企业官网建设流程全解析

简介：一套基于YOLOv8的停车场违规占道车辆检测系统项目，聚焦深度学习目标检测方向，面向计算机相关专业学生的毕业设计、课程设计或初期项目演示，可实时识别停车场内违规占道车辆，配合可视化页面和完整数据集，简单部署即可运行。压缩包为zip格式，共含8个文件，主要包含3个Python源码（覆盖可视化界面、模型训练与视频检测）、3个PyTorch权重文件和2个说明文档，整体大小仅15.91MB，目录结构清晰，便于按模块查阅与调用。目前已有58人学习下载，适合需要快速搭建完整检测流程的初学者或答辩项目。项目附带可视化页面、部署教程和完整数据集，运行后可产出核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果及标签分布图，为毕设评审或课程展示提供直观数据支撑，同时省去从零搭建环境和反复调参的麻烦，拿来即用的完整方案可信赖。

1. 停车场违规占道检测是什么：一个 YOLOv8 就能撑起的课设项目

值班室里的大屏上，消防通道被一辆 SUV 堵了半个多小时，等安保人员从几十路监控画面里发现时，车已经开走了。这种场景在停车场管理里太常见，也是计算机视觉课程设计里最容易做出成果的题目之一。标题这个项目，本质就是拿 YOLOv8 做目标检测，把画面里的车辆分成两类：正常泊位里的车和违规占道的车，再用一个可视化界面把推理结果框出来。拿到这类压缩包，先别急着点训练按钮，按“环境搭建 → 数据核查 → 权重推理 → 界面部署”四步走，一周内把功能跑通完全来得及。适合毕设，也适合课程设计里需要演示系统的同学。

2. 本地复现：环境搭建、项目结构和一个最小推理命令

2.1 运行环境：CPU 版也能跑，独立环境是省事后悔药

这个项目能不能快速跑起来，环境配置占一半。项目包里的部署教程通常会要求 Python 3.9 左右的版本，搭配 PyTorch 和 ultralytics 包。我的做法是先建一个独立 conda 环境，绝不在 base 环境里直接装，否则后面装 opencv、pandas 时版本冲突能把人逼疯。

conda create -n parking python=3.9 -y conda activate parking pip install ultralytics pip install torch torchvision

第一条命令创建一个干净的 Python 3.9 环境，第二条激活它，第三条安装 ultralytics 这个核心依赖，它会顺带把推理所需的组件装好。第四行把 torch 和 torchvision 补齐，注意这里默认装的是 CPU 版本，能跑，只是训练会慢。如果你的机器有 NVIDIA 显卡，需要先确认驱动支持的 CUDA 版本，再重新装对应版本的 PyTorch。不少人在 Ubuntu 20.04 上搭建 YOLOv8 环境时图省事直接一键装，结果 import 阶段就报错，都是因为 torch 和 CUDA 版本对不上。

环境装完先跑一个小脚本，确认 torch 真的看到了显卡。这一步是一次验证，跳过的话训练跑了一半才发现用的是 CPU，白白浪费时间。

import torch print("torch:", torch.__version__) print("cuda available:", torch.cuda.is_available()) print("device name:", torch.cuda.get_device_name(0) if torch.cuda.is_available() else "CPU")

这段脚本就是检查两件事：当前环境的 torch 是什么版本，以及 CUDA 是否可用。如果打印出 cuda available: False，说明你装的是 CPU 版 torch，不是显卡有问题。后续训练时 device 参数写 0 是没有意义的，必须先把 torch 的版本换掉。

2.2 项目结构：从训练脚本到界面程序，先分清四个模块

YOLOv8 停车场检测这类项目压缩包里，文件结构大同小异，通常围绕训练、推理、界面、数据四个部分展开。

parking-detection/ ├── train.py # 训练入口 ├── detect.py # 命令行推理 ├── ui_main.py # 可视化界面 ├── requirements.txt # 依赖清单 ├── weights/ │ └── best.pt # 训练好的模型权重 ├── dataset/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ └── labels/ │ ├── train/ │ └── val/ └── parking.yaml # 数据集配置文件

先把这六个部分认清楚，再运行任何代码。train.py 负责重训模型，detect.py 负责对单张图片或视频做推理，ui_main.py 是界面程序，weights/best.pt 是已经训练好的权重，dataset 是标注数据，parking.yaml 告诉 YOLOv8 数据路径和类别名。很多同学一上来就双击 train.py，完全忽略 weights 里已经有个能用的模型，这没必要。项目包既然带了 best.pt，就说明作者已经跑通过一遍，你的第一目标是复现推理效果，不是重新发明轮子。

