简介：面向计算机视觉与智慧交通方向的毕业设计、课程设计开发者，这套基于YOLOv8的团雾预警系统融合目标检测与可视化界面，覆盖高速公路团雾场景的数据处理、模型训练、视频检测和界面演示，适合有一定深度学习基础的学生快速上手。资源包共8个文件，包含三份Python工程代码、三份YOLO权重文件以及两份部署说明文本，整体仅15.91MB；代码按训练、检测、可视化三个模块组织，权重可用于不同精度与速度要求的场景，说明文档则帮助快速完成环境配置与启动。目前已有36人学习下载。使用时可一键生成混淆矩阵、F1分数曲线、P-R曲线、标签分布图与验证集预测结果等评估图表，既便于答辩展示，也可在此基础上调整参数或替换数据集，完成二次开发与功能扩展。对计算机视觉、人工智能相关专业的本科毕设或课程设计答辩有直接参考价值。
1. 团雾预警为什么选YOLOv8作为视觉基础
高速公路团雾的特点是来得快、覆盖范围小、浓度梯度大，固定式能见度传感器布点密度根本不够用，等数据回传往往已经封路晚了。视觉方案直接复用路侧监控杆，把摄像头画面作为输入，YOLOv8负责从每帧图像里读出能见度等级，再联动限速提示和情报板。选YOLOv8不单是因为它比YOLOv5新，而是Anchor-free结构在处理团雾这种边界模糊、形状不规则的视觉目标上少一层anchor调参负担，同时推理速度和部署生态都成熟。对一个完整交付的预警系统来说，源码、数据集、可视化界面、部署教程四块缺一不可，整条链上的模型选型、数据标注、训练参数、界面接线和部署排错，下面逐段说透。
2. 看懂YOLOv8的C2f与检测头，团雾特征才不会丢
2.1 C2f为什么比C3更适合低对比度输入
YOLOv8模型结构中，backbone用C2f替换掉YOLOv5的C3。C3是若干Bottleneck串成单条支路，再和旁边一个1x1卷积的结果拼接；C2f把输入分成两条，一条经过Bottleneck链，另一条直连到末端，两者拼接后再过卷积降维。这样在每个Bottleneck残差块之后，梯度既能往主干回流，也能沿旁路直达浅层，低对比度区域的边缘信息更不容易在中途被抹掉。
团雾图像最麻烦的就是细节衰减：远处护栏、标志牌和路面在雾气里融为一体，原本锐利的边缘变成渐变过渡。网络要在这种输入里找到能当能见度参照物的对象，靠的是浅层edge feature能不能保持足够强度。C2f的旁路拼接相当于给浅层特征开了条直达车。在同样的团雾数据上，我用C2f的yolov8s比C3骨架mAP50高2个点左右，主要差在中雾场景的护栏检出上。
from ultralytics import YOLO model = YOLO("yolov8s.yaml") for name, m in model.model.named_modules(): if m.__class__.__name__ == "C2f": # c是内部扩展通道数，n是串接的Bottleneck块数 print(name, m.c, m.n)这个遍历脚本用来确认当前模型规模下C2f的堆叠方式。c是中间隐藏层的通道数，等于该模块输出通道的一半（e=0.5默认），n是重复Bottleneck的数量。n越大代表支路越长、特征复用越充分，但显存占用和延迟同步上升。团雾预警类别少，不需要特别深的支路，yolov8s的n=3够用，往大了加只会让训练集mAP虚高、验证集不涨。
| 结构 | 匹配方式 | 雾天场景主要短板 |
|---|---|---|
| C3 | Anchor-based | 浅层梯度回流弱，边缘特征损耗大 |
| C2f | Anchor-based | 旁路缓解梯度消失，但anchor仍需手工调 |
| C2f + Anchor-free | 动态匹配 | 无需anchor，非规则目标友好 |
2.2 Anchor-free检测头按网格回归，天然适配不规则雾团
YOLOv8的检测头改成Anchor-free后，每个网格位置直接预测目标中心点偏移和宽高，不再依赖手工设定的anchor宽高比。团雾在画面里的形状受风向和地形影响很大，有时贴着路面横着拉开，有时从桥底下翻涌向上，预设anchor很难覆盖这种形态。Anchor-free配合TaskAlignedAssigner做正负样本匹配，按分类得分和IoU联合打分，让模型自己学会怎么调整框的覆盖范围，训练时也省掉K-Means聚类anchor这一步。
2.2.1 从ONNX输出反推检测头的通道构成
detect = model.model[-1] print("类别数:", detect.nc) # 四类：clear/light/medium/heavy print("DFL bins:", detect.reg_max) # 16，坐标积分区间 print("解码前输出通道:", detect.reg_max * 4 + detect.nc) # 68YOLOv8的检测头输出不是直接的框坐标，而是每个坐标用16个bin的分布做Softmax积分（DFL机制）。所以解码前的输出通道是reg_max*4+nc，按四类算就是68。导出ONNX后看到shape为(1,68,80,80)，不要按常规的4+分类数去对应，前64个通道是4个坐标的分布参数，后4个通道是类别得分。推理后处理在640分辨率下NMS占比接近40%，实时预览流如果跑1280，瓶颈通常落在NMS而不是卷积。
