简介本资源面向计算机视觉方向的毕业设计学生与交通数据分析开发者提供一套可直接运行的道路车流量检测系统。系统基于YOLOv8实时目标检测算法用Python实现车辆识别与计数适用于交通管理、城市规划及道路设计等场景即使没有深厚的数据科学背景也能快速部署使用。压缩包共307个文件约155.1MB包含126个py源码、125个pyc编译文件、37个yaml配置、2个pt权重与2个onnx模型以及mp4测试视频、jpg示例图片和xml标注数据覆盖从训练到推理的完整链路。目前已有88人学习下载。资源附带训练好的模型与数据集代码结构清晰、注释详尽读者可直接复现车流量统计效果并在此基础上调整参数、更换场景或二次开发既节省从零搭建框架的时间也为毕业设计提供可参考的完整工程范例。1. 道路车流量检测系统一份能直接跑通的 YOLOv8 实战资源城市路口那种早晚高峰的车流靠人眼数是不现实的摄像头拍下来之后怎么自动把每辆车的类别认出来、再按帧累计成流量这才是交通调查和信号配时里真正要解决的问题。这份资源就是冲着这个场景来的一套基于 Python 和 YOLOv8 的道路车流量检测系统包含完整源码、训练好的权重yolov8n.pt、yolov8m.pt 以及对应的 onnx 导出文件、示例图片和几段测试视频car.mp4、car2.mp4、traffic.MP4。拿到手不用从零标注、不用自己训模型配好环境就能跑出检测框和计数结果。它适合正在做毕业设计的学生、需要快速搭一个车流统计原型的工程师以及想拿真实权重练手 YOLOv8 推理流程的人。下面我按「资源里有什么 → 怎么跑起来 → 参数怎么调 → 哪里容易翻车」的顺序拆一遍。2. 资源构成与 YOLOv8 检测计数原理2.1 包里到底给了什么先把文件清单理清楚这决定了你能省掉多少活。从项目正文看资源里包含这几类东西文件/目录类型作用yolov8n.pt / yolov8m.ptPyTorch 权重直接加载做推理n 轻量、m 精度更高yolov8n.onnx / yolov8m.onnxONNX 模型跨平台部署用比如 C 或边缘设备car.mp4 / car2.mp4 / traffic.MP4测试视频现成的车流素材省去自己找数据bus.jpg / zidane.jpg示例图片快速验证推理链路是否通edit-Count-car-YOLOv8.iml工程配置IDE 工程文件导入即用这里有个容易被忽略的点.pt和.onnx是两套推理路径。.pt走 Ultralytics 的 Python 接口改起来最方便.onnx走 onnxruntime适合你后面要往非 Python 环境搬。资源同时给了两种说明作者考虑到了部署迁移的需求这点比只丢一个权重文件的包要实在。2.2 YOLOv8 为什么适合车流计数YOLOv8 把检测当成回归问题一次前向就出边界框坐标和类别概率不像两阶段检测那样先出候选框再分类。对车流量统计来说这个特性直接决定了能不能实时。车流视频通常 25 到 30 帧每秒如果单帧推理超过 40 毫秒累计计数就会开始丢帧数字对不上。YOLOv8 相比前几代的改动主要在几个地方骨干网络换了 C2f 模块梯度分流更充分检测头改成解耦头分类和回归分开算训练时用了 Task-Aligned Assigner 做正负样本匹配。这些改动落到实际效果上就是小目标远处车辆召回率更高密集车流里框不容易粘连。对交通场景来说远处那排车能不能框住直接决定计数准不准。2.3 计数逻辑检测框怎么变成流量数字检测本身只给你每帧的框计数得自己加逻辑。常见做法是划一条虚拟线越线计数或者划一个区域进出计数。越线计数的核心是判断目标中心点的运动轨迹有没有穿过设定线段用前后两帧的中心点连线跟计数线做相交判断。# 越线计数核心逻辑示意 def is_crossing(prev_center, curr_center, line_y): 判断目标中心点是否从上往下穿过水平计数线 # prev 在线上方curr 在线下方说明发生了穿越 if prev_center[1] line_y curr_center[1]: return True return False # 每个 track_id 只计一次避免同一辆车反复计数 counted_ids set() for track_id, (prev_c, curr_c) in tracks.items(): if track_id not in counted_ids and is_crossing(prev_c, curr_c, LINE_Y): counted_ids.add(track_id) total_count 1这段逻辑的关键在counted_ids这个集合。没有它一辆车在计数线附近抖动几帧就会被重复计数这是新手最容易踩的坑。参数LINE_Y是计数线的纵坐标一般设在画面中下部避开画面边缘的检测盲区。