2.3 最小推理：先用 best.pt 跑通，别把代码当黑匣子

拿到项目先跑一次推理，确认模型路径、图片路径和输出结果都没问题，再往后研究界面和训练。

python detect.py \ --source dataset/images/val/000012.jpg \ --weights weights/best.pt \ --conf-thres 0.30 \ --iou-thres 0.45 \ --device 0

这条命令的意思是：对验证集里的某一张图片做检测，置信度阈值 0.30，两个框重叠度超过 0.45 就做 NMS 合并。如果电脑没有 GPU，把 --device 0 改成 --device cpu。跑通之后你会看到输出目录里生成了一张带框图片，违规占道车辆被标出来。

这个阶段的重点是确认流程，不是调指标。conf-thres 设 0.30 只是先看看结果，真实的停车场场景我更建议把它降到 0.15 到 0.25，因为监控视角下车身小、遮挡多，置信度普遍偏低。如果压到 0.10 还是一辆车都不框，那问题不在阈值，而在权重和图片本身，后面避坑章节会专门说。把这一步跑通了，项目代码对你来说就不是黑匣子了。

3. 数据是地基：YOLO 标注格式、类别失衡与坏样本排查

3.1 标签文件长什么样：中心点坐标和类别编号别搞反

处理数据集用于 YOLOv8 训练，第一步是看懂标签格式。YOLO 系列用的是 txt 标注，每一行描述一个目标，五个字段分别是：类别编号、目标中心点 x 坐标、中心点 y 坐标、目标宽度、目标高度。x、y、w、h 都是归一化到 0 到 1 的相对值，不是像素坐标。

# dataset/labels/train/000012.txt 0 0.513 0.426 0.211 0.264 1 0.782 0.315 0.158 0.221

第一行的 0 代表类别编号，对应的是正常停放车辆，后面的四个数字表示框的中心点在这个图像的 51.3% 和 42.6% 位置，宽度占全图 21.1%，高度占 26.4%。第二行类别是 1，也就是违规占道车辆。项目里的 parking.yaml 会定义类别的具体名字。

path: dataset train: images/train val: images/val names: 0: normal_parked 1: illegal_occupied

这段配置让训练脚本知道训练集和验证集在哪，以及每个编号对应的类别名。names 的顺序非常关键，训练和推理时必须保持一致。项目包里的界面如果显示类别名对不上，优先检查这里是不是被改过。另外，如果数据集最初是用 labelme 这类工具标注的 JSON，需要先转成 YOLO 格式的 txt 再训练。转换时最容易出的问题，是把 JSON 里的类别名顺序和编号映射搞错，转完居然和原图对不上。

3.2 类别失衡先统计再补数据：违规样本往往只有零头

停车场场景里，正常停放车辆的数量会远远大于违规占道车辆。一个停车场摄像头画面里可能二十辆车，只有一辆压在消防通道上，这种天然的类别不平衡，会让模型倾向于把所有车都预测成正常停放。训练之前一定要先数一数各类别到底有多少框。

import os from collections import Counter label_dir = "dataset/labels/train" counter = Counter() total_boxes = 0 for name in os.listdir(label_dir): if not name.endswith(".txt"): continue with open(os.path.join(label_dir, name), "r", encoding="utf-8") as f: for line in f: line = line.strip() if line: cls = int(line.split()[0]) counter[cls] += 1 total_boxes += 1 print("各类别框数:", dict(counter)) print("总标注框数:", total_boxes)

这个脚本遍历训练集所有标签文件，统计类别 0 和类别 1 的框数。如果违规占道样本不到正常样本的 20%，模型大概率会翻车。补数据不是只能靠手动标注，常见做法是把包含违规车辆的关键片段每隔十秒抽一帧加入训练集，或者对现有违规样本做亮度、平移、旋转增强。需要注意的是，停车场画面里车位线和车道方向有强先验，水平翻转增强不一定适用，镜像后车辆出现在原本不可能出现的车道位置，反而误导模型学习位置规则，所以增强策略要按场景选。

