简介本资源是一套基于YOLOv8的停车场车位状态识别系统完整实现面向计算机、人工智能、自动化等专业的在校学生与初学者解决真实场景下车位空闲/占用状态的自动检测与可视化管理问题特别适合作为毕业设计、课程设计或项目立项演示方案。压缩包共8个文件3个Python主程序、3个PyTorch模型文件、2个说明文档总大小15.91MB涵盖训练、推理、界面交互与评估全流程包含可直接运行的可视化界面Visual_interface.py、视频检测脚本Detection_video.py、模型训练代码train_mode.py及预训练与最优权重yolov8n.pt、best.pt并附详细README与部署指南。已有43人学习下载所有代码均经实测验证支持一键运行并自动生成混淆矩阵、F1曲线、PR曲线、验证集预测图及标签分布图等核心评估结果开箱即用无需调参即可获得稳定识别效果是兼具工程完整性与教学实用性的高质量毕设级项目。 车位检测这事儿我一直觉得是计算机视觉入门到实战之间最舒服的一个跳板。任务本身直观——区分“空车位”和“占用车位”不像语义分割那样对精度极致苛刻也不像目标跟踪那样需要处理复杂的时序逻辑但又完整覆盖了数据集制作、模型训练、推理部署、界面封装的全流程。最近我重新整理了一套基于YOLOv8的停车场车位状态识别系统包含完整源码、可视化界面、标注好的数据集和部署教程把环境配好就能直接跑起来非常适合用来做毕业设计或者课程设计的核心项目。这套东西做完之后我的体会是它最大的价值不在于“识别率有多高”而在于帮你把目标检测这条技术栈从理论到落地整个走通了一遍。YOLOv8是当前Ultralytics团队维护的最新YOLO系列版本相比之前的v5和v7它在C2f模块、Anchor-Free检测头、损失函数等方面都做了改动训练更稳定部署也更友好。配合PyQt5写的可视化界面你不需要懂任何前端知识双击运行就能看到摄像头画面或者图片/视频里的车位状态实时标注结果。对毕设来说这已经是“系统完整、功能明确、有技术深度、有演示效果”的合格答卷了。下文我会把这套系统从部署到训练再到界面使用的完整过程拆开来讲包括环境版本怎么匹配、数据集怎么整理、训练参数怎么调、界面怎么改、遇到坑怎么排。全程都是实操视角想直接抄作业的可以跟着做想搞清楚原理的我也尽量把“为什么这么做”讲明白。1. 项目整体设计与技术选型思路1.1 核心需求拆解停车场车位识别到底要解决什么问题先别急着跑代码想清楚需求再动手这是做任何项目的第一原则。停车场车位状态识别从产品功能上看要解决三个层面的问题第一层是目标检测也就是“车在哪”。系统需要在画面中把每一辆车用边界框框出来这是YOLOv8最擅长的事情。第二层是状态判断也就是“这个车位有没有被占用”。这一层可以有两种做法一种是把车位本身当作检测目标训练模型直接识别“occupied”和“empty”两类另一种是先检测车辆再把车辆位置和预先划定的车位区域做交并比IoU计算根据重叠程度判断车位状态。第三层是结果呈现与交互也就是“用户怎么看”。这里需要可视化界面把检测结果实时显示出来最好还能统计剩余车位数。我用的这套系统在设计上选择了第二种思路也就是“车辆检测 车位区域匹配”。为什么这么选原因有三车位数量在固定停车场里是基本不变的但车辆数量和位置是动态的。先检测车辆再用车辆框和车位框做匹配逻辑上更接近真实业务而且车位区域是预先标注好的不需要在推理阶段重复检测“车位”。分类粒度更细。直接检测“空车位”类别模型容易把小面积的空位当成背景或者把远处的空位漏检。而检测车辆是YOLO家族的看家本领泛化能力更强。数据标注成本更低。只需要标注车辆边界框车位区域用多边形预先画好即可不用为每个车位单独标注“空/占”状态这在数据准备阶段能省很多时间。当然第二种思路对车位坐标的精确度要求更高。车位区域标注得准不准直接决定匹配结果准不准。我在后面的数据集章节会专门讲怎么标注车位区域。1.2 为什么选YOLOv8而不是Faster R-CNN或其它版本很多同学问我既然做毕设用Faster R-CNN会不会显得更有“学术深度”我的看法是除非你的导师明确要求对比实验否则真的没必要自找麻烦。Faster R-CNN的两阶段结构虽然精度上限高但训练速度慢、推理速度慢、工程实现复杂在以“能跑、效果直观”为首要目标的毕设场景里性价比太低。YOLOv8的核心优势在于它把“训练-验证-导出-部署”整条链路都做得很顺滑。Ultralytics这个库本身就封装好了train、val、predict、export这些方法你不需要手写数据加载器不需要自己实现NMS不需要关心anchor的聚类计算只需要准备好数据集写一个data.yaml就能开始训练。对于大部分做毕设的同学来说把精力花在业务逻辑和系统完整性上比花在复现网络结构上更有实际收益。另外YOLOv8在精度和速度的平衡上也处在当前开源模型的第一梯队。用nano版本可以在CPU上勉强跑推理用small版本在GTX 1660Ti这种中低端显卡上就能达到实时效果这正好覆盖了绝大多数学生手里的硬件条件。相比之下YOLOv5的效率当然也不差但v8在训练收敛速度和Anchor-Free头的设计上更友好尤其在小目标场景下表现比v5更稳。如果你的课题需要做车位级别的精细检测v8的改进还是实打实的。1.3 系统整体架构从摄像头到界面显示的完整链路把这套系统拆开看其实就是一个标准的“感知-决策-展示”三层结构数据输入层支持三种来源——本地图片、本地视频文件、实时摄像头RTSP或USB摄像头。入口用OpenCV的VideoCapture统一接管这样后面不管换什么输入源处理逻辑都不用改。推理决策层YOLOv8模型对每一帧执行推理得到所有车辆的边界框、置信度和类别。然后进入车位匹配模块把车辆框和预设的车位多边形区域做IoU计算输出每个车位的状态。展示交互层PyQt5界面负责把推理结果画到画布上同时显示剩余车位统计、每帧推理耗时等指标。用户可以通过按钮切换输入源也可以手动设置IoU阈值。其中第二个模块的匹配算法是整个系统的灵魂。它的逻辑是对每一个车位多边形计算其包围盒与所有车辆检测框的IoU如果一个车位区域与任意一个车辆框的IoU大于设定阈值默认0.3就判定为“占用”否则是“空位”。这里用IoU而不是简单的中心点是否落入是因为车辆可能斜着停或者部分跨线单纯靠点判断容易误判IoU能更鲁棒地反映“该区域是否被物体占据”的实际情况。2. 环境配置与源码部署从零到能跑通2.1 硬件与软件环境要求先交代一下我这边的测试环境方便你对号入座操作系统Windows 10/11Ubuntu 20.04/22.04也完全没问题代码里没有平台相关的内容Python版本3.8 或 3.103.9也可以但我更推荐3.10Ultralytics官方对3.10的支持最完善CUDA版本11.8以上PyTorch 2.x的默认CUDA版本是11.8或12.1显卡我测试用的是一张GTX 1660Ti 6GB显存不大但跑YOLOv8s训练batch size 16完全够用如果只有CPU也能跑通流程就是训练会慢不少依赖库ultralytics库、PyTorch、OpenCV、PyQt5、NumPy这里有个特别重要的坑要提醒你PyTorch的版本必须和CUDA版本匹配否则会出现CUDA unavailable的错误。