方向判断上行还是下行靠比较 prev 和 curr 的 y 值大小需要双向计数就写两组判断。3. 环境搭建与推理跑通3.1 Python 环境与依赖安装先说环境。YOLOv8 依赖 PyTorchPyTorch 又跟 CUDA 版本强绑定这一步没弄对后面全是报错。如果你机器上有 NVIDIA 显卡先确认驱动版本再决定装哪个 CUDA 对应的 torch。没有显卡也能跑CPU 版本慢一些但功能完整。# 建议用 conda 建独立环境避免污染系统 Python conda create -n carcount python3.10 -y conda activate carcount # 安装 PyTorch下面这行是 CPU 版本有显卡去官网选对应 CUDA 命令 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 安装 Ultralytics 和视频处理依赖 pip install ultralytics opencv-python numpypython3.10是稳妥选择3.11 以上个别依赖轮子还不全。ultralytics这个包会自动带上 YOLOv8 的推理和训练接口不用单独装。装完用yolo checks验证一下它会打印出 torch 版本、CUDA 是否可用、以及当前能识别的设备。3.2 用示例图片验证推理链路别急着上视频先用 bus.jpg 跑一张图确认模型能加载、能出框。这一步花不了一分钟但能帮你把「模型路径错」「依赖没装全」这类问题提前暴露出来。from ultralytics import YOLO # 加载训练好的权重n 版本快m 版本准 model YOLO(yolov8n.pt) # 对示例图片做推理saveTrue 会把结果图存到 runs 目录 results model(bus.jpg, saveTrue, conf0.25) # 打印检测到的类别和数量 for r in results: boxes r.boxes print(f检测到 {len(boxes)} 个目标) for cls in boxes.cls: print(model.names[int(cls)])conf0.25是置信度阈值低于这个值的框会被丢掉。车流场景里这个值可以适当调低到 0.2因为远处车辆置信度天然偏低阈值太高会漏检。saveTrue会把带框的图存下来方便肉眼核对。如果这一步报FileNotFoundError八成是图片路径不对用绝对路径最稳。3.3 视频流推理与实时计数图片通了之后换视频。视频推理的本质是把每一帧当图片处理再串上跟踪和计数逻辑。YOLOv8 自带track接口内部用的是 ByteTrack能给出稳定的 track_id省得自己写跟踪。import cv2 from ultralytics import YOLO model YOLO(yolov8n.pt) cap cv2.VideoCapture(car.mp4) LINE_Y 400 # 计数线纵坐标按视频分辨率调整 counted_ids set() total 0 while cap.isOpened(): ret, frame cap.read() if not ret: break # persistTrue 让跟踪器在帧间保持状态 results model.track(frame, persistTrue, conf0.25, verboseFalse) if results[0].boxes.id is not None: ids results[0].boxes.id.int().cpu().tolist() centers results[0].boxes.xywh.cpu().numpy() for tid, box in zip(ids, centers): cy box[1] # 中心点 y 坐标 if tid not in counted_ids and cy LINE_Y: counted_ids.add(tid) total 1 # 画计数线 cv2.line(frame, (0, LINE_Y), (frame.shape[1], LINE_Y), (0, 0, 255), 2) cv2.putText(frame, fCount: {total}, (20, 50), cv2.FONT_HERSHEY_SIMPLEX, 1.2, (0, 255, 0), 3) cv2.imshow(Traffic, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()persistTrue是跟踪的关键参数不加的话每帧都会重新分配 id计数直接乱套。verboseFalse只是关掉控制台刷屏不影响结果。