3.3 坏样本排查：把中心点坐标还原成可视化框

标注文件里的数字对不对，光看 txt 很难发现问题。写一个可视化脚本，把所有标签画回原图，再看一遍，是处理数据集最关键的一步。

import cv2 import os img_dir = "dataset/images/val" label_dir = "dataset/labels/val" out_dir = "check_vis" os.makedirs(out_dir, exist_ok=True) class_names = ["normal_parked", "illegal_occupied"] for name in os.listdir(img_dir): if not name.lower().endswith((".jpg", ".jpeg", ".png")): continue img = cv2.imread(os.path.join(img_dir, name)) h, w = img.shape[:2] txt_path = os.path.join(label_dir, os.path.splitext(name)[0] + ".txt") if not os.path.exists(txt_path): print("[warn] 缺失标签:", name) continue with open(txt_path, "r", encoding="utf-8") as f: for line in f: parts = line.strip().split() if len(parts) != 5: print("[warn] 格式异常:", name, line.strip()) continue cls = int(parts[0]) xc, yc, bw, bh = map(float, parts[1:]) x1 = int((xc - bw / 2) * w) y1 = int((yc - bh / 2) * h) x2 = int((xc + bw / 2) * w) y2 = int((yc + bh / 2) * h) color = (0, 0, 255) if cls == 1 else (0, 255, 0) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, class_names[cls], (x1, y1 - 6), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1) cv2.imwrite(os.path.join(out_dir, name), img)

这段脚本把验证集所有标注框用红色和绿色画回原图。红色是违规车辆，绿色是正常停放。归一化坐标还原回像素坐标时，一定要先乘以宽高，再减半宽半高得到左上角坐标。跑完检查几个容易出错的位置：框是不是刚好包住车身，有没有把旁边车辆框进去，有没有画到墙上或树上。这个步骤花半小时，能省下后面训练返工的好几天。看到标注框歪七扭八，就回头改标签工具或标注规范，不要急着开训练。

4. 重训一套自己的权重：训练命令、参数表与损失曲线判读

4.1 训练命令：从 data.yaml 到 batch、imgsz 参数的确定方法

项目自带的权重通常是在作者的数据集上训练的，换一个停车场环境效果会打折扣。想训练自己的数据集，核心命令就是下面这一条。

yolo detect train \ data=parking.yaml \ model=yolov8n.pt \ epochs=100 \ batch=16 \ imgsz=640 \ device=0 \ patience=20 \ optimizer=AdamW

data=parking.yaml 指向刚才确认好的数据集配置文件，model=yolov8n.pt 表示用 YOLOv8n 作为基础模型，在本项目数据集上继续微调。n 是 nano 版本，占用资源最少，适合 6GB 显存左右的显卡。如果你的显卡是 16GB 显存，可以考虑换 yolov8s.pt 提升精度。batch 参数决定每轮喂给模型的图片数量，显存越小 batch 越小，在 GTX 1660 Ti 这类 6GB 显卡上，batch 16 跑 640 分辨率有点吃力，建议降到 8，或者把 imgsz 改成 480。

imgsz 是输入图像分辨率。停车场摄像头通常是高空俯视角，车辆在画面里偏小，imgsz 从 640 升到 800 能明显提升小目标召回，代价是训练时间增加一半左右。patience 是早停参数，意思是验证集指标连续 20 轮没有进步就停止训练，防止后期浪费时间。AdamW 是优化器，多数场景下比默认的 SGD 收敛更稳，对新手更友好。

训练过程中注意看终端打印的进度条。如果报 CUDA out of memory，第一步把 batch 减半，再不行把 imgsz 降到 480。如果训练一切正常，但损失曲线抖动得很厉害，降低学习率，常见做法是从默认的 0.01 改成 0.005。训练结束后，结果会保存在 runs/detect/train/ 目录下，里面的 weights/best.pt 就是你要用的权重。

4.2 损失曲线：results.csv 画出的四种曲线怎么读

YOLOv8 训练过程中会自动记录每个 epoch 的损失值和评估指标，存在 runs/detect/train/results.csv 里。不要只看训练结束时的打印信息，把曲线画出来才能看清楚模型有没有真的学会。

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/detect/train/results.csv") fig, axes = plt.subplots(1, 2, figsize=(12, 4)) axes[0].plot(df["train/box_loss"], label="train box_loss") axes[0].plot(df["val/box_loss"], label="val box_loss") axes[0].set_title("box loss") axes[0].legend() axes[1].plot(df["metrics/mAP50(B)"], label="mAP50") axes[1].set_title("mAP50") axes[1].legend() plt.tight_layout() plt.savefig("loss_curve.png", dpi=150)

这段脚本读取 results.csv，画出边界框损失曲线和 mAP50 曲线。不同的 ultralytics 版本列名略有区别，如果报 KeyError，先打印 df.columns 看实际列名，再改脚本都行。判断训练是否正常，看两点：box_loss 是否整体下行，mAP50 是否逐步上升。如果训练损失降了但验证损失不降，是过拟合，需要增加数据或减小模型复杂度。如果最后几个 epoch 突然掉点，往往是 mosaic 增强在最后一轮才关闭，训练时加一行 close_mosaic=10，给模型最后 10 轮一个稳定的学习窗口，这个细节能救回不少精度。