建议直接到PyTorch官网用生成的命令安装比如# CUDA 11.8 对应的安装命令 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118不要直接pip install torch那样默认装的是CPU版本后面跑推理发现速度慢得离谱还以为代码写错了。2.2 依赖安装与项目目录结构源码下载解压之后我建议你先看一眼目录结构做到心里有数。一个标准的结构长这样parking_lot_system/ │ ├── main.py # 程序入口启动PyQt5界面 ├── detector.py # YOLOv8推理封装 ├── parking_matcher.py # 车位匹配逻辑 ├── config.py # 全局配置路径、阈值、模型参数 ├── models/ # 存放训练好的模型权重 │ └── best.pt ├── datasets/ # 数据集目录 │ ├── images/ │ │ ├── train/ │ │ └── val/ │ └── labels/ │ ├── train/ │ └── val/ ├── ui/ # 界面相关代码 └── requirements.txt # 依赖清单建议在项目根目录下新建一个虚拟环境避免和系统其它项目的依赖冲突。创建和激活虚拟环境用这几条命令python -m venv venv # Windows下激活 venv\Scripts\activate # Linux/macOS下激活 source venv/bin/activate然后安装依赖pip install -r requirements.txtrequirements.txt的内容大概是这样的ultralytics8.0.0 torch torchvision opencv-python PyQt5 numpy如果安装过程中有网络问题可以加-i https://pypi.tuna.tsinghua.edu.cn/simple换成清华源。安装完可以用一条命令验证基础环境python -c import torch, ultralytics, cv2, PyQt5; print(torch.cuda.is_available(), torch.__version__, ultralytics.__version__)如果输出True 2.x.x 8.x.x说明环境基本OK。如果torch.cuda.is_available()打印的是False那就要回头检查PyTorch-CUDA匹配问题了。2.3 模型权重获取与快速推理验证环境配好之后先不急着一股脑训练。项目自带的models/best.pt是一个已经在车位数据集上训练好的YOLOv8s模型主要识别车辆类别。你可以先用它跑一次推理验证整套流程是否通畅。在项目根目录执行python detector.py --source datasets/images/val/ --weights models/best.pt正常情况下会看到每一张验证集图片的推理结果检测框画在车辆上并且终端会打印每类别的AP指标和推理耗时。这个过程如果跑通说明模型文件完整没有下载损坏OpenCV读取图片正常YOLOv8推理链路没有bug后续再跑可视化界面就不会有“一运行就闪退”的问题了。我特别建议大家养成这种“先验证后端再启动界面”的习惯不然出了问题你很难判断到底错在模型层还是界面层。3. 数据集准备与车位标注训练的关键一步3.1 停车场图像数据集从哪来很多同学卡在第一步没有停车场图片。这里给你几个实际可用的来源开源数据集PKLot数据集是学术界比较常用的停车场数据集包含不同天气条件下的车位图片规模不大但足够做毕设。CCPD是车牌数据集虽然主要是车牌识别但里面也有大量停车场场景可以作为背景数据。自己拍摄找学校操场、小区停车场、商场地下车库用手机或相机拍个几百张注意覆盖不同光照条件、不同角度、不同车位类型平行车位、垂直车位、斜车位。这个方法的优点是完全匹配你的目标场景缺点是需要自己标注。网络图片用爬虫或手动下载的方式从图片网站获取停车场图片注意版权问题自己测试用问题不大但不要公开传播。我这里整理的数据集使用的是多个停车场场景的混合数据总共约2000张图片其中训练集1600张、验证集400张。图片分辨率统一resize到640x640YOLOv8默认输入尺寸这个尺寸是速度和精度的平衡点不建议自行修改。3.2 YOLOv8数据标注的具体操作车辆标注用LabelImg或者Labelme都可以我习惯用LabelImg因为它导出YOLO格式的txt文件很方便。标注时的注意事项只标注机动车行人和非机动车不标注。因为车位占用判断只关心机动车是否占位误把行人标注成目标反而会干扰匹配逻辑。遮挡严重的车辆也要尽量标注特别是被柱子或者其它车挡住一半的车。YOLOv8对部分遮挡的目标有一定的鲁棒性但完全不标会让模型学到“看到一半车身就不算车”的坏毛病。每张图的标注框要贴合车辆边缘不要留太多空白也不要裁掉车身的轮胎或后视镜。标注质量直接决定训练效果这一点值得多花时间。标注完成后每个图片会对应一个同名的txt文件格式是class_id x_center y_center width height注意这四项坐标都是归一化到0~1之间的值不是像素坐标。框的宽高除以图片宽高中心点坐标也除以图片宽高。如果你的图片有多个标注框就多行排列。比如一张图里有两辆车0 0.425781 0.531250 0.208594 0.265625 0 0.723438 0.610938 0.182031 0.234375训练之前请务必检查标注文件是否有越界的情况。网上有现成的校验脚本也可以用下面的代码做快速检查import os label_dir datasets/labels/train img_w, img_h 640, 640 # 根据实际图片尺寸改 for f in os.listdir(label_dir): with open(os.path.join(label_dir, f)) as fp: lines fp.readlines() for line in lines: _, cx, cy, w, h map(float, line.strip().split()) if cx - w/2 0 or cx w/2 1 or cy - h/2 0 or cy h/2 1: print(f标注越界: {f} - {line.strip()})这个坑我踩过当时有一批从网上下载的图片尺寸没有统一标注时用了原始分辨率但训练时YOLOv8做了resize导致部分框超出边界训练loss一直降不下去白白浪费了一下午。3.3 车位区域标注与配置文件车辆标注解决的是“车在哪”的问题而车位区域是预先定义在画面中的不参与模型训练。