这种天然稀疏的目标非常有效。自适应anchor计算训练前会自动统计数据集中真实框的宽高分布并重新聚类计算anchor不需要背着默认参数硬上。多尺度训练与推理训练时随机切换不同输入尺寸推理时可按需选择640、960甚至1280小目标场景可以靠“上分辨率”换取召回。当然这几个优势能不能全部兑现关键还看数据集和训练策略。接下来我详细拆数据这块因为这是整个项目里最脏最累但性价比最高的一环。2. 数据集的选型、清洗与标注处理实战交通标志的实际样本来源就三条路公开数据、自采数据、合成数据。我建议的路线是“公开为主、自采为辅、合成为补充”前提是你先把公开数据集里的坑摸清楚。2.1 公开数据集怎么选各有什么坑市面上能直接下载到的交通标志数据集不少但质量参差不齐。我根据自己做项目的经验做了个横向对比方便你判断该用哪个数据集特征数据A国内路况数据B欧洲街景数据C城市路口图片数量上万张涵盖高速与城市数千张场景相对单一数千张偏郊区道路标注类别数十类含限速/禁令/警告等数十类类别体系完善类别较少但清晰度高小目标占比中等大量远距离标志高多数标志像素极小偏低采集距离较近标注精度部分框偏移严重规整但存在重复框较规整适合用途国内落地项目首选算法验证与小目标专项边缘端快速白盒验证数据A的问题是标注质量不稳定有些大图的标志框框得松松垮垮尤其是模糊的远距离标志数据B的标注相对规整但欧洲路况和国内的路牌风格差异大直接拿来当主训练集会水土不服。数据C适合做快速验证但类别少不是生产级选择。我实测的结论是主力用数据A把数据B里的小目标图片抽一部分当补充数据C可以用来快速搭建demo验证改动是否有效。三者切换时要特别注意类别的对齐映射不同数据集里同类标志的类别ID可能不一样稍不留神就是错乱。2.2 标注格式统一与清洗代码直接拿走下载下来的公开数据集格式五花八门有的是VOC XML有的是COCO JSON有的干脆是自己的一套txt。YOLOv5需要的是每张图对应一个同名txt每行内容为“类别 x_center y_center width height”中心点坐标和宽高都是相对图像宽高的归一化浮点数。这里每一步都要小心归一化坐标算错或者图片读取尺寸不一致模型训练出来就直接废了。我通常用一个脚本来完成从VOC XML或标注表到YOLO格式的批处理。核心逻辑是遍历所有XML解析object节点里的bndbox坐标再除以图片宽高得到归一化值。关键点是解析前先确认图片实际尺寸很多数据集的XML里没有width/height字段而直接读取图片又可能因为EXIF旋转导致宽高颠倒。稳妥做法是优先从图片文件本身读取宽高而不是依赖XML自带的size字段。清洗环节往往被新手忽略但这步对模型上限的提升比调参还大。我会按这三条规则过一遍数据去掉目标框面积小于原图0.001%且又模糊不可辨别的样本这类样本对训练几乎无益还会把模型带偏。去掉标注框与标志实际轮廓偏差严重的样本例如框内包含了大面积背景或框只覆盖了一部分标志。去掉类别标错的样本这个基本只能靠人工抽检优先检查数量最多的那几个类别比如限速和禁止标志往往容易混。清洗一遍之后样本数可能从一万张降到八千张但训练出的模型mAP通常会涨2~4个点效果立竿见影。2.3 数据增强策略哪些适合交通标志YOLOv5自带增强开关在hyp.scratch-low.yaml里默认已经开了Mosaic、随机仿射、HSV扰动等。针对交通标志场景我会额外做两个调整加大旋转和透视范围车辆行驶中看到的标志往往有侧倾或透视变形把旋转范围从默认的10度提高到20度透视参数从0.0调整到0.2模拟弯道和侧方观察。加高斯模糊和噪声对应雨天、尘土、传感器噪声场景。在albumentations之类的外部管线里对输入图像以一定概率叠加轻度模糊和椒盐噪声注意别加太重否则会破坏标志本身的纹理。限制过度的颜色扰动标志的颜色是强语义特征HSV saturation的默认范围可以保留但hue的偏移量最好压低避免蓝色标志被偏成紫色导致模型学偏。这里有个容易被忽略的原则增强是让你在不增加标注成本的情况下复现真实场景分布而不是把图片改得不像真实世界。交通标志检测的高频失败场景是逆光和远距离所以相比颜色剧烈变化我更推荐在亮度对比度上做文章并对整图的随机裁剪保持克制。3. 