LINE_Y400这个值要按你视频的实际分辨率调1080p 的视频设在 600 到 700 之间比较合理设在画面正中间容易把刚进画面的车也算进去。4. 参数调优与模型选型4.1 n 和 m 怎么选资源里给了 yolov8n 和 yolov8m 两套权重这不是让你随便挑一个而是对应不同场景。n 是 nano参数量小、推理快适合 CPU 或者算力有限的设备m 是 medium精度更高但显存和耗时都上去了。模型参数量级推理速度适用场景yolov8n最小最快CPU 实时、边缘设备、低功耗yolov8m中等中等有 GPU、追求召回率、密集车流判断标准很简单先看你的设备有没有 GPU。有 GPU 且显存 4G 以上直接上 m远处车辆的召回明显更好。只有 CPU 的话n 版本在 720p 视频上勉强能跑到 15 到 20 帧m 版本会卡到个位数帧率实时性就没了。我一般会先用 n 把流程跑通确认计数逻辑没问题再换 m 对比精度这样排查问题时变量少。4.2 置信度和 IoU 阈值这两个参数直接决定检测框的多少和重叠处理方式。conf控制「多确信才算目标」iou控制「两个框重叠多少算同一个」。# 车流场景的推荐参数组合 results model.track( frame, persistTrue, conf0.2, # 车流密集时调低减少漏检 iou0.5, # NMS 阈值密集车流可降到 0.45 classes[2, 5, 7], # 只检测 car/bus/truck过滤行人等无关类别 verboseFalse )classes[2, 5, 7]这行值得单独说。COCO 数据集里 car 是 2、bus 是 5、truck 是 7只保留这三类能大幅减少误检也能提速。如果你只关心小汽车就写classes[2]。iou0.5是默认值车流特别密、车辆互相遮挡时降到 0.45 能减少框被合并的情况但降太低会导致同一辆车出多个框。4.3 计数线的位置与方向计数线位置不是随便画的。设在画面最上方车刚进画面还没稳定跟踪就被计数设在最下方车快出画面时可能已经丢失跟踪。经验值是在画面高度的 60% 到 75% 之间。方向判断要看你关心的是单向流量还是双向。双向的话用中心点 y 值的变化方向区分# 双向计数用前后帧中心点判断运动方向 if tid not in counted_ids: if prev_y[tid] LINE_Y cy: down_count 1 # 从上往下 counted_ids.add(tid) elif prev_y[tid] LINE_Y cy: up_count 1 # 从下往上 counted_ids.add(tid)prev_y需要你自己维护一个字典每帧更新。这里要注意跟踪 id 偶尔会跳变目标被遮挡后重新出现会分配新 id所以counted_ids只能防重复防不了 id 跳变导致的漏计。要更稳就得引入 ReID 特征但那是另一个量级的工程了。5. 避坑与常见问题排查5.1 报错找不到模型文件现象运行时报FileNotFoundError: yolov8n.pt但文件明明在目录里。原因通常是工作目录不对IDE 的运行配置里默认工作目录可能不是脚本所在目录。解决要么用绝对路径加载模型要么在代码开头os.chdir(os.path.dirname(__file__))把工作目录切到脚本目录。我习惯直接写绝对路径最省事。5.2 视频能播但计数一直是 0现象检测框正常显示但计数数字不动。原因多半是LINE_Y设的位置不对比如设在了画面顶部车辆中心点从来没穿过。解决先把LINE_Y设到画面正中间测试确认计数逻辑通了再往上调。另一个可能是results[0].boxes.id为 None说明跟踪没生效检查persistTrue有没有加。5.3 CPU 上帧率低到没法看现象用 CPU 跑 yolov8m帧率只有 3 到 5 帧视频像幻灯片。原因m 版本参数量大CPU 推理扛不住。解决换 yolov8n同时把输入分辨率降下来。YOLOv8 默认推理尺寸是 640改成 416 能提速接近一倍代价是远处小目标检测变差。另一个办法是跳帧处理每两帧检测一次中间帧用跟踪结果补实时性会好很多。5.4 同一辆车被计了好几次现象计数结果明显大于实际车辆数。原因跟踪 id 在车辆被遮挡或检测抖动时发生跳变同一辆车拿到多个 id。解决在计数逻辑里加一个距离判断新 id 的中心点如果离刚计数的位置很近就认为是同一辆车跳过。更彻底的办法是调低conf让检测更稳定减少 id 跳变。5.5 ONNX 模型加载报维度错误现象用 onnxruntime 加载 yolov8n.onnx 时报输入维度不匹配。原因ONNX 模型的输入尺寸在导出时就固定了推理时喂进去的图必须 resize 到那个尺寸。解决确认导出时的imgsz参数推理前用cv2.resize把帧缩放到对应尺寸并且注意 NCHW 的维度顺序和归一化到 0 到 1 之间。