简介面向毕设与课设场景的YOLOv8停车场车辆占道违停检测项目包含可直接运行的Python源码、可视化操作界面、配套数据集与部署教程重点覆盖目标检测、违停判定与结果可视化适合计算机视觉方向学生快速完成项目落地。压缩包共8个文件3个py脚本分别承担界面展示、视频检测与模型训练3个pt权重文件提供预训练模型与训练产出2个txt说明文件给出使用指引。包体约15.91MB已在测试环境中运行成功下载后按README操作即可复现训练与检测流程。项目可生成核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果与标签分布图对毕设答辩或课程设计汇报具有较强支撑作用。目前已有62人学习下载适合作为入门进阶或项目演示的参考。1. 停车场占道违停检测毕设课设为什么都盯上YOLOv8这套组合每年到了毕设和课设季停车场车辆检测相关的题目就没断过。原因很直接场景固定、数据好找、效果容易可视化而且“车辆检测 违停判断”这个组合刚好卡在目标检测和规则逻辑的交汇点上比单纯做识别有内容可写。标题里这个《基于YOLOv8的停车场车辆占道违停检测》项目说白了就是一套已经训练好的YOLOv8检测模型配上一个可视化界面、一份能直接用的数据集和部署文档打包成的完整工程。它解决的问题很明确让一个没系统调过模型的在校生拿到手之后不用从零配环境、不用自己标几千张图能较快跑出一个带界面的违停检测demo。这类项目真正吸引人的不是YOLOv8本身而是“完整”这两个字。做过目标检测的人都知道模型训练只是其中一环数据标注、格式转换、界面封装、部署踩坑加起来的工作量远大于训练本身。所以这种打包项目对毕设来说价值在于省时间对想练手的人来说价值在于能看到一个检测系统从数据到界面的完整链路。当然拿到这种包之后能不能跑通、界面长什么样、检测效果如何完全取决于压缩包里的具体内容但基于这个标题要做的技术拆解是可以明确展开的数据怎么准备、模型怎么训、违停逻辑怎么定、界面怎么接、部署坑在哪里。下面按这条线一层层说清楚。2. 停车场占道违停检测的判定逻辑检测模型只是半成品很多初学者有一个误区觉得YOLOv8训练完能框出车辆违停检测就完成了一大半。实际恰恰相反模型输出的只是“哪里有车、是什么车”而违停检测的核心工作在于“这辆车停在什么位置、这个位置允不允许停、停了多久”。这部分规则逻辑和模型同等重要写论文时也是可以单独展开的章节。2.1 从车辆框到违停判断坐标、区域和时长的三角关系占道违停检测最常见的做法是设定禁停区域然后判断车辆框与禁停区域的重叠关系。具体来说有三种判定层级从简单到复杂依次是中心点判罚取车辆框中心点判断是否落在禁停多边形内。最简单但车头在区域内、车尾在区域外时会产生误判。交并比判罚计算车辆框与禁停区域的IoU超过阈值就判定违停。比中心点稳定能覆盖压线停车的情况。压线判罚检测车辆框四条边与禁停区域边界的相交情况适合“压线就算违停”的场景。实际项目里我一般建议做二级判定先用IoU做粗筛再用中心点做细筛。比如IoU大于0.3且中心点在区域内直接判违停IoU在0.1到0.3之间进入“疑似”状态需要结合计时逻辑确认。这样能减少单车跨线场景下的误报。判定逻辑确定后剩下的核心工作是划定禁停区域。常见做法是在可视化界面上用鼠标标定多边形区域把顶点坐标保存成JSON或者配置文件。运行时YOLOv8给出车辆框坐标程序再对每个框执行点在多边形内的判断。停车场里常见的禁停区域包括消防通道、出入口、残疾人车位、充电车位等每个区域对应不同的罚则Python代码里把区域ID和车辆框关联起来就能做区分。2.2 Python实现区域判定射线法与坐标归一化无论是毕设展示还是实际部署区域判定都建议用射线法实现算法稳定而且代码量少。射线法的思路是从目标点向右发射一条水平射线统计与多边形边的交点数量奇数则在多边形内偶数则在多边形外。这个算法对凹多边形同样适用足以覆盖停车场区域形状不规则的情况。import cv2 import numpy as np def is_point_in_polygon(point, polygon): 射线法判断点是否在多边形内 :param point: [x, y] 待判断的点坐标 :param polygon: [[x1, y1], [x2, y2], ...] 多边形顶点列表 :return: True 在多边形内False 在多边形外 x, y point n len(polygon) inside False j n - 1 for i in range(n): xi, yi polygon[i] xj, yj polygon[j] # 判断从点出发的水平射线是否与边相交 if ((yi y) ! (yj y)) and (x (xj - xi) * (y - yi) / (yj - yi) xi): inside not inside j i return inside这段代码是射线法的经典实现核心在于判断点的y坐标是否介于边的两个端点y坐标之间同时用相似三角形算出交点的x坐标再与目标点比较。