[C#][winform]基于yolov8的道路交通事故检测系统C#源码+onnx模型+评估指标曲线+精美GUI界面

embedded/2024/10/20 6:25:55/

【重要说明】

该系统以opencvsharp作图像处理,onnxruntime做推理引擎，使用CPU进行推理，适合有显卡或者没有显卡windows x64系统均可，不支持macOS和Linux系统，不支持x86的windows操作系统。由于采用CPU推理，要比GPU慢。为了适合大部分操作系统我们暂时只写了CPU推理源码，GPU推理源码后期根据需要可能会调整，目前只考虑CPU推理，主要是为了照顾现在大部分使用该源码是学生，很多人并没有显卡的电脑情况。

【算法介绍】

基于YOLOV8的道路交通事故检测系统是一种先进的智能交通监控解决方案，它利用YOLOV8这一前沿的目标检测算法，实现对交通事故的高效、实时检测。

该系统结合了自定义的道路交通事故数据集，对YOLOV8模型进行了针对性的训练与优化，使其能够精确识别交通事故的发生及其类型。在实际应用中，系统能够快速识别视频流中的多种目标，如车辆、行人等，并准确判断其是否存在交通事故行为。

此外，该系统通过PyQt5框架实现了友好且易于操作的用户界面，用户可以通过该界面实时监控交通状况，查看事故检测结果，并进行相关的操作设置。系统支持图片、视频以及摄像头进行目标检测，同时支持检测结果的实时显示，方便用户进行后续分析和处理。

基于YOLOV8的道路交通事故检测系统不仅适用于城市道路监控，还可以推广应用到高速公路、交通枢纽等更复杂的交通场景中。它能够帮助缩短紧急服务响应时间，减少交通阻塞，同时还能为事故分析和预防措施的制定提供数据支持。

总的来说，基于YOLOV8的道路交通事故检测系统为交通安全提供了一种智能化、自动化的解决方案，有助于提升城市交通管理水平，保障行人和驾驶员的生命财产安全。

【效果展示】

【测试环境】

windows10 x64系统
VS2019
netframework4.7.2
opencvsharp4.8.0
onnxruntime1.16.3

【模型可以检测出类别】

accident
moderate
severe

【相关数据集(非本文训练的数据集)】 

https://download.csdn.net/download/FL1623863129/87580711

【训练信息】

参数值
训练集图片数7089
验证集图片数1084
训练map95.9%
训练精度(Precision)92.0%
训练召回率(Recall)93.5%
验证集测试精度信息

类别

MAP50(单位：%)

