博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅点击查看作者主页，了解更多项目！
🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅
1、毕业设计：2025年计算机专业毕业设计选题汇总（建议收藏）✅
2、最全计算机专业毕业设计选题大全（建议收藏）✅
1、项目介绍
深度学习车流量监测统计系统 YOLOv8模型 智慧交通大数据 多目标跟踪算法 毕业设计
技术栈：
Python语言、COCO2017数据集、YOLOv8模型、自定义区域、车流量监控计数
2、项目界面
（1）自定义检测区域
（2）车流量监测统计
（3）自定义检测区域
（4）车流量监测统计
（5）车流量监测统计
3、项目说明
（1）配置好运行环境之后,运行【find_region_and_exec.py文件】,
运行该py文件会加载目录video中的视频，然后程序会播放该视频,敲击键盘空格键，视频会暂停播放,再次敲击空格键，会进入编辑界面,然后就可以在画面上划定区域了。
（如需要加载自己的视频，请在该find_region_and_exec.py文件第39行修改文件路径源码）
按照下面的步骤进行区域划定:
1 鼠标左键点击选点
2 鼠标右键点击删除点
3 点击滚轮，结束当前区域绘制,开始下个区域绘制
4 按 ESC 退出
特别注意:
要先划视频左边的区域，再划视频右边的区域，否则后续车流量统计左边右边道路的统计数会反掉
(左边道路的车数量在右边显示，右边道路的车数量在左边显示)只要按照先左后右就可以避免这个问题。
例如，划定两个四边形区域的操作步骤如下：
第一次鼠标左键(画第一个点），
第二次鼠标左键(画第二个点，此时第一个点与第二点之间自动划线）,
第三次鼠标左键（画第三个点，此时第二个点与第三点之间自动划线），
第四次鼠标左键（画第四个点，此时第三个点与第四点之间自动划线），
第五次鼠标左键（一定要与第一个点大致重合）。
然后点击鼠标中间的滚轮,第一个四边形区域划定完毕,开始第二个区域划定：
第一次鼠标左键(画第一个点），
第二次鼠标左键(画第二个点，此时第一个点与第二点之间自动划线）,
第三次鼠标左键（画第三个点，此时第二个点与第三点之间自动划线），
第四次鼠标左键（画第四个点，此时第三个点与第四点之间自动划线），
第五次鼠标左键（一定要与第一个点大致重合）。
然后然后点击鼠标中间的滚轮,第二个四边形区域划定完毕。
之后。敲击键盘ESC键，程序会自动执行car_count.py程序进行推理，大概等待10秒左右，画面会自动弹出。
4、核心代码
# -*- encoding: utf-8 -*-importcv2importtimeimportnumpyasnpimportargparseimportos os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"fromultralyticsimportYOLOdefexec_inference_video(file_path,region_1,region_2):# 可以使用yolo原始权重，也可以用直接使用onnx格式的权重加速推理# 但请注意目标追踪是建立在目标检测的基础之上,它比单纯的目标检测更耗费算力,用cpu跑很慢,即使是用onnx加速,推理速度也无法比拟在gpu、npu上的速度# 推荐电脑有gpu的话，安装gpu的pytorch在gpu上跑,电脑没有gpu的的话，用onnx格式跑# 特别注意:电脑有gpu的话不要安装成了cpu版本的pytroch,否则根本没有用gpu跑，用的还是cpu，速度还是很慢# 特别注意：直接 pip install torch 安装的是cpu版本的torch,即使电脑有显卡因为安装的是cpu版的torch所以还是用的cpu跑的,推理速度照样很慢# 安装gpu版本的torch 首先要在电脑上安装nivida显卡驱动,然后在https://pytorch.org/ 网站 根据自己的情况选择操作系统、cuda版本 生成torch安装命令# 比如我的电脑操作系统windows、有英伟达显卡、显卡驱动装好、cuda版本为11.8，pip安装gpu版本的torch的命令为:# pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# model = YOLO("./yolov8n.onnx") #cpumodel=YOLO("weights/yolov8l.pt")# gpu# 基本逻辑:车辆从视频顶部往下部行走并进入区域,视为 下行 low;从视频画面下部往上部行走并进入区域,视为 上行 up。# 加载要使用的视频kamera=cv2.VideoCapture(file_path)font=cv2.FONT_HERSHEY_DUPLEX# 获取视频的高度与宽度weight,height=kamera.get(3),kamera.get(4)print(weight)print(height)# 注意opencv的坐标系是从左上方开始的,向下为y轴,向右为x轴start_y=int(height/2)start_x=int(0)end_y=int(height/2)end_x=int(weight)# 注意区域的位置应该根据视频而定,不是一成不变的# 这个区域在我这个视频中适用，但是换成其他的视频(比如视频画面是倾斜的)极有可能不适用,需要根据具体的视频设置具体的区域的位置# low 下行区域 左边区域region1=np.array(region_1)region1=region1.reshape((-1,1,2))# up 上行区域 右边区域region2=np.array(region_2)region2=region2.reshape((-1,1,2))# 下行的车辆id保存在这个变量中low_id=set()# 