实际使用时要注意坐标系的统一模型输出的坐标经过缩放后是原图尺寸标注禁停区域时如果用的是界面缩放后的坐标必须先乘回缩放比例否则点永远对不准。有了单点判定后车辆违停判定就变成组合逻辑了。车辆检测框的坐标是[x1, y1, x2, y2]中心点就是((x1x2)/2, (y1y2)/2)再把检测框和区域做IoU计算。这里建议用shapely库代替手写IoU数值稳定且支持多边形相交代码量少很多适合课设论文里贴关键实现而不是贴几百行造轮子。2.3 违停计时的引入帧检测不落地停车场场景还有一个核心问题是车辆在禁停区域临时停靠和真正违停之间需要时间阈值来区分。一个常见的判定方案是设置滑动时间窗口例如连续20秒检测到同一车辆与禁停区域重叠才触发违停记录。实现方法是对检测结果做轨迹关联用车辆框中心点之间的距离做匹配距离小于阈值的认为是同一辆车。这里的坑是YOLOv8对单帧的检测结果没有记忆能力帧与帧之间的目标ID需要自己做。初学者常犯的错误是直接用每一帧独立的检测结果判断违停导致同一辆车因为几帧漏检被重复记录。我一般建议用简单的位置关联即可不引入DeepSort之类的跟踪模型这样可以控制工程复杂度而且毕设答辩时逻辑也更好解释。3. 训练一个停车场车辆检测模型数据集准备与YOLOv8训练参数很多打包项目自带的模型只对特定场景有效如果你换一个停车场检测效果大概率会掉。原因很好理解训练数据里的视角、光照、车型分布和你自己场景不一致。所以无论项目包里有没有现成模型按照自己的场景重新训练一遍是值得做的这也是毕设论文里“关键技术研究”章节的素材来源。3.1 用已有停车场车辆数据集做迁移训练标题里提到项目包含完整数据集但完整不等于适合你的场景。做停车场车辆检测数据集选择上可以考虑三种来源通用车辆检测数据集、停车场专用数据集、自己采集标注的数据集。通用数据集如BDD100K、UA-DETRAC包含大量城区道路车辆图片而停车场专用数据集搜到的大多是特定停车场俯拍或监控视角比如CCPD数据集虽然主要是车牌识别但里面的车辆位置信息也可以迁移用于车辆检测。HRSC2016在遥感场景船上用得多跟停车场关系不大周边热搜里出现的这些数据及词汇说明了大家在数据集选择上确实容易陷入纠结。一个实际可行的方案是如果项目包自带数据集的场景与你需求不完全一致直接用自带数据做预训练然后从网上找公开数据补充。公开数据集下载后要检查标注格式目前YOLOv8原生支持两种格式YOLO格式的txt文件类别ID 归一化中心坐标和宽高和COCO格式的JSON多边形标注。建议统一转成YOLO txt格式因为YOLOv8训练时读取方便、调试直观。import os from PIL import Image def convert_coco_json_to_yolo(json_path, image_dir, output_dir): 将COCO格式标注转换为YOLO格式 :param json_path: coco标注json文件路径 :param image_dir: 图片所在目录 :param output_dir: 输出txt文件目录文件名与图片名一一对应 import json with open(json_path, r, encodingutf-8) as f: coco_data json.load(f) os.makedirs(output_dir, exist_okTrue) # 建立图片id到文件名的映射 img_id_to_name {} for img in coco_data[images]: img_id_to_name[img[id]] img[file_name] # 遍历每一张图片的标注 for anno in coco_data[annotations]: img_name img_id_to_name.get(anno[image_id]) if img_name is None: continue # 读取图片宽高用于坐标归一化 img_path os.path.join(image_dir, img_name) with Image.open(img_path) as img: img_w, img_h img.size # COCO的bbox格式是[x, y, width, height]左上角坐标 bbox anno[bbox] x_center (bbox[0] bbox[2] / 2) / img_w y_center (bbox[1] bbox[3] / 2) / img_h w_norm bbox[2] / img_w h_norm bbox[3] / img_h txt_path os.path.join(output_dir, img_name.replace(.jpg, .txt)) with open(txt_path, a) as f: # 类别id 归一化坐标YOLOv8格式 f.write(f{anno[category_id]} {x_center:.6f} {y_center:.6f} {w_norm:.6f} {h_norm:.6f}\n)这里有几个细节要重点说明第一读取图片尺寸时不能用标注里的width和height字段而是要用PIL或OpenCV重新读取否则遇到旋转信息、损坏图就会产生坐标偏移第二COCO的bbox是左上角坐标加宽高YOLO格式是中心点坐标加宽高写的时候不要漏掉除以2这一步第三转换时要保持txt文件名与图片名一一对应YOLOv8训练时依赖这个对应关系定位标签。