all

96

accident

91

moderate

98

severe

99

【部分实现源码】

using OpenCvSharp;
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Diagnostics;
using System.Drawing;
using System.IO;
using System.Linq;
using System.Text;
using System.Threading;
using System.Threading.Tasks;
using System.Windows.Forms;namespace FIRC
{public partial class Form1 : Form{public bool videoStart = false;//视频停止标志string weightsPath = Application.StartupPath + "\\weights";//模型目录string labelTxt= Application.StartupPath + "\\weights\\class_names.txt";//类别文件Yolov8Manager detetor = new Yolov8Manager();//推理引擎public Form1(){InitializeComponent();CheckForIllegalCrossThreadCalls = false;//线程更新控件不报错}private void LoadWeightsFromDir(){var di = new DirectoryInfo(weightsPath);foreach(var fi in di.GetFiles("*.onnx")){comboBox1.Items.Add(fi.Name);}if(comboBox1.Items.Count>0){comboBox1.SelectedIndex = 0;}else{tssl_show.Text = "未找到模型,请关闭程序，放入模型到weights文件夹!";tsb_pic.Enabled = false;tsb_video.Enabled = false;tsb_camera.Enabled = false;}}private void Form1_Load(object sender, EventArgs e){LoadWeightsFromDir();//从目录加载模型}public string GetResultString(Result result){Dictionary<string, int> resultDict = new Dictionary<string, int>();for (int i = 0; i < result.length; i++){if(resultDict.ContainsKey( result.classes[i]) ){resultDict[result.classes[i]]++;}else{resultDict[result.classes[i]]=1;}}var resultStr = "";foreach(var item in resultDict){resultStr += string.Format("{0}:{1}\n",item.Key,item.Value);}return resultStr;}private void tsb_pic_Click(object sender, EventArgs e){OpenFileDialog ofd = new OpenFileDialog();ofd.Filter = "*.*|*.bmp;*.jpg;*.jpeg;*.tiff;*.tiff;*.png";if (ofd.ShowDialog() != DialogResult.OK) return;tssl_show.Text = "正在检测中...";Task.Run(() => {var sw = new Stopwatch();sw.Start();Mat image = Cv2.ImRead(ofd.FileName);detetor.Confidence =Convert.ToSingle(numericUpDown1.Value);detetor.IOU = Convert.ToSingle(numericUpDown2.Value);var results=detetor.Inference(image);var resultImage = detetor.DrawImage(image,results);sw.Stop();pb_show.Image = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImage);tb_res.Text = GetResultString(results);tssl_show.Text = "检测已完成!总计耗时"+sw.Elapsed.TotalSeconds+"秒";});}public void VideoProcess(string videoPath){Task.Run(() => {detetor.Confidence = Convert.ToSingle(numericUpDown1.Value);detetor.IOU = Convert.ToSingle(numericUpDown2.Value);VideoCapture capture = new VideoCapture(videoPath);if (!capture.IsOpened()){tssl_show.Text="视频打开失败!";return;}Mat frame = new Mat();var sw = new Stopwatch();int fps = 0;while (videoStart){capture.Read(frame);if (frame.Empty()){Console.WriteLine("data is empty!");break;}sw.Start();var results = detetor.Inference(frame);var resultImg = detetor.DrawImage(frame,results);sw.Stop();fps = Convert.ToInt32(1 / sw.Elapsed.TotalSeconds);sw.Reset();Cv2.PutText(resultImg, "FPS=" + fps, new OpenCvSharp.Point(30, 30), HersheyFonts.HersheyComplex, 1.0, new Scalar(255, 0, 0), 3);//显示结果pb_show.Image = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImg);tb_res.Text = GetResultString(results);Thread.Sleep(5);}capture.Release();pb_show.Image = null;tssl_show.Text = "视频已停止!";tsb_video.Text = "选择视频";});}public void CameraProcess(int cameraIndex=0){Task.Run(() => {detetor.Confidence = Convert.ToSingle(numericUpDown1.Value);detetor.IOU = Convert.ToSingle(numericUpDown2.Value);VideoCapture capture = new VideoCapture(cameraIndex);if (!capture.IsOpened()){tssl_show.Text = "摄像头打开失败!";return;}Mat frame = new Mat();var sw = new Stopwatch();int fps = 0;while (videoStart){capture.Read(frame);if (frame.Empty()){Console.WriteLine("data is empty!");break;}sw.Start();var results = detetor.Inference(frame);var resultImg = detetor.DrawImage(frame, results);sw.Stop();fps = Convert.ToInt32(1 / sw.Elapsed.TotalSeconds);sw.Reset();Cv2.PutText(resultImg, "FPS=" + fps, new OpenCvSharp.Point(30, 30), HersheyFonts.HersheyComplex, 1.0, new Scalar(255, 0, 0), 3);//显示结果pb_show.Image = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultImg);tb_res.Text = GetResultString(results);Thread.Sleep(5);}capture.Release();pb_show.Image = null;tssl_show.Text = "摄像头已停止!";tsb_camera.Text = "打开摄像头";});}private void tsb_video_Click(object sender, EventArgs e){if(tsb_video.Text=="选择视频"){OpenFileDialog ofd = new OpenFileDialog();ofd.Filter = "视频文件(*.*)|*.mp4;*.avi";if (ofd.ShowDialog() != DialogResult.OK) return;videoStart = true;VideoProcess(ofd.FileName);tsb_video.Text = "停止";tssl_show.Text = "视频正在检测中...";}else{videoStart = false;}}private void tsb_camera_Click(object sender, EventArgs e){if (tsb_camera.Text == "打开摄像头"){videoStart = true;CameraProcess(0);tsb_camera.Text = "停止";tssl_show.Text = "摄像头正在检测中...";}else{videoStart = false;}}private void tsb_exit_Click(object sender, EventArgs e){videoStart = false;this.Close();}private void trackBar1_Scroll(object sender, EventArgs e){numericUpDown1.Value = Convert.ToDecimal(trackBar1.Value / 100.0f);}private void trackBar2_Scroll(object sender, EventArgs e){numericUpDown2.Value = Convert.ToDecimal(trackBar2.Value / 100.0f);}private void numericUpDown1_ValueChanged(object sender, EventArgs e){trackBar1.Value = (int)(Convert.ToSingle(numericUpDown1.Value) * 100);}private void numericUpDown2_ValueChanged(object sender, EventArgs e){trackBar2.Value = (int)(Convert.ToSingle(numericUpDown2.Value) * 100);}private void comboBox1_SelectedIndexChanged(object sender, EventArgs e){tssl_show.Text="加载模型:"+comboBox1.Text;detetor.LoadWeights(weightsPath+"\\"+comboBox1.Text,labelTxt);tssl_show.Text = "模型加载已完成!";}}
}

【使用步骤】

使用步骤：
（1）首先根据官方框架https://github.com/ultralytics/ultralytics安装教程安装好yolov8环境，并根据官方export命令将自己pt模型转成onnx模型
（2）使用vs2019打开sln项目，选择x64 release并且修改一些必要的参数，比如输入shape等，点击运行即可查看最后效果

特别注意如果运行报错了，请参考我的博文进行重新引用我源码的DLL：https://blog.csdn.net/FL1623863129/article/details/135424751

【提供文件】

C#源码
yolov8n.onnx模型（不提供pytorch模型）
训练的map,P,R曲线图(在weights\results.png)
测试图片（在test_img文件夹下面）