上行车辆的id保存在这个变量中up_id=set()whileTrue:# 逐渐帧读取视频内容ret,frame=kamera.read()ifnotret:break# opnecv读取的图片色彩空间为BGR,我们把它转化成RGBrgb_img=cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)# 使用yolo8的追踪模式(采用byte-tracker多目标跟踪算法)results=model.track(rgb_img,persist=True,tracker="bytetrack.yaml",verbose=False)# 遍历yolo的处理结果，结果全部保存在返回的results(list类型)变量中,里面保存着结果信息,可以打印一下看一看(打印results[0])foriinrange(len(results[0].boxes)):# 框的四个坐标位置x1,y1,x2,y2=results[0].boxes.xyxy[i]# 置信度score=results[0].boxes.conf[i]# 类别标签labelcls=results[0].boxes.cls[i]# print(cls)# 识别对象的id,可能为Noneids=results[0].boxes.id[i]ifids==None:continue## try:# ids = results[0].boxes.id[i]# # print(ids)# except:# continue# float转化intx1,y1,x2,y2,score,cls,ids=int(x1),int(y1),int(x2),int(y2),float(score),int(cls),int(ids)# 设置0.1阈值,只有高于这个阈值,后续才会被标记,进入区域才会被计数ifscore<0.1:continue# cls=2,5,7代表小汽车、公交车、大卡车，这有这几个后续才会被标记,进入区域才会被计数ifclsnotin(2,5,7):continue# 计算物体中心位置的坐标cx=int(x1/2+x2/2)cy=int(y1/2+y2/2)# 将识别的物体 用框标记出来cv2.rectangle(frame,(x1,y1),(x2,y2),(0,0,255),2)# 将识别的物体用圆标记出来# cv2.circle(frame, (cx, cy), 4, (0, 255, 255), -1)# 判断从视频顶部进入画面的物体的中心位置与区域1的关系(在内部还是外部)inside_region1=cv2.pointPolygonTest(region1,(cx,cy),False)# inside_region1为1表示在区域内部ifinside_region1>0:low_id.add(ids)inside_region2=cv2.pointPolygonTest(region2,(cx,cy),False)ifinside_region2>0:up_id.add(ids)# 统计进出物体,并设置为字符串,下一步准备在画面上显示first_low='LOW:'+str(len(low_id))first_up='UP:'+str(len(up_id))# 设置画面左右上角的背景色frame[0:40,0:120]=(102,0,153)frame[0:40,end_x-120:end_x]=(102,0,153)# 将进出物体统计的个数输出到图片,展示cv2.putText(frame,first_low,(0,30),font,1,(255,255,255),1)cv2.putText(frame,first_up,(end_x-120,30),font,1,(255,255,255),1)# 显示两个区域zeros=np.zeros((frame.shape),dtype=np.uint8)mask1=cv2.fillPoly(zeros,[region1],color=(255,0,0))mask2=cv2.fillPoly(zeros,[region2],color=(0,255,0))frame1=cv2.addWeighted(frame,1,mask1,0.3,0)frame2=cv2.addWeighted(frame1,1,mask2,0.05,0)# 逐帧显示处理后的画面cv2.imshow("frame",frame2)ifcv2.waitKey(1)&0xFF==ord("q"):breakkamera.release()cv2.destroyAllWindows()defparse_option():parser=argparse.ArgumentParser()parser.add_argument('--file_path',type=str)parser.add_argument('--region1',type=str)parser.add_argument('--region2',type=str)opt=parser.parse_args()returnoptif__name__=='__main__':opt=parse_option()file_path=opt.file_path region1=eval(opt.region1)region2=eval(opt.region2)exec_inference_video(file_path,region1,region2)5、项目获取
（绿色聊天软件）yuanmazhiwu 或 biyesheji0005🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅
感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