如果项目包里的数据已经是YOLO格式那数据准备这一步就可以跳过转格式直接看类别标签是否只有一类“vehicle”还是分“car、truck、bus”多类。停车场场景建议合并成“vehicle”单类因为违停检测关心的是“有没有车占道”不太关心具体车型分多类会稀释训练样本量。3.2 训练参数设置、数据集划分与损失曲线YOLOv8训练命令本身并不复杂真正影响效果的是图像尺寸、epoch和batch size的选择。停车场监控视频帧一般分辨率偏高常见是1920x1080直接送进去训练显存不够。一般做法是设置imgsz640训练时YOLOv8会自动缩放如果车辆较小、检测距离远考虑提高到832或1024但显存和时间成本也要翻倍。Epoch数的选择要看数据集规模和学习曲线。数据集500张以下训练200个epoch容易过拟合建议100到150个epoch并开启早停数据集2000张以上150到200个epoch比较合适。我习惯在训练初期把batch size拉满显存能承受的最大值配合workers8加速数据加载后期如果loss震荡再降低学习率。# 训练命令示例在自建数据集上训练YOLOv8检测模型 yolo detect train \ modelyolov8s.pt \ dataparking_dataset.yaml \ imgsz640 \ epochs150 \ batch16 \ workers8 \ device0 \ projectruns_train \ nameparking_violation \ patience30 \ lr00.01解释一下每个参数的实际意义modelyolov8s.pt表示从COCO预训练权重开始迁移学习这样比从头训练收敛快很多dataparking_dataset.yaml里写明训练集路径、验证集路径和类别数patience30表示验证集指标连续30个epoch没有提升就自动停止训练这能避免晚上挂机训练过拟合lr0是初始学习率默认0.01对迁移学习是通用选择如果loss爆炸就降到0.005。训练完后的验证命令# 验证模型在验证集上的效果输出mAP、召回率、精确率 yolo detect val \ modelbest.pt \ dataparking_dataset.yaml \ imgsz640 \ splitvalYOLOv8训练完会输出runs_train/parking_violation/目录里面有weights/best.pt和weights/last.pt。验证时用best.pt因为在训练过程中best始终保存验证集指标最好的那一代权重尤其适用于数据量不大、训练后期掉点的情况。除了看mAP数值还要画损失函数曲线图确认是否收敛损失曲线是毕设论文里必放的图YOLOv8训练日志里自带train和val的box_loss、cls_loss、dfl_loss曲线。要单独画图的话可以从runs_train/parking_violation/results.csv里读取数据用Python画出来import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs_train/parking_violation/results.csv) # 提取epoch和训练损失列 epochs df[epoch] box_loss df[train/box_loss] plt.plot(epochs, box_loss, labeltrain box_loss) plt.xlabel(epoch) plt.ylabel(loss) plt.title(YOLOv8 training loss curve) plt.legend() plt.grid(True) plt.savefig(loss_curve.png, dpi150)results.csv以epoch为单位记录了每个epoch的所有指标直接读出来画图就行。判读曲线时注意两点训练损失持续下降而验证损失先降后升说明过拟合需要增加数据增强或缩小模型两边损失都在高位震荡不下降通常是学习率过大或数据标注错误优先检查标签文件。4. 把模型封装成可视化界面从摄像头画面到违停告警模型训练好之后毕设和课设最看重的是演示效果。命令行跑检测程序很难在答辩现场打动评委一个带界面、能实时显示检测框和违停标记的可视化界面才是这个项目真正的加分项。