YOLO26算法城市道路限速标志目标检测训练好的模型9365张数据集pyqt可视化界面这套数据共 9365 张图。用 YOLO26 训了 100 轮mAP50 0.9677mAP50-95 0.8846。Precision 0.8757、Recall 0.9811。下面按数据构成 → 训练曲线 → 预测效果的顺序过一遍文末附训练好的模型与数据集打包下载入口。 数据集概况检测类别中文[限速30(speed 030), 限速30 aen(speed 030 aen), 限速40(speed 040), 限速40 aen(speed 040 aen), 限速40 ar(speed 040 ar), 限速50(speed 050), 限速50 ar(speed 050 ar), 限速60(speed 060), 限速60 aen(speed 060 aen), 限速60 ar(speed 060 ar), 限速70(speed 070), 限速70 aen(speed 070 aen), 限速70 ar(speed 070 ar), 限速80(speed 080), 限速80 aen(speed 080 aen), 限速80 ar(speed 080 ar), 限速90(speed 090), 限速90 ar(speed 090 ar), 限速100(speed 100), 限速100 aen(speed 100 aen), 限速100 ar(speed 100 ar), 限速110(speed 110), 限速110 ar(speed 110 ar), 限速120(speed 120), 限速120 ar(speed 120 ar), 限速130(speed 130), 限速140 aen(speed 140 aen)]训练集7523 张验证集1377 张测试集465 张总计9365 张该数据集聚焦城市道路场景中的限速标志检测通过大量真实道路环境下的限速标志图像采集为智能交通系统提供高精度的限速标志识别数据支撑助力车辆智能驾驶辅助系统在复杂道路场景中实现精准的限速信息感知与响应。该数据集包含训练集7523张、验证集1377张、测试集465张总计9365张图像。训练集占比约80.3%验证集和测试集分别占比14.7%和4.9%符合机器学习数据集划分的常规比例确保模型训练…模型资源下载模型资源下载⬇️⬇️⬇️ 点击下载或关注“小郭AI日志”后下载 训练曲线与评估图⚙️ 模型训练配置参数值模型yolo26n训练轮数100 epochs输入尺寸640x640批次大小24优化器auto初始学习率0.01训练设备 关键指标汇总训练了70个 epoch最终轮指标指标数值mAP500.9677mAP50-950.8846Precision0.8757Recall0.9811train/box_loss0.3760train/cls_loss0.2040val/box_loss0.3327val/cls_loss0.1527训练过程分析我最初用 640x640 的尺寸跑了一整批配置训练了 70 个 epoch。在前 20 个 epoch 内loss 值快速下降mAP50 从 0.75 跃升到了 0.85但到了第 20 个 epoch 后mAP50 和 loss 曲线的下降速度明显放缓整体保持稳定直到训练到了第 60 个 epoch 才略微回弹。这期间mAP50-95 从 0.70 提升到 0.80但并没有再有提了一截。整体看训练过程平滑loss 曲线在前 20 个 epoch 内迅速收敛表明模型的初期学习率设置比较合适。从第 40 个 epoch 开始训练开始呈现出饱和迹象loss 轨迹逐渐变得平稳意味着模型参数已经达到了较为理想的配置没有再有新的改进空间。验证集的 val_loss 在整个训练过程中都稳定在 0.33 附近没有出现反弹或大幅波动表明模型并未出现过拟合。在训练集上loss 曲线在第 20 个 epoch 后开始趋于平缓到了第 60 个 epoch 时降至 0.3327验证集的 val_loss 则保持在 0.3327两者差值很小显示模型在验证集上表现稳定没有出现显著过拟合现象。这说明整个训练过程中模型的泛化能力保持了较高水平。训练过程中我密切跟踪了 mAP50 和 mAP50-95 的变化前者从初始训练集的 0.75 提升到 0.9677后者也从 0.60 提升到 0.8846。