一句话概括这套系统的核心逻辑模型负责找出所有的车车位坐标负责判断这些车把哪个位置占了。车位区域用一张标注好的JSON文件或者Python列表存储。对于每个车位记录它的多边形顶点坐标。比如一个矩形车位的四个顶点PARKING_SPOTS [ { id: 0, points: [(50, 200), (150, 200), (150, 300), (50, 300)] }, { id: 1, points: [(160, 200), (260, 200), (260, 300), (160, 300)] }, ]如果你的场景是固定的摄像头视角用这种硬编码方式最简单。但如果你希望系统更通用一点建议做一个“手动标定模式”界面加载一张背景图让你用鼠标画车位多边形然后把坐标保存到配置文件里。这样即使摄像头角度变了也不需要改代码重新画一遍车位就行。数据集的data.yaml文件是YOLOv8训练时的配置文件内容如下path: datasets train: images/train val: images/val nc: 1 names: [car]nc代表类别数量这里只有“car”一类。如果你的场景需要检测卡车、公交车可以相应增加。但注意增加类别意味着你需要为每个类别标注足够多的样本否则训练效果会变差。4. 模型训练与调参让YOLOv8在你自己的数据上收敛4.1 训练启动与参数说明环境、数据都齐了下面开始训练。命令行方式最直接yolo train datadatasets/data.yaml modelyolov8s.pt epochs100 imgsz640 batch16 device0这条命令会以yolov8s.pt为预训练权重在你的数据集上微调100轮。几个关键参数的解释modelyolov8s.pt预训练权重在COCO上训练过迁移学习能极大加速收敛。如果你想看随机初始化效果改成yolov8s.yaml模型结构不变但权重随机通常需要更多轮次才能收敛。epochs车位检测任务相对简单100轮足够。如果训练时间紧张50轮也能得到一个可用的模型。batch根据显存来定。6GB显存跑yolov8s的话batch16没问题如果显存不够把batch降到8或者4配--workers 4让数据加载并行化。device0使用第一块GPU。如果你的电脑只有CPU改成devicecpu但训练时间可能是GPU的几十倍不建议。patience早停参数例如patience20表示验证集指标连续20轮不提升就自动停止能省不少时间。4.2 训练过程监控与常见异常训练开始后会显示一个进度条每轮结束后会更新box_loss、cls_loss、dfl_loss以及precision、recall、mAP50、mAP50-95这些指标。我建议你重点关注mAP50车位检测使用场景对框的精确度要求不那么变态mAP50在0.9以上说明模型已经很好地把车都找出来了。mAP50-95则是对框定位的更高要求一般能到0.7以上就不错了。如果你的训练过程中发现loss不降或者训练日志里出现nan先不要急着加大学习率或者换模型最常见的几个原因按顺序排查数据集中存在全黑、全白或者严重模糊的图片导致归一化后出现异常值标注文件越界有框的位置不在图片内batch size设得太大显存不够导致OOM中断训练日志里会有CUDA out of memory有一个小技巧是训练时开plotsTrueUltralytics会自动生成训练过程中的预测图你可以直观看到模型在验证集上的检测效果。训练完成后runs/detect/train/weights/目录下会生成best.pt和last.pt前者是验证集表现最好的权重后者是最后一轮的权重部署时用best.pt。4.3 训练结果评估怎么看模型到底行不行训练结束后Ultralytics会生成results.png和confusion_matrix.png等一堆评估图。作为非学术项目我建议只看三样东西results.png中的val/box_loss和val/cls_loss是否持续下降且没有大幅震荡判断模型是否过拟合confusion_matrix.png中的对角线数值是否明显高于非对角线判断是否有大量误检随便拿几张验证集图片用model.predict()测试一下肉眼判断检测结果是否合理我个人在使用中最常遇到的问题是模型把“后视镜或者车尾的一部分”识别成完整车辆导致两个检测框挤在同一辆车上。这是因为标注时有的框没有扣紧车身边缘。解决办法是提高NMS非极大值抑制的IoU阈值在推理参数里加一行iou0.5让相近的框合并得更彻底。训练完的模型如果精度仍然不够优先考虑两个改进方向一是增加数据量尤其增加目标场景下的数据二是做数据增强Ultralytics默认开启了马赛克增强、随机翻转、色彩抖动等不需要额外配置。5. 可视化界面与推理系统把模型能力变成可用的产品5.1 PyQt5界面功能拆解很多人觉得界面是这个项目里最“花架子”的部分但我恰恰觉得它是最能体现“系统思维”的地方。一个完整的可视化界面应该包含以下功能图像显示区域实时显示当前帧的检测结果车辆框和车位状态都画在上面。占用车位用红色显示空车位用绿色显示。输入源控制下拉框选择“图片模式”、“视频模式”或“摄像头模式”配合“打开文件”、“开始检测”等按钮操作。状态统计面板显示总车位数、已占用数、剩余数。这个数据是整个系统的核心输出对停车管理场景来说用户最关心的就是“我还有没有位置停”。参数调节区IoU阈值、置信度阈值这两个参数可以在运行时动态调整方便用户根据场景灵活配置。日志输出区记录推理耗时、帧率、异常信息。这部分对调试帮助极大不是摆设。界面布局方面我建议用左中右三栏结构左侧是参数和输入控制中间是视频画面右侧是统计信息和日志。这样用户在调整参数的时候能实时看到画面变化交互体验最顺畅。5.2 推理代码的核心实现推理部分的核心逻辑在detector.py里。初始化YOLOv8模型、执行推理、解析结果、车位匹配每一步都不复杂但每步都关键。我摘几段核心代码说明from ultralytics import YOLO import numpy as np class Detector: def __init__(self, weights_path, conf_thres0.5, iou_thres0.45): self.model YOLO(weights_path) self.conf_thres conf_thres self.iou_thres iou_thres def detect_vehicles(self, frame): results self.model.predict( sourceframe, confself.conf_thres, iouself.iou_thres, classes[0], # 只检测car类 verboseFalse )[0] boxes results.boxes.xyxy.cpu().numpy() # 左上右下坐标 confs results.boxes.conf.cpu().numpy() return boxes, confs而车位匹配逻辑在parking_matcher.py里。