1. 项目概述最近在帮学弟学妹们做毕业设计指导时发现很多同学在选题和实现上遇到了困难。传统基于OpenCV的图像处理项目已经很难满足现在的答辩要求而深度学习方向的项目又往往门槛较高。针对这个问题我设计了一个基于YOLOv5的车辆颜色识别系统这个项目在创新性、实用性和实现难度上取得了不错的平衡。车辆颜色识别在智能交通、安防监控等领域都有广泛应用场景。比如在停车场管理中可以通过颜色特征快速检索目标车辆在交通违章识别中可以作为车辆特征的重要补充。相比传统方法基于深度学习的解决方案在准确率和鲁棒性上都有显著提升。这个项目的核心创新点在于采用最新的YOLOv5目标检测框架实现高精度的车辆定位在检测基础上集成颜色分类模块形成端到端的解决方案使用爬虫自建车辆颜色数据集解决了数据获取难题整个系统在普通消费级显卡上即可训练和部署从技术评估来看这个项目难度适中3/5分工作量合理3/5分但创新性较强4/5分非常适合作为本科毕业设计选题。下面我将详细介绍整个系统的技术实现细节。2. 系统架构设计2.1 整体方案设计系统采用两阶段处理流程车辆检测阶段使用YOLOv5定位图像中的所有车辆输出边界框坐标颜色识别阶段对每个检测到的车辆区域使用CNN网络进行颜色分类这种设计有以下几个优势模块化设计便于单独优化每个环节可以利用预训练的YOLOv5模型减少训练数据需求颜色分类只在检测到的区域进行计算效率高2.2 技术选型对比在目标检测算法选择上我们对比了几种主流方案算法准确率速度(FPS)模型大小训练难度Faster R-CNN高5-7大较难SSD中20-30中中等YOLOv4较高40-50较大中等YOLOv5高60-140小较易选择YOLOv5的主要考虑优异的精度-速度平衡基于PyTorch实现社区支持好模型体积小便于部署训练过程相对简单3. 核心算法实现3.1 YOLOv5检测网络YOLOv5的网络结构可以分为四个部分3.1.1 Backbone网络采用改进的CSPDarknet53结构主要特点使用Focus模块降低计算量引入CSP(Cross Stage Partial)结构增强特征复用包含SPP(Spatial Pyramid Pooling)模块捕获多尺度特征class Focus(nn.Module): def __init__(self, c1, c2, k1, s1, pNone, g1, actTrue): super().__init__() self.conv Conv(c1*4, c2, k, s, p, g, act) def forward(self, x): return self.conv(torch.cat([ x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2] ], 1))3.1.2 Neck网络采用FPNPAN结构实现多尺度特征融合FPN(自顶向下)传递高级语义特征PAN(自底向上)传递低级定位特征通过多次融合提升小目标检测能力3.1.3 Head网络输出三个尺度的检测结果大尺度(80×80)检测小目标中尺度(40×40)检测中等目标小尺度(20×20)检测大目标每个尺度的输出维度为N×N×[3×(5num_classes)]3.2 颜色分类网络在YOLOv5检测基础上我们设计了一个轻量级的颜色分类网络class ColorClassifier(nn.Module): def __init__(self, num_colors10): super().__init__() self.features nn.Sequential( nn.Conv2d(3, 16, kernel_size3, stride2, padding1), nn.ReLU(inplaceTrue), nn.MaxPool2d(kernel_size2, stride2), nn.Conv2d(16, 32, kernel_size3, padding1), nn.ReLU(inplaceTrue), nn.MaxPool2d(kernel_size2, stride2), nn.Conv2d(32, 64, kernel_size3, padding1), nn.ReLU(inplaceTrue), nn.AdaptiveAvgPool2d((1, 1)) ) self.classifier nn.Linear(64, num_colors) def forward(self, x): x self.features(x) x torch.flatten(x, 1) x self.classifier(x) return x这个网络只有约50万参数可以在不显著增加计算负担的情况下实现准确的颜色分类。4. 