4.3 小目标与俯视角：提升违规类别的两项增强策略

停车场监控视角有个典型问题：车小、视角固定、密集排列。按默认参数训练完，正常停放车辆往往检得很好，违规占道车辆会漏，因为违规样本数量少，且常常出现在画面边缘或远处。

第一个有效手段是提高推理分辨率。640 分辨率下，远处的车可能只有 30 乘 40 像素，模型很难学。把 imgsz 改成 800 甚至 960，小目标特征保留得更多，mAP 提升往往是肉眼可见的。显存不够就别硬扛，换 YOLOv8n 模型，或者在界面推理时保持训练尺度一致，不要在推理时擅自压缩图片尺寸。

第二个手段是关闭水平翻转。YOLOv8 默认开启 fliplr 增强，但停车场地面有车道线和方向标识，违规占道多半和特定位置强相关。镜像翻转后，车出现在实际不可能出现的车道上，等于给模型喂错误的空间先验。训练参数里加一句 flipud=0.0 fliplr=0.0，通常会有惊喜。还有一个容易忽略的点：项目数据集如果只有几百张图，别急着大改参数。先拿预训练权重在真实监控截图上跑一遍，把漏检错检的图挑出来补充到训练集，比加增强更有效。

5. 部署期高频坑：环境冲突、空框、漏检与 mAP 虚高的排查

5.1 环境与依赖：import 报错和 torch 版本冲突

现象：代码一运行就报 ModuleNotFoundError: No module named 'ultralytics'，或者 torch 和 torchvision 版本不匹配导致 import 崩溃。

原因：大多数情况是在 base 环境里随意 pip install，装到一半版本冲突，或者 Python 版本本身太高，比如 3.12 下有些旧版 opencv 编译不过去。极少是代码本身的问题。

解决：彻底删掉原来的环境，重新走一遍第 2 章的环境步骤。强烈建议固定 Python 3.9，先装 torch 再装 ultralytics，最后按 requirements.txt 补剩余依赖。不要用 conda 装一半、pip 装一半，两条包管理器的混用是这个坑的主要来源。

5.2 推理端空框：置信度阈值、压缩尺寸与类别名错位

现象：界面里选了一张包含车辆的图片，结果一个框都不画，或者只有正常车辆框、没有违规车辆框。

原因有三个方向，按出现频率排序：置信度阈值设太高，模型对违规车辆的置信度只有 0.2，阈值设置 0.3 就全被滤掉了；界面把输入图片压缩到很小，比如降到 320 分辨率再推理，小目标直接丢了；类别名映射错乱，界面程序里的标签列表顺序和 parking.yaml 里 names 顺序不一致，模型预测类别 1，界面却显示成类别 0 的颜色和名称。

解决：先把置信度降到 0.10 做一次推理，能框出来就是阈值问题，再按场景逐步调回 0.20 左右。图片尺寸问题，在界面代码里找推理函数入口，确认传给 model 的图片没有经过大比例 resize。类别映射问题，用一张已知违规车辆的图片跑 detect.py，再把界面结果和命令行结果对比，看类别是否一样。

注意：推理环境、训练环境和界面程序的环境最好保持同一套依赖版本，否则容易出现训练时正常、部署时结果不对的怪问题。

5.3 数据侧翻车：重复帧、标注框不一致带来的假性高指标

现象：训练时 mAP50 显示 0.9 以上，觉得模型很完美，一到真实停车场视频里就大量漏检，密集误报，完全不是测试集那个效果。

原因：这是项目数据集最常见的坑。数据采集通常来自同一段监控视频，如果按连续帧截图，训练集和验证集里会出现大量极度相似的画面，模型实际上在记忆场景，而不是学习车辆特征。另一个问题是标注规范不一致，有些人画框包含整个车身包括后视镜，有些人只画车头，模型的回归目标乱了，验证集又恰好和训练集风格一致，指标自然虚高。

解决：重新划分数据集，按时间抽帧而不是按连续帧截图。常见做法是每 10 秒取一帧，再用感知哈希算法去掉相似度高的图像。标注方面统一规范：画车辆外接矩形，包含两侧后视镜，不包含旁边车辆和阴影。做完这两件事再重训一轮，你会发现 mAP 可能降到 0.7 以下，但真实场景的可用性反而明显上升。指标好看不等于模型好用，这是毕设答辩时最值得拿出来讲的认知。