判断一个车位是否被占用关键就是计算车辆框和车位多边形的IoUdef polygon_iou(vehicle_box, parking_polygon): 计算车辆框和车位多边形的交集面积 / 并集面积 from shapely.geometry import Polygon, box vehicle box(*vehicle_box) spot Polygon(parking_polygon) if not spot.is_valid: return 0.0 inter vehicle.intersection(spot).area union vehicle.area spot.area - inter return inter / union if union 0 else 0.0 def match_vehicle_to_spot(boxes, parking_spots, iou_threshold0.3): status [] for spot in parking_spots: occupied False for box in boxes: iou polygon_iou(box, spot[points]) if iou iou_threshold: occupied True break status.append({spot_id: spot[id], occupied: occupied}) return status这段逻辑里有个细节值得注意IoU阈值取多少合适如果设置太高比如0.5那么一辆车跨了两个车位边缘的时候两个车位都判定为空逻辑上就错了。设置太低比如0.1又会出现车辆后视镜扫过隔壁车位就把它判定为占用的误报。经过多轮测试0.25到0.35之间比较合理我默认用的0.3。5.3 界面运行与演示操作界面启动很简单在项目根目录运行python main.py启动之后建议按这个顺序操作演示打开一张停车场的静态图片先看整体检测效果切换到视频模式观察连续帧的稳定性看是否有车位状态频繁闪烁切换摄像头模式用手机当USB摄像头顶着停车位拍一下感受实时检测整个系统目前能够做到在GTX 1660Ti上运行YOLOv8s模型视频流推理帧率稳定在25-35 FPS左右完全满足实时监控需求。如果你的显卡只有CPU或者核显可以换成YOLOv8n模型预处理时间和推理时间都会明显下降代价是精度略有下降。6. 常见问题与避坑实录6.1 环境与部署问题速查表这里整理了我实际运行中遇到的高频问题按出现的概率排序现象根本原因解决办法torch.cuda.is_available()返回FalsePyTorch装成了CPU版本到PyTorch官网按CUDA版本重新安装运行界面秒退/黑屏PyQt5缺少必要的系统库或显卡驱动问题先用一个空的QMainWindow测试再叠加业务代码ModuleNotFoundError: No module named ultralytics虚拟环境没激活或者装到了别的环境确认当前which python的路径视频播放卡顿帧率极低OpenCV读取视频编码器不兼容尝试pip install opencv-contrib-python或用ffmpeg转码成mp4模型推理结果一帧都没有classes[0]过滤时类别索引不对打印results.boxes.cls确认类别ID6.2 车位状态误判的排查思路车位状态识别最容易出现两类误判空位被判定为占用或者占用被判定为空位。排查时不要一上来就调参数按这个顺序走先检查车位区域标注是否有误。我见过有同学标注的车位多边形尺寸明显地比实际车位大了一圈导致旁边车道的车稍微压线就触发了占用判定。对策是把车位多边形往里缩几个像素或者用shapely.buffer(-2)做内缩处理。再看车辆检测框的质量。如果置信度阈值太低墙上的影子、地面的反光也可能被当成车。把conf_thres提到0.6以上误检会明显减少。如果车辆检测框太大或者重叠严重调高NMS的IoU阈值。最后考虑相邻车位之间的关联。如果一辆车确实停歪了压了两个车位那么它占用了两个车位这在算法上是“合理”的但从业务上不一定是“正确”的。要处理这类问题需要额外的车位约束逻辑比如“同一时间只有相邻车位中IoU更大的车位判定为占用”这属于系统优化方向毕设做到这个程度已经是加分项了。6.3 性能优化把帧率从卡顿到流畅如果你手上的电脑配置一般运行过程中发现画面卡顿可以按优先级尝试这几个优化手段换更轻量的模型。yolov8n.pt比yolov8s.pt体积小一半多推理速度提升一倍显存占用也更少。把detector.py里初始化模型的路径换成yolov8n.pt即可其它代码不用改。降低输入分辨率。在predict里设置imgsz480虽然检测精度会略降但推理速度能提高30%以上。跳过视频帧。不是每一帧都需要参与推理可以设置“每隔2帧推理一次中间帧直接复制上一帧的结果”。这种方式对停车监控这种低频变化的场景特别有效帧率能直接翻倍。开启TensorRT或ONNX导出。如果后续有部署需求model.export(formatengine)可以导出TensorRT加速引擎在支持显卡上推理速度还能再上一个台阶。但这一步对毕设来说不是必须的属于锦上添花。7. 项目扩展方向与个人心得做完这套系统之后如果你的时间还有富余我建议在下面几个方向挑一个做扩展无论是写在论文里还是面试时聊起来都会很有分量增加车位引导功能。在统计到空位后用算法给出“距离入口最近的空位”推荐这需要加入路径规划或者简单的BFS寻路从纯检测变成了应用决策。增加数据库存储。把每一帧的剩余车位数据存入SQLite或MySQL按时间段分析车位利用率生成统计报表。这个方向让系统从“演示工具”变成“管理平台”功能性跃升了一个档次。增加Web端展示。用Flask或FastAPI把检测结果封装成HTTP接口前端用一个网页展示实时画面和车位状态。这一改动能让系统具备远程访问能力答辩演示时用手机就能看到效果比在现场跑来跑去有说服力得多。换一个应用场景。这套代码框架最大的价值在于它的通用性把车位多边形换成“工位区域”“球场场地”“教室座位”把车辆检测换成对应目标就能迁移到另一个实际场景中。这种“举一反三”的能力比单做一个项目更能表现出你的工程能力。最后再分享一点个人体会。很多同学拿到源码的第一反应是“能不能直接不改就交”我特别不建议这么做。倒不是说要推翻重写而是你至少要把每一个模块都读懂、能在代码里定位到对应位置、能回答出“如果我想增加一个卡车类别应该改哪里”“如果我想改变车位判定阈值应该改哪里”。答辩时老师最喜欢问的就是这类问题。这套系统的设计初衷也不是让你拿去做一个“黑盒演示”而是希望通过它把目标检测的完整工作流串起来——当你跑通训练、部署、界面、调优这一整套流程之后再去看其它的视觉项目思路会清晰很多。本文还有配套的精品资源点击获取