6. 从计数到落地的进阶技巧跑通基础计数之后真正决定这套系统好不好用的是几个细节。第一个是区域过滤路口视频里经常有对向车道或者非机动车道如果全画面计数数字会虚高。做法是定义一个多边形 ROI只对落在 ROI 内的检测框做计数用cv2.pointPolygonTest判断中心点是否在区域内。import cv2 import numpy as np # 定义感兴趣区域只统计这个多边形内的车辆 ROI np.array([[100, 300], [1100, 300], [1100, 700], [100, 700]]) def in_roi(center, roi): 判断中心点是否落在 ROI 多边形内 return cv2.pointPolygonTest(roi, (float(center[0]), float(center[1])), False) 0pointPolygonTest返回正值表示在内部0 表示在边界上负值在外部。ROI 的坐标要按你的视频分辨率手动标标的时候可以先截一帧图用画图工具量像素坐标。第二个是数据记录。光在画面上显示数字没用得存下来才能做后续分析。常见做法是每隔固定时间把当前计数写进 CSV带上时间戳方便后面画流量曲线。import csv import time # 每 60 秒记录一次累计流量 with open(traffic_log.csv, a, newline) as f: writer csv.writer(f) writer.writerow([time.strftime(%Y-%m-%d %H:%M:%S), total])第三个是验证计数准不准。别只看画面上的数字要拿一段已知车辆数的视频做基准。做法是人工数一遍某段视频的实际车辆数再跟系统输出对比算误差率。误差在 5% 以内算可用超过 10% 就得回头查计数线和跟踪参数。我一般会截取 30 秒的片段做对比太长人工数不过来太短统计意义不够。最后一个习惯每次换视频源都先把LINE_Y和 ROI 重新标一遍别直接套用上一个视频的参数。不同摄像头的高度、角度、分辨率都不一样参数不通用。从那以后我每次接新视频都强制走一遍「截帧 → 标 ROI → 定计数线 → 跑 30 秒验证」这个流程能省掉大量事后对不上账的麻烦。希望帮到你。本文还有配套的精品资源点击获取
基于YOLOv8的道路车流量检测系统实战：源码、权重与调优指南
简介本资源面向计算机视觉方向的毕业设计学生与交通数据分析开发者提供一套可直接运行的道路车流量检测系统。系统基于YOLOv8实时目标检测算法用Python实现车辆识别与计数适用于交通管理、城市规划及道路设计等场景即使没有深厚的数据科学背景也能快速部署使用。压缩包共307个文件约155.1MB包含126个py源码、125个pyc编译文件、37个yaml配置、2个pt权重与2个onnx模型以及mp4测试视频、jpg示例图片和xml标注数据覆盖从训练到推理的完整链路。目前已有88人学习下载。资源附带训练好的模型与数据集代码结构清晰、注释详尽读者可直接复现车流量统计效果并在此基础上调整参数、更换场景或二次开发既节省从零搭建框架的时间也为毕业设计提供可参考的完整工程范例。1. 道路车流量检测系统一份能直接跑通的 YOLOv8 实战资源城市路口那种早晚高峰的车流靠人眼数是不现实的摄像头拍下来之后怎么自动把每辆车的类别认出来、再按帧累计成流量这才是交通调查和信号配时里真正要解决的问题。这份资源就是冲着这个场景来的一套基于 Python 和 YOLOv8 的道路车流量检测系统包含完整源码、训练好的权重yolov8n.pt、yolov8m.pt 以及对应的 onnx 导出文件、示例图片和几段测试视频car.mp4、car2.mp4、traffic.MP4。拿到手不用从零标注、不用自己训模型配好环境就能跑出检测框和计数结果。它适合正在做毕业设计的学生、需要快速搭一个车流统计原型的工程师以及想拿真实权重练手 YOLOv8 推理流程的人。下面我按「资源里有什么 → 怎么跑起来 → 参数怎么调 → 哪里容易翻车」的顺序拆一遍。2. 资源构成与 YOLOv8 检测计数原理2.1 包里到底给了什么先把文件清单理清楚这决定了你能省掉多少活。从项目正文看资源里包含这几类东西文件/目录类型作用yolov8n.pt / yolov8m.ptPyTorch 权重直接加载做推理n 轻量、m 精度更高yolov8n.onnx / yolov8m.onnxONNX 模型跨平台部署用比如 C 或边缘设备car.mp4 / car2.mp4 / traffic.MP4测试视频现成的车流素材省去自己找数据bus.jpg / zidane.jpg示例图片快速验证推理链路是否通edit-Count-car-YOLOv8.iml工程配置IDE 工程文件导入即用这里有个容易被忽略的点.pt和.onnx是两套推理路径。.pt走 Ultralytics 的 Python 接口改起来最方便.onnx走 onnxruntime适合你后面要往非 Python 环境搬。