界面的技术选型有两种主流路线PyQt5和Web前端。PyQt5适合做桌面软件打包成exe方便Web界面更适合做远程访问和演示但部署复杂度高一些。4.1 用PyQt5接YOLOv8推理实时视频流显示PyQt5 YOLOv8的组合在毕设项目里最多见原因是可以直接用Python完成全部逻辑不需要额外起服务。界面布局一般分为左中右三块左侧是功能按钮和参数面板中间是视频显示区域右侧是违停记录列表。视频来源可以是本地视频文件、USB摄像头或RTSP网络摄像头切换源只需要改一行代码。import sys import cv2 from PyQt5.QtWidgets import QApplication, QLabel, QMainWindow, QPushButton from PyQt5.QtCore import QTimer from PyQt5.QtGui import QImage, QPixmap from ultralytics import YOLO class ParkingDetectorUI(QMainWindow): def __init__(self): super().__init__() self.model YOLO(best.pt) # 加载训练好的权重 self.video_label QLabel(self) self.video_label.setGeometry(10, 10, 960, 540) self.cap cv2.VideoCapture(parking_lot.mp4) self.timer QTimer(self) self.timer.timeout.connect(self.update_frame) self.timer.start(33) # 约30帧每秒 def update_frame(self): ret, frame self.cap.read() if not ret: self.timer.stop() return # YOLOv8推理conf阈值调低以减少漏检 results self.model(frame, conf0.35) annotated results[0].plot() # 在原图上画检测框 # OpenCV BGR转Qt RGB并显示 rgb_image cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, c rgb_image.shape q_img QImage(rgb_image.data, w, h, c * w, QImage.Format_RGB888) self.video_label.setPixmap(QPixmap.fromImage(q_img))results[0].plot()是YOLOv8自带的画框函数会把类别名和置信度标注在框上。实际违停检测界面不应该直接显示所有检测框而是分两种颜色正常车辆画绿色框与禁停区域重叠的车辆画红色框并闪烁提示同时记录到右侧列表。这个差异化的视觉反馈是答辩演示时最容易被评委看到的点建议在界面上单独画一个违停区域叠加层。4.2 在界面上标注禁停区域鼠标事件与坐标保存有了界面之后禁停区域的标注就应该是交互式的而不是写死在代码里。一个可交互的方案是在视频流显示区域重写mousePressEvent鼠标点击一次记录一个点连续点击围成多边形按回车完成标注坐标保存到JSON文件。下次程序启动时自动加载区域配置不需要重新标注。import json class DetectArea: def __init__(self): self.points [] self.areas [] # 每个元素是一个区域的多边形点列表 def add_point(self, x, y): self.points.append([x, y]) def finish_area(self): if len(self.points) 3: self.areas.append(self.points) self.points [] def save_to_json(self, pathareas.json): with open(path, w) as f: json.dump(self.areas, f, indent2) def load_from_json(self, pathareas.json): with open(path, r) as f: self.areas json.load(f)这里的坐标比率转换是一个必踩的坑界面上鼠标点击的是QLabel显示区域的坐标而模型推理使用的是原始视频帧坐标两者分辨率往往不一致。如果视频是1920x1080QLabel显示宽度是960那么鼠标坐标必须乘以比例系数2才是原图坐标。否则后面做多边形判定时所有点都会偏掉。