5.4 硬件资源踩坑：显存不够和 CPU 硬跑的识别率差异

现象：训练时直接报 CUDA out of memory，或者被迫一直用 CPU 训练，跑了一整天还没完。

原因：显存规划不合理。6GB 显存硬跑 YOLOv8s 加 640 分辨率加 batch 16，已经超出物理限制。CPU 模式不是不能跑，是训练效率极低，而且部分同学等到答辩前两周才发现，连调整的机会都没有。

解决：先看模型大小再定参数。6GB 显存用 YOLOv8n，batch 8，imgsz 640，稳妥起步。如果显存还是爆，就把 imgsz 降到 480。训练之前用 nvidia-smi 看一次显存占用，确认没有其他程序占着显存再启动。另外，输出目录 runs/detect 下的中间权重文件会占用不少磁盘空间，训练前检查磁盘剩余容量。

5.5 界面程序跑不起来：路径问题和缺失依赖

现象：命令行推理正常，但打开界面就闪退或报错。界面里的图片选择框打开目录后没有预览，部分按钮点了没反应。

原因：项目界面程序通常用 PyQt5 或 Tkinter 实现，路径处理比较脆弱。权重路径、数据集路径可能硬编码成了作者的绝对路径，换台电脑就失效。图片选择框默认路径指向作者电脑上的文件夹，找不到目录就直接崩溃。

解决：先打开界面脚本，搜索 .pt、/home、C:\ 这类绝对路径写法，全部改成相对路径或用一个配置文件统一管理。界面打不开图片预览时，检查所选目录是否包含 jpg、png 文件，以及系统是否有中文字体支持。把命令行推理跑通作为前置条件，界面只是一个壳子，模型部分才是核心，不要花太多时间在美化上。

6. 进阶验证：把模型接进监控视频流，测真实误检率与帧率

6.1 用脚本接管视频流：抽帧、推理与违规统计

停车场检测最终要面对的不是一张张图片，而是连续的视频流。界面程序通常已经内置了视频检测，但拿它做效果评估不够直观。我习惯写一个独立的脚本，直接读取摄像头 RTSP 流或本地视频，把违规目标出现的次数统计出来。

import cv2 import time from ultralytics import YOLO rtsp_url = "rtsp://192.168.1.64/stream1" # 换成实际摄像头地址或本地视频路径 model = YOLO("weights/best.pt") cap = cv2.VideoCapture(rtsp_url) fps = cap.get(cv2.CAP_PROP_FPS) or 25 interval = int(fps * 0.5) # 每 0.5 秒抽一帧 frame_id = 0 illegal_count = 0 total_count = 0 while True: ret, frame = cap.read() if not ret: print("stream interrupted") break if frame_id % interval != 0: frame_id += 1 continue result = model(frame, conf=0.15, verbose=False)[0] boxes = result.boxes illegal = sum(1 for c in boxes.cls if int(c) == 1) illegal_count += illegal total_count += 1 frame_id += 1 print("抽帧次数:", total_count) print("检到违规目标次数:", illegal_count)

这段脚本的逻辑是按帧读取视频流，每 0.5 秒选一帧送入模型推理，统计检出的违规目标数量。用时间间隔抽帧而不是逐帧推理，是因为 YOLOv8 在 CPU 上无法保证实时处理 1080p 视频，抽帧评估更务实。interval 按视频帧率计算，保证不管摄像头是 25 帧还是 30 帧，都是每 0.5 秒检测一次。推理时 conf 设 0.15，比训练时更宽松，宁可多一点误报也要保证违规不落网。

6.2 三个评估口径：真实 FPS、无效帧参与夜间场景

测试报告里除了 mAP，还应该记录三项实测数据。第一个是真实 FPS，用当前帧时间戳减去上一帧时间戳，一秒钟能处理几帧就是几帧，不要信模型接口文档里的理论值。第二个是无效帧率，cap.read 偶尔会返回 false，这在无线摄像头流里很常见，无效帧率超过 5% 就需要检查网络。第三个是显存占用，训练和推理阶段分别看一次 nvidia-smi，避免部署时显存泄漏导致运行几小时后卡死。

停车场检测真正的检验场是夜间场景。很多项目训练数据集中在白天，夜间低光照下车辆特征丢失严重，误检率会明显上升。我现在拿到任何模型，习惯先找三段与训练集无关的视频做盲测，一段白天、一段夜间、一段雨天，跑完再看统计数据，不只看训练曲线。评估口径对了，训练参数才有调整依据。这套思路对毕设答辩或者项目验收都很有说服力，希望帮到你。

本文还有配套的精品资源，点击获取