基于YOLOv5的配置修改、源码定制与训练调参数据就绪之后进入模型侧的工作。这个阶段的核心不是跑通训练那么浅而是让YOLOv5的配置真正贴合交通标志的小目标分布和类别特点。3.1 模型版本选型与配置文件改动YOLOv5有n/s/m/l/x五个规格从轻到重分别是参数量和精度的递进。交通标志检测通常部署在车载设备或边缘盒子我推荐把YOLOv5s作为起点参数量大约7.2M处理640×640检测速度极快精度也够用如果你跑下来召回率不达标再考虑升级到m而不是一上来就上l或x。边缘端推理最怕模型复杂化之后反而拖垮帧率。下载源码之后需要改三个核心文件数据配置yaml、模型结构yaml、训练参数。数据配置yaml比如新建traffic_sign.yaml内容大概长这样train: ./dataset/images/train val: ./dataset/images/val nc: 32 names: [speed_limit_30, speed_limit_40, speed_limit_50, ...]这里nc要严格改成你的类别数names列表顺序必须和标注txt里的类别ID完全对应。最常见的报错就出现在这里标注里类别ID是1~N但names列表从0开始数导致训练时标签越界。模型结构yaml的改动则更有讲究。我把YOLOv5s.yaml里的nc改成自己的类别数同时把检测器的细粒度特征层往里加了一层。默认配置是检测P3、P4、P5三个尺度的特征层P3对应小目标但交通标志很多比P3的锚定尺度还要小所以我在源码里把P2层也接入检测头让8倍下采样的大特征图参与预测。这个改动在源码中不复杂代价是训练显存增加20%左右但对小目标的召回率提升明显。另外anchor不是必须手动的。YOLOv5训练启动时会在CheckAnchors阶段自动计算数据集的anchor但如果你在yaml里预先指定了一组与数据分布更接近的anchor训练收敛会更快。具体做法是先用k-means对训练集所有真实框做聚类得到9个宽高比组合然后填到模型yaml的anchors字段里。我建议初始anchor可以设置得更小因为交通标志的目标比例整体偏小。3.2 训练命令与关键超参数的实际取舍环境配置部分直接过Python 3.8、PyTorch 1.10安装requirements.txt里的依赖即可。训练命令通常长这样python train.py --data traffic_sign.yaml --cfg models/yolov5s_traffic.yaml --weights yolov5s.pt --batch-size 16 --epochs 300 --imgsz 640 --device 0 --multi-scale几个超参数单独说一下--multi-scale建议打开训练时输入尺寸会在0.5~1.5倍之间随机变化对增强模型对不同距离标志的适应力很有帮助代价是每个batch的耗时上升。--batch-size取决于显存但要注意多尺度模式下显存波动别把显卡塞满否则训练途中容易出现OOM中止。--epochs不要迷信300这个数我建议选一个较大值同时配合早停。YOLOv5自带早停当验证集mAP连续多轮默认100轮不提升时自动停止避免无效训练时间。训练过程中重点关注两个实时指标验证集的mAP0.5和Recall。交通标志这种小目标场景precision可能很高但recall拉胯那说明模型“保守过头”宁可漏检也不误检这对实际应用来说往往不够。我会在训练日志里同时盯这两个值如果recall低于0.8基本判定需要调整数据分布或增强策略。3.3 源码级定制针对交通标志的NMS与后处理改造这部分算是我个人经验里比较值钱的一段。默认NMS在候选框重叠时通过IOU阈值去重对普通目标没问题但交通标志存在同类目标相邻且重叠的情况比如两个限速标志并排出现在一个区域内。如果IOU阈值设得偏高两个框可能被当成一个框合并掉直接丢失一个目标。我常用的处理是把NMS替换为DIoU-NMS或Soft-NMS。YOLOv5源码的general.py里有现成的NMS函数我通过增加一个简单的掩码变化实现Soft版本不再直接把重叠超过阈值的框置信度清零而是按重叠程度衰减其置信度。这样两个并排标志都能保留只是置信度稍微下降。