项目背景
城市交通压力日益严峻，智能交通和自动驾驶领域对交通信号灯的自动检测和精准识别需求愈发强烈。传统依赖人工观察或固定传感器的方法在复杂环境中往往失效，易受天气、光照和遮挡影响。随着深度学习技术的成熟，目标检测算法成为解决该问题的理想选择。
本研究基于 YOLOv10 算法设计并实现了一套交通信号灯检测与识别系统，旨在提升交通管理的智能化水平，同时为自动驾驶提供可靠的数据支持。
系统核心模块
系统的核心目标是利用 YOLOv10 实现对交通信号灯的精准定位和状态识别。整体架构划分为以下四个主要部分：
- 数据采集模块：支持静态图像、视频流及实时摄像头输入，适应多样化的数据源环境。
- 数据预处理模块：执行图像去噪、尺寸调整等操作，确保输入数据符合目标检测任务的标准要求。
- 目标检测与状态识别模块：利用 YOLOv10 模型进行信号灯的定位与分类，准确判断红灯、绿灯、黄灯及熄灭状态。
- 结果反馈与存储模块：通过用户界面实时展示检测结果，并支持数据的持久化存储与管理。
为确保系统在多种硬件设备上高效运行，推理环节引入了 TensorRT 库。该库能够优化计算图、降低资源消耗，并通过混合精度运算（FP16 或 INT8）显著加速推理过程，这对于实时性要求极高的交通监控场景至关重要。
技术原理与选型
算法版本对比
YOLOv10 作为 YOLO 系列较新的版本，在精度、速度和计算效率上均有显著提升。相较于 YOLOv4，它在网络架构上进行了深度优化，采用更高效的卷积模块和增强特征提取方法，使其在复杂场景中表现更佳。YOLOv5 虽然进一步轻量化并提升了部署速度，适合资源受限设备，但在极端场景下的精度略有妥协。YOLOv7 引入 EIoU 损失函数提升了小目标检测能力，但速度稍逊。YOLOv10 则在保留高精度的同时优化了计算效率，其改进的特征提取模块和多尺度预测机制，使其在自动驾驶和智能交通等实时性要求高的应用中更具优势。
网络结构解析
YOLOv10 在网络结构上做出了显著改进。主干网络（backbone）经过增强，结合 PANet 和 Transformer 模块提升了多尺度特征提取能力。颈部（neck）部分引入跨层连接和 FPN，有效融合不同层次信息，增强了对小目标和复杂场景的适应能力。头部（head）采用多尺度预测机制，支持同时在多个尺度上进行检测。此外，YOLOv10 摒弃了传统的锚框机制，采用无锚框方式动态计算边界框，增强了模型的泛化能力。损失函数方面，通过优化 EIoU 等指标，进一步提高了边界框的预测精度。
模型训练与评估
收敛性分析
从训练损失与验证损失的变化趋势来看，模型整体呈现明显的下降并趋于稳定，表明收敛效果良好。box_loss 和 cls_loss 在前 20 个 epoch 内大幅下降，后续逐渐平稳，说明目标框回归和分类任务训练充分。dfl_loss（分布聚合损失）同样快速下降，反映模型对目标边界的预测能力不断提升。验证损失虽有波动，但未出现严重过拟合或欠拟合现象，整体稳定性较好。
精度指标评估
Precision 和 Recall 指标在训练过程中整体上升且波动减小。训练末期，Precision 接近 0.75，Recall 接近 0.7，表明模型具备较高的精确性和召回能力。mAP50 和 mAP50-95 均呈稳定上升趋势，最终分别稳定在约 0.75 和 0.4，验证了 YOLOv10 在严格 IoU 阈值下的高检测精度。20 个 epoch 后各项指标逐渐平稳，显示模型已具备良好的泛化能力。
