项目背景
随着城市化进程加速，智能交通对信号灯自动检测的需求日益迫切。传统方法受限于光照、遮挡等因素，难以在复杂环境中稳定工作。深度学习目标检测算法，尤其是 YOLO 系列，为此提供了理想解决方案。本项目基于 YOLOv10 构建了一套信号灯检测与识别系统，旨在提升交通管理智能化水平。
系统架构与模块
系统核心在于精准定位与状态识别，主要包含以下模块：
- 数据采集：支持静态图像、视频流及实时摄像头输入。
- 预处理：执行图像去噪与尺寸调整，适配检测任务。
- 检测识别：利用 YOLOv10 进行定位分类及状态判断（红/绿/黄/灭）。
- 结果反馈：通过界面实时展示并支持数据存储。
为提升推理效率，引入 TensorRT 优化计算图，支持 FP16/INT8 混合精度运算，确保在边缘设备上的实时性。
技术选型与对比
YOLOv10 在精度、速度与计算效率上较前代有显著提升。相比 YOLOv4/v5/v6/v7，它在保留高精度的同时优化了特征提取模块和多尺度预测机制。特别是无锚框机制的动态边界框计算，增强了复杂背景下的泛化能力。EIoU 损失函数的引入进一步提升了边界框预测精度。
网络结构方面，改进的主干网络配合 PANet 和 Transformer 模块，增强了多尺度特征提取能力；颈部通过跨层连接和 FPN 融合不同层次信息；头部采用多尺度预测机制，兼顾小目标与大目标的检测效果。
模型训练与分析
从训练损失变化趋势来看，box_loss 与 cls_loss 在前 20 个 epoch 内大幅下降，dfl_loss 快速收敛，表明模型学习稳定。验证损失虽有波动但整体趋于平稳，未出现严重过拟合。
指标方面，Precision 接近 0.75，Recall 接近 0.7，mAP50 稳定在 0.75 左右。这表明模型在严格 IoU 阈值下仍保持较高检测精度，具备良好的泛化能力。
功能演示
系统提供简洁直观的用户界面，支持图片与视频处理。实际测试中，系统能准确识别不同距离和尺寸的信号灯，并在多种光照条件下保持鲁棒性。