处理方式是在保存坐标时同时记录视频分辨率加载时做归一化# 保存时归一化 norm_points [[x / frame_width, y / frame_height] for x, y in raw_points] # 加载时还原 raw_points [[int(x * frame_width), int(y * frame_height)] for x, y in norm_points]4.3 违停记录管理截图、时间戳与表格导出界面的另一个功能是违停记录。每次判定一辆车违停时自动截取当前帧中车辆区域保存为图片同时记录发生时间、车牌区域如果有检测能力、停车时长。这些信息展示在右侧的表格里并且要支持导出CSV或Excel方便论文里做实验结果统计。记录的合理数据结构是字典列表每一条包含frame_id、time、area_id、vehicle_bbox、saved_image_path。保存在内存里用QTableWidget展示导出时用pandas转DataFrame再写CSV。注意整个系统运行时间长了之后记录会不断累积界面会变卡。我的做法是只保留当天的记录在内存中历史记录直接写进CSV文件程序启动时读取昨天的历史文件即可。这样既保证了演示流畅又保留了完整数据供后续分析。5. 部署与联调避坑YOLOv8环境配置和运行时的常见问题排查这类打包项目到手后卡住大多数人的环节不是算法而是环境。YOLOv8依赖PyTorch、CUDA、ultralytics多个组件版本不匹配导致的问题往往比模型效果问题更让人头疼。下面把最常遇到的几类问题按“现象 → 原因 → 解决”写清楚这些都是实际部署时的高频踩坑点。5.1 环境配置CUDA版本与torch不匹配导致推理报错现象运行yolo detect predict时报错提示CUDA error: no kernel image is available for execution on the device或者torch版本与显卡驱动不匹配程序自动退回CPU仍报错。原因PyTorch的CUDA版本与显卡驱动支持的CUDA版本不一致或者PyTorch是CPU版本但代码强行调用了.cuda()。YOLOv8安装时默认会自动安装匹配的torch但如果你之前装过其他版本的torch依赖就乱掉了。解决先查看显卡驱动支持的CUDA版本用nvidia-smi看右上角CUDA Version然后用配套的torch安装命令重装。例如驱动支持CUDA 11.8就安装对应cu118版本的torch# 查看当前torch是否可用GPU python -c import torch; print(torch.cuda.is_available()) # 如果返回False卸载后重新安装匹配的torch pip uninstall torch torchvision torchaudio -y pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118确认GPU可用之后再安装ultralytics不要反过来先装ultralytics再装torch否则可能出现包装好了但torch库失效。5.2 路径与权重文件问题项目拷到新电脑后权重丢失现象压缩包解压后运行主程序提示找不到best.pt或指定路径不存在。原因很多项目代码里用的是绝对路径比如C:/Users/xxx/Desktop/project/best.pt拷到另一台电脑路径自然失效。或者打包时漏掉了权重文件文件虽然占了空间但实际是损坏的。解决项目解压后先检查目录结构确认best.pt、data.yaml、areas.json都在然后运行前把主脚本里的路径改为相对路径import os BASE_DIR os.path.dirname(os.path.abspath(__file__)) MODEL_PATH os.path.join(BASE_DIR, weights, best.pt) area_path os.path.join(BASE_DIR, config, areas.json)用os.path.dirname(os.path.abspath(__file__))获取当前脚本所在目录再拼接相对路径这样整个项目文件夹拷到任何位置都能正常运行。这是毕设演示前最值得检查的一项。5.3 opencv-python与ultralytics冲突画框报错现象代码调用results[0].plot()时提示TypeError: NoneType object is not callable或者opencv相关函数报错。原因ultralytics依赖opencv但opencv-python和opencv-contrib-python如果同时存在会导致模块加载混乱。另外opencv版本太高也可能与某些numpy版本不兼容。