2.3 对比YOLOv5和RT-DETR，选型边界在哪
YOLOv5走Anchor-based，重新聚类anchor后也能做，但团雾目标边缘模糊，匹配阶段频繁出现高IoU但错类的正样本，收敛容易不稳。RT-DETR精度上限更高，对样本量和epoch需求也大，毕设周期内数据增量不够的话，mAP波动明显。YOLOv8用Anchor-free方案加上ultralytics的统一接口，训练、验证、导出一条命令走完，把工程负担压到最低。这种场景下先跑通闭环再谈精度，比一上来就追复杂模型更实际。
3. 团雾数据集的构建与标注策略，决定上限
3.1 三路数据源：真实帧、公开含雾集、合成雾
团雾数据集的核心难点是真实样本太稀散：路侧摄像头一年可能只拍到几次完整团雾过程。我一般用三路来源拼接：
- 真实帧：行车记录仪和路侧视频里手动抽帧，按每10~15帧选一张去重。凌晨和傍晚是团雾高发时段，优先挑这两个时间段的数据。
- 公开含雾集：从自动驾驶含雾数据集里筛选高速公路场景，比如带雾的Cityscapes衍生集。这类数据场景偏城市，当辅助可以，直接做主数据会导致车型、街景分布偏差。
- 合成雾：用大气散射模型对无雾高速公路图加雾，根据目标深度图生成透射率，能快速补齐重雾样本的不足。
三路数据合流后要做一次分布检查：把train和val的亮度直方图、雾浓度分布打出来对比，如果两者差异明显，先调划分再跑训练。
3.2 按能见度等级标注，不标"雾区范围"
常见错误是把雾当成二分类框出"雾的区域"。雾在画面上是大面积渐变的，没有明确边界，检测框回归会来回抖。正确的标注对象是画面里可作为能见度参照物的实体——路灯杆、标志牌、龙门架、前车尾灯，框住这些对象并给它们附上雾浓度等级，让模型去学"参照物在雾中的可辨识程度"。四类划分如下：
| 类别 | 定义 | 画面特征 |
|---|---|---|
| clear | 能见度≥500m | 中远景目标轮廓清晰 |
| light_fog | 200~500m | 百米内护栏可见，中景细节丢失 |
| medium_fog | 50~200m | 近景清晰，车道线断续 |
| heavy_fog | <50m | 仅可见车灯或数米路面 |
标注规范里必须配一组"同目标不同等级"的参照图，标注员只看单帧会把中景模糊的clear标成light_fog。验证集同样要按等级抽样，尤其要保证包含完整的团雾演变过程，从轻到重各阶段都有，模型才不会只认中等浓度、对轻重两端的回归漂移。
3.3 针对低对比度的增强参数
ultralytics默认增强里，对团雾场景需要显式约束几个参数：
augment = { "hsv_h": 0.012, # 色相扰动，雾天偏灰白，扰动大了背景变色 "hsv_s": 0.62, # 饱和度扰动保持低位 "hsv_v": 0.38, "degrees": 0.0, # 公路画面水平基准，禁用旋转增强 "translate": 0.12, "scale": 0.44, "mosaic": 1.0, # 首轮开启，提高小目标召回 "mixup": 0.18 # 轻雾样本混合，防过拟合 }degrees=0是硬约束，路侧相机固定安装，画面不存在旋转先验，旋转增强生成的样本和实际部署分布不一致。hsv_h调低是因为雾色接近灰白，色相稍微一偏就变成青灰，模型会把晴天树影学成雾。Mosaic把四张不同浓度的图拼在一起，能有效压制模型对单一色调的过拟合，但训练后段要关掉——最后10个epoch保持真实分布，让框回归稳定下来。
3.4 目录结构与随机种子纪律
datasets/fog/ ├── images/ │ ├── train/ # 3120张 │ ├── val/ # 460张 │ └── test/ # 220张 ├── labels/ └── data.yamlval和test按日期划分，不随机打散。同一段团雾过程的相邻帧如果同时出现在train和val，验证指标会被高估。data.yaml里nc=4，names顺序必须和标注时的类别索引一致：0 clear、1 light_fog、2 medium_fog、3 heavy_fog。这个顺序后面界面和告警逻辑都要引用，改乱一处，整个评估链路的结果全没意义。
4. 用YOLOv8训练团雾模型的参数清单
4.1 环境配置与版本锁定
YOLOv8环境配置的大部分报错来自torch和torchvision版本失配。新建虚拟环境后，固定版本安装：