资源同时给了两种说明作者考虑到了部署迁移的需求这点比只丢一个权重文件的包要实在。2.2 YOLOv8 为什么适合车流计数YOLOv8 把检测当成回归问题一次前向就出边界框坐标和类别概率不像两阶段检测那样先出候选框再分类。对车流量统计来说这个特性直接决定了能不能实时。车流视频通常 25 到 30 帧每秒如果单帧推理超过 40 毫秒累计计数就会开始丢帧数字对不上。YOLOv8 相比前几代的改动主要在几个地方骨干网络换了 C2f 模块梯度分流更充分检测头改成解耦头分类和回归分开算训练时用了 Task-Aligned Assigner 做正负样本匹配。这些改动落到实际效果上就是小目标远处车辆召回率更高密集车流里框不容易粘连。对交通场景来说远处那排车能不能框住直接决定计数准不准。2.3 计数逻辑检测框怎么变成流量数字检测本身只给你每帧的框计数得自己加逻辑。常见做法是划一条虚拟线越线计数或者划一个区域进出计数。越线计数的核心是判断目标中心点的运动轨迹有没有穿过设定线段用前后两帧的中心点连线跟计数线做相交判断。# 越线计数核心逻辑示意 def is_crossing(prev_center, curr_center, line_y): 判断目标中心点是否从上往下穿过水平计数线 # prev 在线上方curr 在线下方说明发生了穿越 if prev_center[1] line_y curr_center[1]: return True return False # 每个 track_id 只计一次避免同一辆车反复计数 counted_ids set() for track_id, (prev_c, curr_c) in tracks.items(): if track_id not in counted_ids and is_crossing(prev_c, curr_c, LINE_Y): counted_ids.add(track_id) total_count 1这段逻辑的关键在counted_ids这个集合。没有它一辆车在计数线附近抖动几帧就会被重复计数这是新手最容易踩的坑。参数LINE_Y是计数线的纵坐标一般设在画面中下部避开画面边缘的检测盲区。方向判断上行还是下行靠比较 prev 和 curr 的 y 值大小需要双向计数就写两组判断。3. 环境搭建与推理跑通3.1 Python 环境与依赖安装先说环境。YOLOv8 依赖 PyTorchPyTorch 又跟 CUDA 版本强绑定这一步没弄对后面全是报错。如果你机器上有 NVIDIA 显卡先确认驱动版本再决定装哪个 CUDA 对应的 torch。没有显卡也能跑CPU 版本慢一些但功能完整。# 建议用 conda 建独立环境避免污染系统 Python conda create -n carcount python3.10 -y conda activate carcount # 安装 PyTorch下面这行是 CPU 版本有显卡去官网选对应 CUDA 命令 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 安装 Ultralytics 和视频处理依赖 pip install ultralytics opencv-python numpypython3.10是稳妥选择3.11 以上个别依赖轮子还不全。ultralytics这个包会自动带上 YOLOv8 的推理和训练接口不用单独装。装完用yolo checks验证一下它会打印出 torch 版本、CUDA 是否可用、以及当前能识别的设备。3.2 用示例图片验证推理链路别急着上视频先用 bus.jpg 跑一张图确认模型能加载、能出框。这一步花不了一分钟但能帮你把「模型路径错」「依赖没装全」这类问题提前暴露出来。from ultralytics import YOLO # 加载训练好的权重n 版本快m 版本准 model YOLO(yolov8n.pt) # 对示例图片做推理saveTrue 会把结果图存到 runs 目录 results model(bus.jpg, saveTrue, conf0.25) # 打印检测到的类别和数量 for r in results: boxes r.boxes print(f检测到 {len(boxes)} 个目标) for cls in boxes.cls: print(model.names[int(cls)])conf0.25是置信度阈值低于这个值的框会被丢掉。车流场景里这个值可以适当调低到 0.2因为远处车辆置信度天然偏低阈值太高会漏检。