基于YOLOv11的红绿灯检测系统（Python源码+Flask Web界面+数据集）

本项目采用自建红绿灯检测数据集，包含红灯、绿灯两类目标，适用于交通场景下的目标检测任务。数据集已整理为YOLO格式，便于直接训练。Flask 是一个用 Python 编写的轻量级 Web 应用框架，具有简单易用、扩展性强等特点。它非常适合快速开发和部署基于 Web 的人工智能应用。通过 Flask，可以将深度学习模型与前端界面无缝集成，实现模型的在线推理和结果可视化。

lydz1

974人浏览 · 2025-06-13 00:44:34

lydz1 · 2025-06-13 00:44:34 发布

💡本文主要内容： 详细介绍了基于YOLOv11的红绿灯检测系统，包括算法原理、Pytorch源码、训练数据集、Flask可视化Web界面。系统支持图片、视频、摄像头实时检测，支持置信度、IoU阈值调节，检测结果可视化与导出等功能。

01 数据集介绍

数据集

本项目采用自建红绿灯检测数据集，包含红灯、绿灯两类目标，适用于交通场景下的目标检测任务。数据集已整理为YOLO格式，便于直接训练。

细节图

02 基于YOLOv11的红绿灯检测

修改dataset.yaml：

train: dataset/coco/train+val/train2017
val: dataset/coco/train+val/val2017
test: dataset/coco/test/val2017

nc: 2
names: ['green', 'red']

启动训练：

from ultralytics import YOLO
import torch
from pathlib import Path

def main():
    model_path = "models/yolo11n.pt"
    config_path = "traffic_light.yaml"
    device = 'cuda' if torch.cuda.is_available() else 'cpu'
    model = YOLO(model_path)
    model.train(
        data=config_path,
        epochs=100,
        imgsz=640,
        batch=16,
        device=device,
        project='traffic_light_results',
        name='yolo11n_traffic_light',
        exist_ok=True,
        patience=50,
        save=True,
        verbose=True,
        val=True,
        plots=True,
        lr0=0.01,
        lrf=0.01,
        momentum=0.937,
        weight_decay=0.0005,
        warmup_epochs=3,
        hsv_h=0.015,
        hsv_s=0.7,
        hsv_v=0.4,
        degrees=0.0,
        translate=0.1,
        scale=0.5,
        shear=0.0,
        perspective=0.0,
        flipud=0.0,
        fliplr=0.5,
        mosaic=1.0,
        mixup=0.0,
        copy_paste=0.0,
    )

if __name__ == "__main__":
    main()