数据集构建与训练4.1 数据采集与标注由于没有现成的车辆颜色数据集我们采用以下方法构建数据爬取使用Python爬虫从主流图片网站抓取约1万张车辆图片关键词car, vehicle, automobile等限制条件正面或侧面视角清晰可见车身颜色数据清洗去除低质量图片模糊、遮挡严重去除非常见颜色车辆最终保留约8000张有效图片数据标注使用LabelImg工具标注车辆位置同时记录每辆车的颜色类别标注文件格式PASCAL VOC格式的XML常见颜色类别定义白色黑色灰色银色红色蓝色绿色黄色棕色其他4.2 数据增强策略为提高模型泛化能力采用以下增强方法基础增强随机旋转-15°~15°随机亮度调整0.8~1.2倍随机对比度调整0.8~1.2倍Mosaic增强随机选取4张图片随机缩放、裁剪后拼接为1张有效提升小目标检测能力MixUp增强随机混合两张图片标签按比例混合增强模型鲁棒性4.3 模型训练细节4.3.1 训练参数配置# yolov5s.yaml nc: 1 # 只检测车辆一类 depth_multiple: 0.33 # 模型深度系数 width_multiple: 0.50 # 模型宽度系数 # hyperparameters.yaml lr0: 0.01 # 初始学习率 lrf: 0.2 # 最终学习率 lr0 * lrf momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0 warmup_momentum: 0.8 warmup_bias_lr: 0.14.3.2 训练过程两阶段训练策略第一阶段冻结Backbone只训练检测头第二阶段解冻全部网络微调所有参数关键训练命令# 第一阶段训练 python train.py --data vehicle.yaml --cfg yolov5s.yaml --weights yolov5s.pt \ --epochs 50 --batch-size 16 --freeze 10 # 第二阶段训练 python train.py --data vehicle.yaml --cfg yolov5s.yaml --weights runs/train/exp/weights/last.pt \ --epochs 100 --batch-size 8训练监控使用TensorBoard监控训练过程关键指标mAP0.5、precision、recall5. 系统优化与部署5.1 性能优化技巧模型量化将FP32模型转换为INT8减少75%模型体积提升推理速度model torch.quantization.quantize_dynamic( model, {torch.nn.Linear}, dtypetorch.qint8 )TensorRT加速将PyTorch模型转换为TensorRT引擎在NVIDIA GPU上可获得2-3倍加速多线程处理使用Python多线程实现流水线处理检测和分类并行执行5.2 实际部署方案5.2.1 硬件配置建议硬件最低配置推荐配置CPUi5-4代i7-9代或以上GPUGTX 1050RTX 2060或以上内存8GB16GB存储256GB SSD512GB NVMe5.2.2 软件环境# 基础环境 conda create -n vehicle python3.8 conda activate vehicle # 主要依赖 pip install torch1.9.0cu111 torchvision0.10.0cu111 -f https://download.pytorch.org/whl/torch_stable.html pip install opencv-python pillow matplotlib seaborn tqdm pandas # YOLOv5特定依赖 pip install pyyaml5.3.1 pip install scipy1.4.16. 常见问题与解决方案6.1 训练阶段问题问题1模型收敛慢可能原因学习率设置不当解决方案使用学习率预热(warmup)采用余弦退火学习率调度检查数据标注质量问题2过拟合现象训练集精度高但验证集差解决方案增加数据增强强度添加Dropout层使用早停策略6.2 推理阶段问题问题1小车辆检测效果差解决方案增加输入图像分辨率在数据集中添加更多小目标样本调整anchor box尺寸问题2颜色识别错误常见场景光线条件差车身反光阴影遮挡解决方案在数据集中添加更多困难样本使用白平衡预处理融合多帧检测结果7. 项目扩展方向这个基础项目还有多个可以深入优化的方向多任务学习同时预测车辆类型、品牌和颜色共享特征提取网络提升效率视频流处理集成目标跟踪算法实现跨帧结果融合边缘端部署移植到Jetson等嵌入式设备开发移动端应用3D车辆分析结合深度信息估计车辆尺寸和姿态这个项目从构思到实现大约需要2-3周时间适合作为本科毕业设计。如果需要完整代码和数据集可以参考我在GitHub上分享的项目仓库。在实际开发过程中最大的挑战是数据集的构建和标注这部分工作需要耐心和细心。