saveTrue会把带框的图存下来方便肉眼核对。如果这一步报FileNotFoundError八成是图片路径不对用绝对路径最稳。3.3 视频流推理与实时计数图片通了之后换视频。视频推理的本质是把每一帧当图片处理再串上跟踪和计数逻辑。YOLOv8 自带track接口内部用的是 ByteTrack能给出稳定的 track_id省得自己写跟踪。import cv2 from ultralytics import YOLO model YOLO(yolov8n.pt) cap cv2.VideoCapture(car.mp4) LINE_Y 400 # 计数线纵坐标按视频分辨率调整 counted_ids set() total 0 while cap.isOpened(): ret, frame cap.read() if not ret: break # persistTrue 让跟踪器在帧间保持状态 results model.track(frame, persistTrue, conf0.25, verboseFalse) if results[0].boxes.id is not None: ids results[0].boxes.id.int().cpu().tolist() centers results[0].boxes.xywh.cpu().numpy() for tid, box in zip(ids, centers): cy box[1] # 中心点 y 坐标 if tid not in counted_ids and cy LINE_Y: counted_ids.add(tid) total 1 # 画计数线 cv2.line(frame, (0, LINE_Y), (frame.shape[1], LINE_Y), (0, 0, 255), 2) cv2.putText(frame, fCount: {total}, (20, 50), cv2.FONT_HERSHEY_SIMPLEX, 1.2, (0, 255, 0), 3) cv2.imshow(Traffic, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()persistTrue是跟踪的关键参数不加的话每帧都会重新分配 id计数直接乱套。verboseFalse只是关掉控制台刷屏不影响结果。LINE_Y400这个值要按你视频的实际分辨率调1080p 的视频设在 600 到 700 之间比较合理设在画面正中间容易把刚进画面的车也算进去。4. 参数调优与模型选型4.1 n 和 m 怎么选资源里给了 yolov8n 和 yolov8m 两套权重这不是让你随便挑一个而是对应不同场景。n 是 nano参数量小、推理快适合 CPU 或者算力有限的设备m 是 medium精度更高但显存和耗时都上去了。模型参数量级推理速度适用场景yolov8n最小最快CPU 实时、边缘设备、低功耗yolov8m中等中等有 GPU、追求召回率、密集车流判断标准很简单先看你的设备有没有 GPU。有 GPU 且显存 4G 以上直接上 m远处车辆的召回明显更好。只有 CPU 的话n 版本在 720p 视频上勉强能跑到 15 到 20 帧m 版本会卡到个位数帧率实时性就没了。我一般会先用 n 把流程跑通确认计数逻辑没问题再换 m 对比精度这样排查问题时变量少。4.2 置信度和 IoU 阈值这两个参数直接决定检测框的多少和重叠处理方式。conf控制「多确信才算目标」iou控制「两个框重叠多少算同一个」。# 车流场景的推荐参数组合 results model.track( frame, persistTrue, conf0.2, # 车流密集时调低减少漏检 iou0.5, # NMS 阈值密集车流可降到 0.45 classes[2, 5, 7], # 只检测 car/bus/truck过滤行人等无关类别 verboseFalse )classes[2, 5, 7]这行值得单独说。COCO 数据集里 car 是 2、bus 是 5、truck 是 7只保留这三类能大幅减少误检也能提速。如果你只关心小汽车就写classes[2]。iou0.5是默认值车流特别密、车辆互相遮挡时降到 0.45 能减少框被合并的情况但降太低会导致同一辆车出多个框。4.3 计数线的位置与方向计数线位置不是随便画的。设在画面最上方车刚进画面还没稳定跟踪就被计数设在最下方车快出画面时可能已经丢失跟踪。经验值是在画面高度的 60% 到 75% 之间。方向判断要看你关心的是单向流量还是双向。