自动驾驶小试牛刀:训练一个YOLO交通标志识别模型(小目标检测秘籍)

交通标志在图像中往往只占几十个像素，属于典型的小目标检测难题。今天用YOLO训练一个能识别限速、转弯、禁停标志的模型，并分享专治小目标的3个绝招。

哈喽，这里是 YOLO模型仓库。

如果你觉得安全帽检测太简单，想挑战更高难度——交通标志识别是绝佳的进阶项目。远处小小的限速牌，YOLO能不能精准框住？当然能，但需要一些特殊技巧。

今天我就把小目标检测的调优秘籍全盘托出，并附赠一个可用的交通标志数据集。

🧭 今天你将学到

1️⃣ 如何处理小目标（增大输入分辨率、多尺度训练）2️⃣ 针对小目标的数据增强策略3️⃣ 修改YOLO锚框尺寸4️⃣ 一个完整的交通标志识别项目

🚦 一、数据集：TT100K（公开数据集）

我们使用公开的TT100K（Tsinghua-Tencent 100K） 数据集的一个精简版，包含6种常见标志：

数据集特点：

• • 图片尺寸：2048×2048（原始很大）
• • 目标占比：很多标志只有30×30像素左右
• • 数量：训练集800张，验证集200张

🎯 二、小目标检测的3个绝招

绝招1：增大输入分辨率（imgsz）

YOLO默认训练尺寸640×640，对于小目标不够。我们提升到1280×1280。

yolo train data=traffic.yaml model=yolov8n.pt imgsz=1280 epochs=100

注意：分辨率提高会消耗更多显存。如果显存不够，可以降低batch size。

绝招2：多尺度训练（multi-scale）

让模型每10个epoch随机在0.5~1.5倍原尺寸之间切换，迫使模型适应不同尺度的目标。

# 在配置文件中multi_scale: Truescale: 0.5

绝招3：针对小目标调整锚框（autoanchor）

YOLO会自动聚类锚框，但对小目标可能不够细。可以手动指定更小的锚框：

anchors:  - [10,13, 16,30, 23,42]    # 小目标  - [30,61, 45,89, 60,120]   # 中目标  - [90,180, 150,250, 300,400]  # 大目标

使用autoanchor命令重新计算：

yolo check anchors data=traffic.yaml imgsz=1280

额外技巧：复制粘贴小目标（Copy-Paste）

把小目标从一张图复制到另一张图，增加密度。YOLO内置了copy_paste参数：

copy_paste: 0.5

📈 三、训练结果对比

🚗 四、部署到行车记录仪视频

训练好的模型可以直接用来处理行车记录仪视频：

from ultralytics import YOLOimport cv2model = YOLO('best_traffic.pt')cap = cv2.VideoCapture('road.mp4')while cap.isOpened():    ret, frame = cap.read()    if not ret: break    results = model(frame, imgsz=1280, conf=0.3)  # 小目标降低置信度阈值    annotated = results[0].plot()    cv2.imshow('Traffic Sign Detection', annotated)    if cv2.waitKey(1) & 0xFF == ord('q'): break

🎁 文末福利

我打包了 《交通标志识别项目包》 ，包含：

✅ TT100K精简版数据集（6类，1000张）✅ 训练好的YOLOv8n模型（小目标优化版，mAP 0.88）✅ 小目标检测调优配置文件✅ 行车记录仪视频测试样例✅ 完整训练日志和曲线

领取方式：👉 关注公众号 YOLO模型仓库👉 后台回复关键词 【交通标志项目】👉 自动获取网盘链接，免费下载！

⏰ 限时福利：前30名回复的读者，额外赠送 《YOLO小目标检测论文合集》 + 20个实战技巧。

📌 明天预告

明天：《YOLOv5/v8/11/26怎么选？一张表终结你的选择困难》把四个主流版本的差异一次性讲透，附选型决策树。

评论区聊聊：你在小目标检测上遇到过什么坑？点赞最高的3位，送 《YOLO调参速查表》 纸质版！

—— 小目标不难，难的是你还没掌握这些技巧 ——

💡 点击下方名片关注 YOLO模型仓库，每周解锁一个新技能。