YOLOv8停车场车位检测系统：从训练到部署完整实战
简介本资源是一套基于YOLOv8的停车场车位状态识别系统完整实现面向计算机、人工智能、自动化等专业的在校学生与初学者解决真实场景下车位空闲/占用状态的自动检测与可视化管理问题特别适合作为毕业设计、课程设计或项目立项演示方案。压缩包共8个文件3个Python主程序、3个PyTorch模型文件、2个说明文档总大小15.91MB涵盖训练、推理、界面交互与评估全流程包含可直接运行的可视化界面Visual_interface.py、视频检测脚本Detection_video.py、模型训练代码train_mode.py及预训练与最优权重yolov8n.pt、best.pt并附详细README与部署指南。已有43人学习下载所有代码均经实测验证支持一键运行并自动生成混淆矩阵、F1曲线、PR曲线、验证集预测图及标签分布图等核心评估结果开箱即用无需调参即可获得稳定识别效果是兼具工程完整性与教学实用性的高质量毕设级项目。 车位检测这事儿我一直觉得是计算机视觉入门到实战之间最舒服的一个跳板。任务本身直观——区分“空车位”和“占用车位”不像语义分割那样对精度极致苛刻也不像目标跟踪那样需要处理复杂的时序逻辑但又完整覆盖了数据集制作、模型训练、推理部署、界面封装的全流程。最近我重新整理了一套基于YOLOv8的停车场车位状态识别系统包含完整源码、可视化界面、标注好的数据集和部署教程把环境配好就能直接跑起来非常适合用来做毕业设计或者课程设计的核心项目。这套东西做完之后我的体会是它最大的价值不在于“识别率有多高”而在于帮你把目标检测这条技术栈从理论到落地整个走通了一遍。YOLOv8是当前Ultralytics团队维护的最新YOLO系列版本相比之前的v5和v7它在C2f模块、Anchor-Free检测头、损失函数等方面都做了改动训练更稳定部署也更友好。配合PyQt5写的可视化界面你不需要懂任何前端知识双击运行就能看到摄像头画面或者图片/视频里的车位状态实时标注结果。对毕设来说这已经是“系统完整、功能明确、有技术深度、有演示效果”的合格答卷了。下文我会把这套系统从部署到训练再到界面使用的完整过程拆开来讲包括环境版本怎么匹配、数据集怎么整理、训练参数怎么调、界面怎么改、遇到坑怎么排。全程都是实操视角想直接抄作业的可以跟着做想搞清楚原理的我也尽量把“为什么这么做”讲明白。1. 项目整体设计与技术选型思路1.1 核心需求拆解停车场车位识别到底要解决什么问题先别急着跑代码想清楚需求再动手这是做任何项目的第一原则。停车场车位状态识别从产品功能上看要解决三个层面的问题第一层是目标检测也就是“车在哪”。系统需要在画面中把每一辆车用边界框框出来这是YOLOv8最擅长的事情。第二层是状态判断也就是“这个车位有没有被占用”。这一层可以有两种做法一种是把车位本身当作检测目标训练模型直接识别“occupied”和“empty”两类另一种是先检测车辆再把车辆位置和预先划定的车位区域做交并比IoU计算根据重叠程度判断车位状态。第三层是结果呈现与交互也就是“用户怎么看”。这里需要可视化界面把检测结果实时显示出来最好还能统计剩余车位数。我用的这套系统在设计上选择了第二种思路也就是“车辆检测 车位区域匹配”。为什么这么选原因有三车位数量在固定停车场里是基本不变的但车辆数量和位置是动态的。先检测车辆再用车辆框和车位框做匹配逻辑上更接近真实业务而且车位区域是预先标注好的不需要在推理阶段重复检测“车位”。分类粒度更细。直接检测“空车位”类别模型容易把小面积的空位当成背景或者把远处的空位漏检。而检测车辆是YOLO家族的看家本领泛化能力更强。数据标注成本更低。只需要标注车辆边界框车位区域用多边形预先画好即可不用为每个车位单独标注“空/占”状态这在数据准备阶段能省很多时间。当然第二种思路对车位坐标的精确度要求更高。车位区域标注得准不准直接决定匹配结果准不准。我在后面的数据集章节会专门讲怎么标注车位区域。1.2 为什么选YOLOv8而不是Faster R-CNN或其它版本很多同学问我既然做毕设用Faster R-CNN会不会显得更有“学术深度”我的看法是除非你的导师明确要求对比实验否则真的没必要自找麻烦。Faster R-CNN的两阶段结构虽然精度上限高但训练速度慢、推理速度慢、工程实现复杂在以“能跑、效果直观”为首要目标的毕设场景里性价比太低。YOLOv8的核心优势在于它把“训练-验证-导出-部署”整条链路都做得很顺滑。Ultralytics这个库本身就封装好了train、val、predict、export这些方法你不需要手写数据加载器不需要自己实现NMS不需要关心anchor的聚类计算只需要准备好数据集写一个data.yaml就能开始训练。对于大部分做毕设的同学来说把精力花在业务逻辑和系统完整性上比花在复现网络结构上更有实际收益。另外YOLOv8在精度和速度的平衡上也处在当前开源模型的第一梯队。用nano版本可以在CPU上勉强跑推理用small版本在GTX 1660Ti这种中低端显卡上就能达到实时效果这正好覆盖了绝大多数学生手里的硬件条件。相比之下YOLOv5的效率当然也不差但v8在训练收敛速度和Anchor-Free头的设计上更友好尤其在小目标场景下表现比v5更稳。如果你的课题需要做车位级别的精细检测v8的改进还是实打实的。1.3 系统整体架构从摄像头到界面显示的完整链路把这套系统拆开看其实就是一个标准的“感知-决策-展示”三层结构数据输入层支持三种来源——本地图片、本地视频文件、实时摄像头RTSP或USB摄像头。入口用OpenCV的VideoCapture统一接管这样后面不管换什么输入源处理逻辑都不用改。推理决策层YOLOv8模型对每一帧执行推理得到所有车辆的边界框、置信度和类别。然后进入车位匹配模块把车辆框和预设的车位多边形区域做IoU计算输出每个车位的状态。展示交互层PyQt5界面负责把推理结果画到画布上同时显示剩余车位统计、每帧推理耗时等指标。用户可以通过按钮切换输入源也可以手动设置IoU阈值。其中第二个模块的匹配算法是整个系统的灵魂。它的逻辑是对每一个车位多边形计算其包围盒与所有车辆检测框的IoU如果一个车位区域与任意一个车辆框的IoU大于设定阈值默认0.3就判定为“占用”否则是“空位”。这里用IoU而不是简单的中心点是否落入是因为车辆可能斜着停或者部分跨线单纯靠点判断容易误判IoU能更鲁棒地反映“该区域是否被物体占据”的实际情况。2. 环境配置与源码部署从零到能跑通2.1 硬件与软件环境要求先交代一下我这边的测试环境方便你对号入座操作系统Windows 10/11Ubuntu 20.04/22.04也完全没问题代码里没有平台相关的内容Python版本3.8 或 3.103.9也可以但我更推荐3.10Ultralytics官方对3.10的支持最完善CUDA版本11.8以上PyTorch 2.x的默认CUDA版本是11.8或12.1显卡我测试用的是一张GTX 1660Ti 6GB显存不大但跑YOLOv8s训练batch size 16完全够用如果只有CPU也能跑通流程就是训练会慢不少依赖库ultralytics库、PyTorch、OpenCV、PyQt5、NumPy这里有个特别重要的坑要提醒你PyTorch的版本必须和CUDA版本匹配否则会出现CUDA unavailable的错误。