【视频演示】

[C#][winform]基于yolov8的道路交通事故检测系统C#源码+onnx模型+评估指标曲线+精美GUI界面_哔哩哔哩_bilibili【测试环境】windows10 x64系统VS2019netframework4.7.2opencvsharp4.8.0onnxruntime1.16.3更多信息和源码下载参考博文：https://blog.csdn.net/FL1623863129/article/details/143069821, 视频播放量 1、弹幕量 0、点赞数 0、投硬币枚数 0、收藏人数 0、转发人数 0, 视频作者 未来自主研究中心, 作者简介 未来自主研究中心，相关视频：C# winform使用纯opencvsharp部署yolox-onnx模型，C# winform部署yolov11-pose姿态估计onnx模型，使用C#的winform部署yolov8的onnx实例分割模型，C++版本yolov8的onnx模型加密方法保护自己模型和版权，基于yolov8的火焰烟雾检测系统python源码+onnx模型+评估指标曲线+精美GUI界面，C#部署官方yolov8-obb旋转框检测的onnx模型，易语言部署yolov8的onnx模型，基于yolov8的PCB缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面，使用C++部署yolov8的onnx和bytetrack实现目标追踪，基于C# winform调用文心一言大模型实现实时聊天功能icon-default.png?t=O83Ahttps://www.bilibili.com/video/BV1ykCXYTEKo/

【源码下载地址】

关注下方名片并回复【firc4】即可获取下载方式


http://www.ppmy.cn/embedded/128921.html

相关文章

wireshark或tshark提取tcpdump捕获的数据包(附python脚本自动解析文件后缀)

wireshark或tshark提取tcpdump捕获的数据包(附python脚本自动解析文件后缀)

tcpdump 捕获数据包后&#xff0c;保存的文件通常会被命名为 capture.pcap&#xff08;或其他你指定的名称&#xff09;&#xff0c;并存储在你运行命令的当前目录中。以下是如何使用 tcpdump 进行流量捕获&#xff0c;并找到和使用捕获文件的详细步骤。 1. 使用 tcpdump 捕获…
阅读更多...
应用层协议 序列化

应用层协议 序列化

自定义应用层协议 例子&#xff1a;网络版本计算器 序列化反序列化 序列化&#xff1a;将消息&#xff0c;昵称&#xff0c;日期整合成消息-昵称-日期 反序列化&#xff1a;消息-昵称-日期->消息&#xff0c;昵称&#xff0c;日期 在序列化中&#xff0c;定义一个结构体…
阅读更多...
IDEA中的快捷键大全--超详细

IDEA中的快捷键大全--超详细

目录 一、通用类型 1.1 图示 1.2 表格化 二、编写速度提升 2.1 图示 2.1.1 表格化 2.2 图示 2.2.1 表格化: 三、类结构,查找和查看源码 3.1 图示 3.2 表格化 四、查找,替换和关闭 4.1图示 4.2 表格化 五、调整格式 5.1 图示 5.2 表格化 六、快捷键的自主定义…
阅读更多...
Lua 语言中的注释详解

Lua 语言中的注释详解

软考鸭微信小程序 过软考,来软考鸭! 提供软考免费软考讲解视频、题库、软考试题、软考模考、软考查分、软考咨询等服务 引言 在编程中&#xff0c;注释是代码的重要组成部分&#xff0c;它帮助开发者理解和维护代码。Lua&#xff0c;作为一种轻量级的脚本语言&#xff0c;也提…
阅读更多...
二叉树基础：什么样的二叉树适合用数组来存储？

二叉树基础：什么样的二叉树适合用数组来存储？

二叉树基础：什么样的二叉树适合用数组来存储？ 在计算机科学中，二叉树是一种非常重要的数据结构。它具有许多应用，如搜索、排序、表达式解析等。在存储二叉树时，我们可以使用多种方法，其中一种是使用数组。但是，并不是所有的二叉树都适合用数组来存储。那么，什么样的二…
阅读更多...
深度学习 nd.random.normal()

深度学习 nd.random.normal()

nd.random.normal() 是 MXNet 中用于生成符合正态分布&#xff08;高斯分布&#xff09;随机数的函数。它允许用户指定均值、标准差以及生成的随机数的形状。 函数签名 mx.nd.random.normal(loc0.0, scale1.0, shape(1,)) 参数 loc: 生成的随机数的均值&#xff0c;默认为 …
阅读更多...
软件设计师----UML

软件设计师----UML

事物 UML中有四种事物&#xff1a; 结构事物&#xff1a;结构事物是UML模型中的名词&#xff0c;通常是模型的静态部分&#xff0c;描述概念或物理元素。 行为事物&#xff1a;行为事物是UML模型的动态部分&#xff0c;它们是模型中的动词&#xff0c;描述了跨越时间和空间的…
阅读更多...
Vue3 路由基础 02

Vue3 路由基础 02

嵌套路由 编写News的子路由&#xff1a;Detail.vue <template><div><h1>新闻的详情</h1><p>新闻的id是&#xff1a;xxx</p><p>新闻的标题是&#xff1a;xxx</p><p>新闻的内容是&#xff1a;xxx</p></div>…
阅读更多...
最新文章

Copyright @ 2022~2023