解决统一卸载重装opencv-python-headless这个版本不带GUI依赖适合服务器和桌面环境共用pip uninstall opencv-python opencv-contrib-python opencv-python-headless -y pip install opencv-python-headless如果重装后还有numpy报错检查numpy版本YOLOv8要求numpy1.23.0建议在1.24到1.26之间太新的numpy 2.x偶尔会出现二进制兼容警告。5.4 训练时数据增强导致的小目标漏检现象模型训练完成后精度曲线正常但在实际停车场视频里远处的小车经常漏检只有近处的大车能检测到。原因如果训练数据里车辆目标普遍偏大模型对小目标的特征学习不足。YOLOv8虽然有内置的Mosaic和尺度增强但图像整体缩放到640时原图中远距离的车辆可能只有几十个像素增强后更小基本学不到有效特征。解决两种调整方式一是将训练尺寸提高到imgsz960或imgsz1024让目标在缩放后保留更多像素二是修改数据增强的缩放范围。ultralytics的增强参数可以通过超参数文件控制常用做法是在训练命令中开启多尺度训练# 多尺度训练每10个batch随机在0.6到1.4倍之间缩放 yolo detect train \ modelyolov8s.pt \ dataparking_dataset.yaml \ imgsz640 \ multi_scaleTrue \ epochs150多尺度训练会让模型对不同尺度目标更鲁棒但训练时间会明显增加适合显卡性能尚可的情况。5.5 违停区域坐标在界面缩放后错位现象界面上标注的禁停区域看起来位置正确但判定违停时框和区域总是对不上偏了明显的一段距离。原因这就是4.2节提到的坐标比例问题。鼠标标注在QLabel上实际推理在原始视频帧上长宽比例不完全一致时直接使用坐标必然错位。解决所有区域坐标在保存时都存归一化比例加载后再乘回原始视频分辨率禁止把界面显示尺寸和视频原始尺寸混用。检查方法是在画禁停区域时同时把标注点在原始帧上显示一遍两边的形状完全重合说明坐标转换无误。6. 进阶验证与落地技巧用视频回放检验违停判定准确性项目跑通之后最重要的一件事是验证系统的准确性而不只是在两三分钟的视频上跑出好看的效果。我用过的最有效的验证方案是离线视频回放法准备一段时长较长的停车场监控视频里面包含正常停车、占道违停、临时停靠、车辆驶过等多种情况用系统处理完整个视频然后人工核对每一帧的判定结果。具体做法是运行检测时把每一帧的检测结果和违停判定结果都记录到日志中包括帧号、车辆框坐标、IoU值、判定类别。处理完后从中抽帧检查统计漏报率和误报率。如果想要更严格的指标可以导出所有被标记为违停的帧以及对应时间点人工确认是否真的违停。import csv class ViolationLogger: def __init__(self, log_pathviolation_log.csv): self.log_path log_path self.fieldnames [frame_id, time, bbox, iou, verdict] # 初始化CSV文件并写入表头 with open(self.log_path, w, newline) as f: writer csv.DictWriter(f, fieldnamesself.fieldnames) writer.writeheader() def log(self, frame_id, time, bbox, iou, verdict): with open(self.log_path, a, newline) as f: writer csv.DictWriter(f, fieldnamesself.fieldnames) writer.writerow({ frame_id: frame_id, time: time, bbox: str(bbox), iou: round(iou, 4), verdict: verdict })这个日志文件的价值在论文里非常直观你可以直接汇总统计总帧数、检测到车辆帧数、判定违停次数、平均置信度等。用pandas做聚合统计后把表格和图表放进论文的实验章节说服力远大于贴几张效果图。还有一个常被忽略的验证点是阈值敏感性。调高conf阈值可以减少误检但增加漏检调低则相反。训练集质量好、图片清晰时conf可以设在0.4以上停车场远端车辆模糊conf设为0.25到0.35之间更合适但会增加误检。我的做法是对同一段视频分别跑conf0.25、0.3、0.35、0.4四个版本统计误报漏报数量选出平衡点后写进论文。最后说一个我自己的血泪经验演示前一定要在目标电脑上完整跑一遍从启动到退出尤其是Qt界面程序。很多项目在开发机上跑得顺畅换到答辩用的电脑上因为分辨率、显卡驱动、缺少DLL突然崩掉。提前用虚拟机准备一个和答辩机器相近的环境或者干脆把必要依赖库装好并测试比答辩现场手忙脚乱修环境稳妥得多。希望这些思路能帮你在毕设或课程设计里少走些弯路让YOLOv8这套方案真正跑到你自己想要的效果。本文还有配套的精品资源点击获取