建议直接到PyTorch官网用生成的命令安装比如# CUDA 11.8 对应的安装命令 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118不要直接pip install torch那样默认装的是CPU版本后面跑推理发现速度慢得离谱还以为代码写错了。2.2 依赖安装与项目目录结构源码下载解压之后我建议你先看一眼目录结构做到心里有数。一个标准的结构长这样parking_lot_system/ │ ├── main.py # 程序入口启动PyQt5界面 ├── detector.py # YOLOv8推理封装 ├── parking_matcher.py # 车位匹配逻辑 ├── config.py # 全局配置路径、阈值、模型参数 ├── models/ # 存放训练好的模型权重 │ └── best.pt ├── datasets/ # 数据集目录 │ ├── images/ │ │ ├── train/ │ │ └── val/ │ └── labels/ │ ├── train/ │ └── val/ ├── ui/ # 界面相关代码 └── requirements.txt # 依赖清单建议在项目根目录下新建一个虚拟环境避免和系统其它项目的依赖冲突。创建和激活虚拟环境用这几条命令python -m venv venv # Windows下激活 venv\Scripts\activate # Linux/macOS下激活 source venv/bin/activate然后安装依赖pip install -r requirements.txtrequirements.txt的内容大概是这样的ultralytics8.0.0 torch torchvision opencv-python PyQt5 numpy如果安装过程中有网络问题可以加-i https://pypi.tuna.tsinghua.edu.cn/simple换成清华源。安装完可以用一条命令验证基础环境python -c import torch, ultralytics, cv2, PyQt5; print(torch.cuda.is_available(), torch.__version__, ultralytics.__version__)如果输出True 2.x.x 8.x.x说明环境基本OK。如果torch.cuda.is_available()打印的是False那就要回头检查PyTorch-CUDA匹配问题了。2.3 模型权重获取与快速推理验证环境配好之后先不急着一股脑训练。项目自带的models/best.pt是一个已经在车位数据集上训练好的YOLOv8s模型主要识别车辆类别。你可以先用它跑一次推理验证整套流程是否通畅。在项目根目录执行python detector.py --source datasets/images/val/ --weights models/best.pt正常情况下会看到每一张验证集图片的推理结果检测框画在车辆上并且终端会打印每类别的AP指标和推理耗时。这个过程如果跑通说明模型文件完整没有下载损坏OpenCV读取图片正常YOLOv8推理链路没有bug后续再跑可视化界面就不会有“一运行就闪退”的问题了。我特别建议大家养成这种“先验证后端再启动界面”的习惯不然出了问题你很难判断到底错在模型层还是界面层。3. 数据集准备与车位标注训练的关键一步3.1 停车场图像数据集从哪来很多同学卡在第一步没有停车场图片。这里给你几个实际可用的来源开源数据集PKLot数据集是学术界比较常用的停车场数据集包含不同天气条件下的车位图片规模不大但足够做毕设。CCPD是车牌数据集虽然主要是车牌识别但里面也有大量停车场场景可以作为背景数据。自己拍摄找学校操场、小区停车场、商场地下车库用手机或相机拍个几百张注意覆盖不同光照条件、不同角度、不同车位类型平行车位、垂直车位、斜车位。这个方法的优点是完全匹配你的目标场景缺点是需要自己标注。网络图片用爬虫或手动下载的方式从图片网站获取停车场图片注意版权问题自己测试用问题不大但不要公开传播。我这里整理的数据集使用的是多个停车场场景的混合数据总共约2000张图片其中训练集1600张、验证集400张。图片分辨率统一resize到640x640YOLOv8默认输入尺寸这个尺寸是速度和精度的平衡点不建议自行修改。3.2 YOLOv8数据标注的具体操作车辆标注用LabelImg或者Labelme都可以我习惯用LabelImg因为它导出YOLO格式的txt文件很方便。标注时的注意事项只标注机动车行人和非机动车不标注。因为车位占用判断只关心机动车是否占位误把行人标注成目标反而会干扰匹配逻辑。遮挡严重的车辆也要尽量标注特别是被柱子或者其它车挡住一半的车。YOLOv8对部分遮挡的目标有一定的鲁棒性但完全不标会让模型学到“看到一半车身就不算车”的坏毛病。每张图的标注框要贴合车辆边缘不要留太多空白也不要裁掉车身的轮胎或后视镜。标注质量直接决定训练效果这一点值得多花时间。标注完成后每个图片会对应一个同名的txt文件格式是class_id x_center y_center width height注意这四项坐标都是归一化到0~1之间的值不是像素坐标。框的宽高除以图片宽高中心点坐标也除以图片宽高。如果你的图片有多个标注框就多行排列。比如一张图里有两辆车0 0.425781 0.531250 0.208594 0.265625 0 0.723438 0.610938 0.182031 0.234375训练之前请务必检查标注文件是否有越界的情况。网上有现成的校验脚本也可以用下面的代码做快速检查import os label_dir datasets/labels/train img_w, img_h 640, 640 # 根据实际图片尺寸改 for f in os.listdir(label_dir): with open(os.path.join(label_dir, f)) as fp: lines fp.readlines() for line in lines: _, cx, cy, w, h map(float, line.strip().split()) if cx - w/2 0 or cx w/2 1 or cy - h/2 0 or cy h/2 1: print(f标注越界: {f} - {line.strip()})这个坑我踩过当时有一批从网上下载的图片尺寸没有统一标注时用了原始分辨率但训练时YOLOv8做了resize导致部分框超出边界训练loss一直降不下去白白浪费了一下午。3.3 车位区域标注与配置文件车辆标注解决的是“车在哪”的问题而车位区域是预先定义在画面中的不参与模型训练。