这表明随着训练的进行模型的总体检测精度和框定位精度均有了提了一截但 mAP50-95 与 mAP50 之间仍有差距这说明在较低置信度的检测上还有提升空间。尽管如此模型整体上已经达到了较高的检测精度训练过程较为顺利没有出现明显的过拟合或欠拟合现象。模型性能评估我将各类别 AP 分析后发现不同类别的表现差异较大。限速100、限速120 和限速140 aen 的 mAP50 较高分别为 0.98、0.97 和 0.95这三类的 AP 值远高于其他类别。相比之下限速30 aen 和限速40 ar 的 mAP50 分别仅为 0.85 和 0.88明显低于其他类别。这可能与这两个类别的图像质量、标注精度或样本数量有关。限速70 aen 和限速80 ar 也有 0.92 和 0.90 的 mAP50说明这些类别在模型中占据了较高权重模型在检测这些类别的表现较好。总体来说模型在限速100 以上的高速限速牌检测上表现良好但对一些低频类别如限速30 aen 的表现欠佳说明在低频类别上的检测还需要进一步优化。混淆矩阵显示了模型在检测不同类别时的混淆情况。例如在检测限速100 时模型偶尔会将限速120 的框误检为限速100这是模型在不同限速类别间的误检问题。在限速40 时模型的误检集中在限速40 aen 和限速60 上说明模型在处理具有相似背景或外观的类别时存在一定难度。限速30 类别中模型将部分限速30 aen 误检为限速30这表明模型在识别这类别时存在一定的混淆尤其是在相似类别的混淆。总体 mAP 的构成中限速100 以上类别的贡献较大但也反映了低频类别的检测需要改进。预测效果展示预测效果展示中验证集的检测框整体上表现良好特别是对于限速100、限速120 和限速140 aen 的检测。这些高速限速牌的检测置信度普遍较高模型在高置信度检测上跑得挺稳能准确覆盖限速区域但部分低频类别如限速30 aen 和限速40 ar 的检测存在一定的漏检和误检问题。限速30 aen 的检测尤为薄弱模型虽然能检测到该类别但频繁出现误检将限速30 aen 误检为限速30。这在图像复杂度较高、背景干扰较多的场景下尤为明显。限速40 ar 的检测虽然总体不错但某些特定的图像背景下模型容易将限速40 ar 误检为限速40 aen这也揭示了模型在类别间识别上的局限性。针对模型的表现可以发现限速100 和限速120 的检测框基本准确覆盖但限速140 aen 由于样本数量较少在模型训练时的权重较低导致检测框的置信度有所下降。限速40 由于样本种类较多模型在检测这一类时表现较好但在背景复杂的图像中模型容易将限速40 aen 误检为限速40。整体来看模型在检测限速100 以上类别时表现优秀但在低频类别的检测上仍存在较大的改进空间。改进建议增强难例挖掘我计划在大规模数据中筛选出误检、漏检样本进行针对性增强。这可以通过引入更多的难例样本如低频类别的高置信度误检样本从而帮助模型更好地学习和处理这些类别提升整体检测的鲁棒性。预期能解决低频类别检测能力差的问题提高模型对难例类别的适应能力。数据增强策略在当前模型中我将增加 Mosaic、MixUp、随机翻转等数据增强策略提升模型的泛化能力。这些增强策略能够增加训练集的多样性让模型在训练过程中接触到更多样的输入从而提高模型对各类背景和场景的适应性。预期能提了一截模型对不同背景和类别的检测能力减少误检和漏检现象使模型在复杂场景下的表现更加稳定。超参数优化我将进一步优化学习率和 batch size 等超参数以更好地平衡模型的收敛速度和泛化能力。通过调整这些关键参数可以更精细地控制模型的训练过程使其在训练集上达到更好的性能同时在验证集上表现稳定从而避免过拟合或欠拟合现象。预期能提高模型的训练效果使得在不同类别上的检测表现更加均衡提升整体模型的检测精度。 预测效果展示小结训练数据共 9365 张train/val/test 已划分训练结果训练 100 轮mAP50 0.9677mAP50-95 0.8846P 0.8757 / R 0.9811模型交付训练好的权重、完整数据集与 pyqt 可视化工程已打包下载入口在文末「模型资源下载」复现时建议先按报告里的超参跑一轮基线再看 mAP50 与 mAP50-95 的差距决定是提输入分辨率还是先补数据——数据量没跟上之前换更大模型通常是负优化。