python -m venv yolo-env source yolo-env/bin/activate pip install torch==2.2.0 torchvision==0.17.0 --index-url https://download.pytorch.org/whl/cu121 pip install ultralytics==8.2.0torch和torchvision必须一起固定版本，单独pip install torch会拉到最新大版本，ultralytics调用的API签名对不上，典型报错是AttributeError: module 'torchvision' has no attribute 'ops'这类。GTX1660Ti跑yolov8s只有6G显存，batch只能开8。显存不够时优先调batch而不是改imgsz——imgsz影响模型感受野设计和部署分辨率的一致性，后面对齐代价更高。
4.2 训练命令中的关键参数
yolo train model=yolov8s.pt data=datasets/fog/data.yaml \ epochs=120 imgsz=640 batch=8 \ optimizer=AdamW lr0=0.001 lrf=0.01 \ mosaic=1.0 close_mosaic=10 \ project=runs/fog name=exp1| 参数 | 值 | 场景依据 |
|---|---|---|
| imgsz | 640 | 训练和部署分辨率必须一致，1280训练、640部署会掉点 |
| batch | 8 | 6G显存上限，再大直接OOM |
| close_mosaic | 10 | 后段关闭拼接增强，让框回归到真实尺度 |
| mixup | 0.18 | 轻雾样本混合，压住过拟合 |
imgsz=640不是随手写的。团雾参照物（杆、护栏）属于中小目标，640下约32~128像素，1280下指标能再好4%左右，但推理速度减半，NMS耗时更明显。训练和部署分辨率不一致是本地调好、上机掉点的头号原因。
optimizer=AdamW主要面向类别不平衡数据，它对学习率敏感度比SGD低，lr0=0.001起步，前20个epoch里box_loss震荡明显就降到0.0005。batch=8在1660Ti上是极限，如果开了cache=True，16G内存的机器也会出现换页拖慢，内存紧张就保持cache=False。
4.3 损失曲线判读和早停
训练完打开runs/fog/exp1下的results.png，yolov8画损失函数曲线图会自动输出box_loss/cls_loss/dfl_loss的train+val子图。判读重点不是看loss归零，而是看box_loss在70轮左右是否进入平台：
- box_loss和cls_loss进入平台、val/mAP50还在缓慢上升，继续跑等patience触发。
- train/box_loss持续下降而val/box_loss反弹上翘，这是过拟合信号，优先关mixup而不是降学习率。
# 从检查点续训，关闭mixup和mosaic做纯真实分布微调 yolo train model=runs/fog/exp1/weights/last.pt \ data=datasets/fog/data.yaml epochs=30 imgsz=640 \ mixup=0.0 mosaic=0.0训练结束看weights目录，best.pt按val/mAP50选，last.pt用于续训。如果best.pt出现在最后一个epoch，说明训练还没收敛，需要加epoch继续跑。
4.4 类别不均衡的针对性处理
heavy_fog样本占比通常不到两成，模型为了整体mAP会优先拟合样本量大的medium_fog。两个有效手段：一是对heavy_fog做复制加高斯噪声，扩展低置信度样本；二是单独打印heavy_fog的混淆矩阵，看它大概率被分到medium_fog还是light_fog。被分到medium_fog说明特征区分度不够，靠加数据；被分到light_fog说明回归偏移，靠调anchor-free匹配阈值和cls loss权重，方向完全不同。
5. 可视化界面的三层结构与告警闭环
5.1 PyQt5还是Streamlit
可视化界面跑在监控内网时，PyQt5比Streamlit合适。Streamlit需要启Web服务，端口访问、进程托管都是额外维护点；PyQt5双击即开，摄像头或视频流接进来直接显示检测结果。课程设计答辩场景尤其推荐PyQt5，可以离线演示，不依赖服务器常驻。界面功能至少要包含三块：实时视频预览、当前能见度等级、告警事件列表。
5.2 把模型跑进Qt线程