一句话概括这套系统的核心逻辑模型负责找出所有的车车位坐标负责判断这些车把哪个位置占了。车位区域用一张标注好的JSON文件或者Python列表存储。对于每个车位记录它的多边形顶点坐标。比如一个矩形车位的四个顶点PARKING_SPOTS [ { id: 0, points: [(50, 200), (150, 200), (150, 300), (50, 300)] }, { id: 1, points: [(160, 200), (260, 200), (260, 300), (160, 300)] }, ]如果你的场景是固定的摄像头视角用这种硬编码方式最简单。但如果你希望系统更通用一点建议做一个“手动标定模式”界面加载一张背景图让你用鼠标画车位多边形然后把坐标保存到配置文件里。这样即使摄像头角度变了也不需要改代码重新画一遍车位就行。数据集的data.yaml文件是YOLOv8训练时的配置文件内容如下path: datasets train: images/train val: images/val nc: 1 names: [car]nc代表类别数量这里只有“car”一类。如果你的场景需要检测卡车、公交车可以相应增加。但注意增加类别意味着你需要为每个类别标注足够多的样本否则训练效果会变差。4. 模型训练与调参让YOLOv8在你自己的数据上收敛4.1 训练启动与参数说明环境、数据都齐了下面开始训练。命令行方式最直接yolo train datadatasets/data.yaml modelyolov8s.pt epochs100 imgsz640 batch16 device0这条命令会以yolov8s.pt为预训练权重在你的数据集上微调100轮。几个关键参数的解释modelyolov8s.pt预训练权重在COCO上训练过迁移学习能极大加速收敛。如果你想看随机初始化效果改成yolov8s.yaml模型结构不变但权重随机通常需要更多轮次才能收敛。epochs车位检测任务相对简单100轮足够。如果训练时间紧张50轮也能得到一个可用的模型。batch根据显存来定。6GB显存跑yolov8s的话batch16没问题如果显存不够把batch降到8或者4配--workers 4让数据加载并行化。device0使用第一块GPU。如果你的电脑只有CPU改成devicecpu但训练时间可能是GPU的几十倍不建议。patience早停参数例如patience20表示验证集指标连续20轮不提升就自动停止能省不少时间。4.2 训练过程监控与常见异常训练开始后会显示一个进度条每轮结束后会更新box_loss、cls_loss、dfl_loss以及precision、recall、mAP50、mAP50-95这些指标。我建议你重点关注mAP50车位检测使用场景对框的精确度要求不那么变态mAP50在0.9以上说明模型已经很好地把车都找出来了。mAP50-95则是对框定位的更高要求一般能到0.7以上就不错了。如果你的训练过程中发现loss不降或者训练日志里出现nan先不要急着加大学习率或者换模型最常见的几个原因按顺序排查数据集中存在全黑、全白或者严重模糊的图片导致归一化后出现异常值标注文件越界有框的位置不在图片内batch size设得太大显存不够导致OOM中断训练日志里会有CUDA out of memory有一个小技巧是训练时开plotsTrueUltralytics会自动生成训练过程中的预测图你可以直观看到模型在验证集上的检测效果。训练完成后runs/detect/train/weights/目录下会生成best.pt和last.pt前者是验证集表现最好的权重后者是最后一轮的权重部署时用best.pt。4.3 训练结果评估怎么看模型到底行不行训练结束后Ultralytics会生成results.png和confusion_matrix.png等一堆评估图。作为非学术项目我建议只看三样东西results.png中的val/box_loss和val/cls_loss是否持续下降且没有大幅震荡判断模型是否过拟合confusion_matrix.png中的对角线数值是否明显高于非对角线判断是否有大量误检随便拿几张验证集图片用model.predict()测试一下肉眼判断检测结果是否合理我个人在使用中最常遇到的问题是模型把“后视镜或者车尾的一部分”识别成完整车辆导致两个检测框挤在同一辆车上。这是因为标注时有的框没有扣紧车身边缘。解决办法是提高NMS非极大值抑制的IoU阈值在推理参数里加一行iou0.5让相近的框合并得更彻底。训练完的模型如果精度仍然不够优先考虑两个改进方向一是增加数据量尤其增加目标场景下的数据二是做数据增强Ultralytics默认开启了马赛克增强、随机翻转、色彩抖动等不需要额外配置。5. 可视化界面与推理系统把模型能力变成可用的产品5.1 PyQt5界面功能拆解很多人觉得界面是这个项目里最“花架子”的部分但我恰恰觉得它是最能体现“系统思维”的地方。一个完整的可视化界面应该包含以下功能图像显示区域实时显示当前帧的检测结果车辆框和车位状态都画在上面。占用车位用红色显示空车位用绿色显示。输入源控制下拉框选择“图片模式”、“视频模式”或“摄像头模式”配合“打开文件”、“开始检测”等按钮操作。状态统计面板显示总车位数、已占用数、剩余数。这个数据是整个系统的核心输出对停车管理场景来说用户最关心的就是“我还有没有位置停”。参数调节区IoU阈值、置信度阈值这两个参数可以在运行时动态调整方便用户根据场景灵活配置。日志输出区记录推理耗时、帧率、异常信息。这部分对调试帮助极大不是摆设。界面布局方面我建议用左中右三栏结构左侧是参数和输入控制中间是视频画面右侧是统计信息和日志。这样用户在调整参数的时候能实时看到画面变化交互体验最顺畅。5.2 推理代码的核心实现推理部分的核心逻辑在detector.py里。初始化YOLOv8模型、执行推理、解析结果、车位匹配每一步都不复杂但每步都关键。我摘几段核心代码说明from ultralytics import YOLO import numpy as np class Detector: def __init__(self, weights_path, conf_thres0.5, iou_thres0.45): self.model YOLO(weights_path) self.conf_thres conf_thres self.iou_thres iou_thres def detect_vehicles(self, frame): results self.model.predict( sourceframe, confself.conf_thres, iouself.iou_thres, classes[0], # 只检测car类 verboseFalse )[0] boxes results.boxes.xyxy.cpu().numpy() # 左上右下坐标 confs results.boxes.conf.cpu().numpy() return boxes, confs而车位匹配逻辑在parking_matcher.py里。