双向的话用中心点 y 值的变化方向区分# 双向计数用前后帧中心点判断运动方向 if tid not in counted_ids: if prev_y[tid] LINE_Y cy: down_count 1 # 从上往下 counted_ids.add(tid) elif prev_y[tid] LINE_Y cy: up_count 1 # 从下往上 counted_ids.add(tid)prev_y需要你自己维护一个字典每帧更新。这里要注意跟踪 id 偶尔会跳变目标被遮挡后重新出现会分配新 id所以counted_ids只能防重复防不了 id 跳变导致的漏计。要更稳就得引入 ReID 特征但那是另一个量级的工程了。5. 避坑与常见问题排查5.1 报错找不到模型文件现象运行时报FileNotFoundError: yolov8n.pt但文件明明在目录里。原因通常是工作目录不对IDE 的运行配置里默认工作目录可能不是脚本所在目录。解决要么用绝对路径加载模型要么在代码开头os.chdir(os.path.dirname(__file__))把工作目录切到脚本目录。我习惯直接写绝对路径最省事。5.2 视频能播但计数一直是 0现象检测框正常显示但计数数字不动。原因多半是LINE_Y设的位置不对比如设在了画面顶部车辆中心点从来没穿过。解决先把LINE_Y设到画面正中间测试确认计数逻辑通了再往上调。另一个可能是results[0].boxes.id为 None说明跟踪没生效检查persistTrue有没有加。5.3 CPU 上帧率低到没法看现象用 CPU 跑 yolov8m帧率只有 3 到 5 帧视频像幻灯片。原因m 版本参数量大CPU 推理扛不住。解决换 yolov8n同时把输入分辨率降下来。YOLOv8 默认推理尺寸是 640改成 416 能提速接近一倍代价是远处小目标检测变差。另一个办法是跳帧处理每两帧检测一次中间帧用跟踪结果补实时性会好很多。5.4 同一辆车被计了好几次现象计数结果明显大于实际车辆数。原因跟踪 id 在车辆被遮挡或检测抖动时发生跳变同一辆车拿到多个 id。解决在计数逻辑里加一个距离判断新 id 的中心点如果离刚计数的位置很近就认为是同一辆车跳过。更彻底的办法是调低conf让检测更稳定减少 id 跳变。5.5 ONNX 模型加载报维度错误现象用 onnxruntime 加载 yolov8n.onnx 时报输入维度不匹配。原因ONNX 模型的输入尺寸在导出时就固定了推理时喂进去的图必须 resize 到那个尺寸。解决确认导出时的imgsz参数推理前用cv2.resize把帧缩放到对应尺寸并且注意 NCHW 的维度顺序和归一化到 0 到 1 之间。6. 从计数到落地的进阶技巧跑通基础计数之后真正决定这套系统好不好用的是几个细节。第一个是区域过滤路口视频里经常有对向车道或者非机动车道如果全画面计数数字会虚高。做法是定义一个多边形 ROI只对落在 ROI 内的检测框做计数用cv2.pointPolygonTest判断中心点是否在区域内。import cv2 import numpy as np # 定义感兴趣区域只统计这个多边形内的车辆 ROI np.array([[100, 300], [1100, 300], [1100, 700], [100, 700]]) def in_roi(center, roi): 判断中心点是否落在 ROI 多边形内 return cv2.pointPolygonTest(roi, (float(center[0]), float(center[1])), False) 0pointPolygonTest返回正值表示在内部0 表示在边界上负值在外部。ROI 的坐标要按你的视频分辨率手动标标的时候可以先截一帧图用画图工具量像素坐标。第二个是数据记录。光在画面上显示数字没用得存下来才能做后续分析。常见做法是每隔固定时间把当前计数写进 CSV带上时间戳方便后面画流量曲线。import csv import time # 每 60 秒记录一次累计流量 with open(traffic_log.csv, a, newline) as f: writer csv.writer(f) writer.writerow([time.strftime(%Y-%m-%d %H:%M:%S), total])第三个是验证计数准不准。别只看画面上的数字要拿一段已知车辆数的视频做基准。做法是人工数一遍某段视频的实际车辆数再跟系统输出对比算误差率。误差在 5% 以内算可用超过 10% 就得回头查计数线和跟踪参数。我一般会截取 30 秒的片段做对比太长人工数不过来太短统计意义不够。最后一个习惯每次换视频源都先把LINE_Y和 ROI 重新标一遍别直接套用上一个视频的参数。不同摄像头的高度、角度、分辨率都不一样参数不通用。从那以后我每次接新视频都强制走一遍「截帧 → 标 ROI → 定计数线 → 跑 30 秒验证」这个流程能省掉大量事后对不上账的麻烦。希望帮到你。本文还有配套的精品资源点击获取