实测在标志密集的路口场景召回率能提升2~3个点。另外一个定制是置信度阈值的动态机制。在低阈值下模型会吐出一堆低置信度的框包含大量误检但直接调高阈值又会把难例的正确检测一起滤掉。我最后采用的做法是在推理代码里分别设置conf_thres用于常规目标对面积小于一定像素且类别属于限速、禁令的框使用更低的conf_thres因为小目标本身的置信度天然偏低这一步是纯源码层的微调效果却很直接。4. 推理部署、精度评估与边缘端优化的完整链路训练的终点是落地。这个阶段需要同时处理模型的格式转换、速度优化和预估精度与实测精度的落差每一环都有不少门道。4.1 模型导出与加速PyTorch模型不能直接拿到生产环境跑我通常走“PyTorch → ONNX → TensorRT”的路线在支持GPU的边缘设备上可以获得非常好的加速收益。python export.py --weights runs/train/exp/weights/best.pt --include onnx --dynamic --simplify python export.py --weights best.onnx --include engine --device 0 --half第一段导出ONNX时我建议打开--dynamic动态输入尺寸方便后续对不同分辨率做推理--simplify用onnx-simplifier清理掉冗余算子。第二段从ONNX转TensorRT的engine文件时打开--half半精度浮点在小数点精度影响可忽略的同时推理速度往往能翻一倍。实测在边缘设备上YOLOv5s的TensorRT FP16推理速度能到30~40FPS中等算力足够支撑实时检测。如果设备不支持TensorRT那就直接用ONNX Runtime跑。这种情况下要注意输入尺寸固定避免动态维度带来的额外耗时。有一个小细节TensorRT的batch size最小化要设置成1或4否则显存分配会偏大影响其他任务。4.2 精度评估和常见失败样本排摸模型练完别急着上线先拿一组留出测试集跑一轮完整的mAP评估还要重点挑出失败样本逐个分析。我发现交通标志检测的失败模式高度集中失败场景典型原因常用处理手段远距离小标志漏检特征图分辨率不足增大输入分辨率接入P2检测层逆光/阴影下漏检样本分布缺失增加亮度扰动采集逆光样本广告牌/圆形标识误检背景语义相似增加负样本调整置信度阈值多个标志并列漏检NMS合并替换Soft-NMS / DIoU-NMS模糊/雨天漏检纹理信息缺失轻微模糊增强降低conf_thres针对这些失败样本最笨但最有效的方法就是回到数据层把失败样本归到一个“补充集中”人工标注后并入训练集再迭代一轮通常效果立竿见影。这比反复调超参数要靠谱得多。4.3 工程化部署中的帧处理与状态平滑真正放到视频流场景里单帧检测的不稳定性会被放大。某一帧漏检了下一帧又检测到结果看起来就是“闪烁”的识别框非常影响使用体验。我在工程里加了两个简单机制来平滑结果帧间目标跟踪利用目标框的中心点位移做轻量级关联连续多帧出现在同一位置的标志即使某一两帧漏检也能保持框的延续显示。置信度滑动平均对同一个跟踪目标的置信度取多帧均值只有均值低于阈值时才撤销框避免单帧抖动导致的误判。这些逻辑放在业务代码层面即可不用改模型结构。它们对真实场景体验的提升比模型再涨两个点mAP还明显。硬件侧边缘设备的功耗和散热也是实际要考的。跑TensorRT推理时GPU占用可能不低长时间运行要注意设备散热。我在车载验证时遇到过设备因高温降频导致帧率骤降的问题后来在代码里加了简单的推理频率控制——检测帧率和视频帧率解耦检测可以按每2帧或3帧跑一次中间帧用上一帧结果插值既保平滑又减负载。我在这条路上最大的体会是YOLOv5做交通标志检测70%的成败在数据20%在配置和训练细节只有10%在模型结构本身。与其不断换新模型追指标不如先把手头的数据搞干净、把推理链路做扎实。很多新手盯着mAP看而真正上线的时候决定项目生死的往往是NMS那一个框的取舍和边缘设备上那几瓦功耗的控制。最后再分享一个实用小技巧训练完成后把results.png里那张PR曲线图放大看下限速和禁止标志那一类如果曲线尾段下降特别陡说明置信度阈值必须单独调别指望一个统一阈值吃遍所有类别。希望这篇内容能让你在这个项目上少走几圈弯路。