import cv2 from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO class FogDetector(QThread): frame_ready = pyqtSignal(object, dict) def __init__(self, model_path, conf=0.4, iou=0.45): super().__init__() self.model = YOLO(model_path) self.conf = conf self.iou = iou self._running = True def run(self): cap = cv2.VideoCapture(0) # 0: 摄像头; 文件路径: 视频回放 while self._running and cap.isOpened(): ret, frame = cap.read() if not ret: break result = self.model.predict( frame, imgsz=640, conf=self.conf, iou=self.iou, classes=[1, 2, 3] # 跳过clear，只输出雾等级 ) boxes = result[0].boxes max_cls = int(boxes.cls.max()) if len(boxes) > 0 else 0 self.frame_ready.emit(frame, {"level": max_cls}) cap.release() def stop(self): self._running = False self.quit() self.wait()模型推理放独立线程，主线程只接收frame_ready信号刷新画面，不然界面会卡顿。classes=[1,2,3]在推理阶段就过滤掉clear，减少后处理工作量。等级取boxes.cls.max()，因为类别索引本身按能见度从好到坏排序，索引最大就是当前帧最严重等级，不需要额外比较。
5.3 时间窗口平滑，避免单帧误报直接推告警
单帧检测结果直接触发告警，晴天逆光或树影横跨路面能瞬间误报成中雾。常见做法是加滑动窗口，按30帧统计等级分布，重雾占比超过阈值才确认告警。
def alarm_level(level_list, window=30): if len(level_list) < window: return 0 recent = level_list[-window:] score = recent.count(3) + 0.6 * recent.count(2) if score / window >= 0.6: return 3 # 触发重雾告警 if score / window >= 0.35: return 2 # 触发中雾告警 return 0中雾按0.6权重折算，模拟浓度上升过程中不会跳过中雾直接跳到重雾。告警触发后截取前后5秒画面存档，路径按时间戳组织，后续用这些存档做误报复核和模型迭代。
| 判定分 | 告警等级 | 联动动作 |
|---|---|---|
| ≥0.6 | 3 重雾 | 情报板限速60，通知路政 |
| 0.35~0.6 | 2 中雾 | 情报板提示"团雾多发" |
| <0.35 | 0 无告警 | 仅记录，不打扰值班员 |
6. 部署后收敛误报率的3个实用手法
6.1 ONNX转换和CPU实测
模型定型后导出ONNX给部署端用，比在部署机上装整套ultralytics更轻：
yolo export model=runs/fog/exp1/weights/best.pt \ format=onnx imgsz=640 opset=12 simplify=True实际跑下来，i5-12400的CPU一帧640推理约40~60ms，单路秒级轮询完全够用。摄像头路数超过10路必须上GPU或TensorRT，否则轮询周期拖长，团雾变化速度等不起。
6.2 阴影段用灰度先验降级
树影横跨路面时，护栏在阴影里的对比度骤降，容易被误判成medium_fog。雾的灰白色调在灰度均值上有明显特征：晴天阴影区域灰度均值通常低于130，雾天落在160~200这个区间。检测框内灰度均值低于130时，把检测结果降一级，不计入告警统计。这个先验实现成本几乎为零，但对树影误报的过滤效果非常直接。
6.3 低置信度重雾帧的自动收集
for i in range(50): frame = read_frame(f"test/frames/frame_{i:05d}.jpg") result = model.predict(frame, imgsz=640, conf=0.2) for box in result[0].boxes: cls_id = int(box.cls) conf = float(box.conf) if cls_id == 3 and conf < 0.45: cv2.imwrite(f"candidates/heavy_lowconf_{i}.jpg", frame)按0.2的置信度下限跑一遍测试集，把识别成heavy_fog但置信度低于0.45的帧全部存下来，人工确认后补进训练集。重雾样本标注成本高，这条自动流水线能把收集成本压到最低。部署后第二周开始，把告警记录里medium_fog的复查结果回填数据集，连续做三轮这样的回归迭代，误报率基本能收敛到值班员可接受的范围，这也是预警系统验收时最该盯的指标。
本文还有配套的精品资源，点击获取