判断一个车位是否被占用关键就是计算车辆框和车位多边形的IoUdef polygon_iou(vehicle_box, parking_polygon): 计算车辆框和车位多边形的交集面积 / 并集面积 from shapely.geometry import Polygon, box vehicle box(*vehicle_box) spot Polygon(parking_polygon) if not spot.is_valid: return 0.0 inter vehicle.intersection(spot).area union vehicle.area spot.area - inter return inter / union if union 0 else 0.0 def match_vehicle_to_spot(boxes, parking_spots, iou_threshold0.3): status [] for spot in parking_spots: occupied False for box in boxes: iou polygon_iou(box, spot[points]) if iou iou_threshold: occupied True break status.append({spot_id: spot[id], occupied: occupied}) return status这段逻辑里有个细节值得注意IoU阈值取多少合适如果设置太高比如0.5那么一辆车跨了两个车位边缘的时候两个车位都判定为空逻辑上就错了。设置太低比如0.1又会出现车辆后视镜扫过隔壁车位就把它判定为占用的误报。经过多轮测试0.25到0.35之间比较合理我默认用的0.3。5.3 界面运行与演示操作界面启动很简单在项目根目录运行python main.py启动之后建议按这个顺序操作演示打开一张停车场的静态图片先看整体检测效果切换到视频模式观察连续帧的稳定性看是否有车位状态频繁闪烁切换摄像头模式用手机当USB摄像头顶着停车位拍一下感受实时检测整个系统目前能够做到在GTX 1660Ti上运行YOLOv8s模型视频流推理帧率稳定在25-35 FPS左右完全满足实时监控需求。如果你的显卡只有CPU或者核显可以换成YOLOv8n模型预处理时间和推理时间都会明显下降代价是精度略有下降。6. 常见问题与避坑实录6.1 环境与部署问题速查表这里整理了我实际运行中遇到的高频问题按出现的概率排序现象根本原因解决办法torch.cuda.is_available()返回FalsePyTorch装成了CPU版本到PyTorch官网按CUDA版本重新安装运行界面秒退/黑屏PyQt5缺少必要的系统库或显卡驱动问题先用一个空的QMainWindow测试再叠加业务代码ModuleNotFoundError: No module named ultralytics虚拟环境没激活或者装到了别的环境确认当前which python的路径视频播放卡顿帧率极低OpenCV读取视频编码器不兼容尝试pip install opencv-contrib-python或用ffmpeg转码成mp4模型推理结果一帧都没有classes[0]过滤时类别索引不对打印results.boxes.cls确认类别ID6.2 车位状态误判的排查思路车位状态识别最容易出现两类误判空位被判定为占用或者占用被判定为空位。排查时不要一上来就调参数按这个顺序走先检查车位区域标注是否有误。我见过有同学标注的车位多边形尺寸明显地比实际车位大了一圈导致旁边车道的车稍微压线就触发了占用判定。对策是把车位多边形往里缩几个像素或者用shapely.buffer(-2)做内缩处理。再看车辆检测框的质量。如果置信度阈值太低墙上的影子、地面的反光也可能被当成车。把conf_thres提到0.6以上误检会明显减少。如果车辆检测框太大或者重叠严重调高NMS的IoU阈值。最后考虑相邻车位之间的关联。如果一辆车确实停歪了压了两个车位那么它占用了两个车位这在算法上是“合理”的但从业务上不一定是“正确”的。要处理这类问题需要额外的车位约束逻辑比如“同一时间只有相邻车位中IoU更大的车位判定为占用”这属于系统优化方向毕设做到这个程度已经是加分项了。6.3 性能优化把帧率从卡顿到流畅如果你手上的电脑配置一般运行过程中发现画面卡顿可以按优先级尝试这几个优化手段换更轻量的模型。yolov8n.pt比yolov8s.pt体积小一半多推理速度提升一倍显存占用也更少。把detector.py里初始化模型的路径换成yolov8n.pt即可其它代码不用改。降低输入分辨率。在predict里设置imgsz480虽然检测精度会略降但推理速度能提高30%以上。跳过视频帧。不是每一帧都需要参与推理可以设置“每隔2帧推理一次中间帧直接复制上一帧的结果”。这种方式对停车监控这种低频变化的场景特别有效帧率能直接翻倍。开启TensorRT或ONNX导出。如果后续有部署需求model.export(formatengine)可以导出TensorRT加速引擎在支持显卡上推理速度还能再上一个台阶。但这一步对毕设来说不是必须的属于锦上添花。7. 项目扩展方向与个人心得做完这套系统之后如果你的时间还有富余我建议在下面几个方向挑一个做扩展无论是写在论文里还是面试时聊起来都会很有分量增加车位引导功能。在统计到空位后用算法给出“距离入口最近的空位”推荐这需要加入路径规划或者简单的BFS寻路从纯检测变成了应用决策。增加数据库存储。把每一帧的剩余车位数据存入SQLite或MySQL按时间段分析车位利用率生成统计报表。这个方向让系统从“演示工具”变成“管理平台”功能性跃升了一个档次。增加Web端展示。用Flask或FastAPI把检测结果封装成HTTP接口前端用一个网页展示实时画面和车位状态。这一改动能让系统具备远程访问能力答辩演示时用手机就能看到效果比在现场跑来跑去有说服力得多。换一个应用场景。这套代码框架最大的价值在于它的通用性把车位多边形换成“工位区域”“球场场地”“教室座位”把车辆检测换成对应目标就能迁移到另一个实际场景中。这种“举一反三”的能力比单做一个项目更能表现出你的工程能力。最后再分享一点个人体会。很多同学拿到源码的第一反应是“能不能直接不改就交”我特别不建议这么做。倒不是说要推翻重写而是你至少要把每一个模块都读懂、能在代码里定位到对应位置、能回答出“如果我想增加一个卡车类别应该改哪里”“如果我想改变车位判定阈值应该改哪里”。答辩时老师最喜欢问的就是这类问题。这套系统的设计初衷也不是让你拿去做一个“黑盒演示”而是希望通过它把目标检测的完整工作流串起来——当你跑通训练、部署、界面、调优这一整套流程之后再去看其它的视觉项目思路会清晰很多。本文还有配套的精品资源点击获取
