YOLO融合Qwen/DeepSeek多模态交通监测系统路面人车多目标实时检测流量统计智能分析Web工程#智能交通监测 #人车多目标检测 #YOLO视觉推理 #Qwen多模态分析 #DeepSeek交通研判 #道路流量统计 #安防视频识别 #实时摄像头检测 #交通分析PDF报表 #前后端分离AI平台当前城市路网、园区道路、高速路段传统视频监控存在明显落地痛点人工轮巡海量监控画面耗时费力高峰车流、逆光阴影、车辆遮挡场景下行人与小型车辆漏检严重传统单一检测模型仅输出框选坐标无法自动解读拥堵、占道、行人横穿等交通事件缺少专业研判建议市面多数视觉项目仅支持单张图片识别缺失视频逐帧解析、实时摄像头流媒体处理、批量图像分析一体化能力且未打通大语言模型专业分析链路统计报表需要人工二次整理导出PDF归档功能缺失。将YOLO高精度目标检测与Qwen、DeepSeek两大主流大模型结合构建多模态交通分析平台可实现图片/批量图/本地视频/实时摄像头四路输入自动识别实时统计人车流量并生成结构化分析报告一键导出PDF归档。本文完整交付一套前后端分离完整工程配套交通场景专属YOLO训练代码、多模态联合推理脚本、SpringBoot权限服务、Vue3可视化前端一站式满足智慧交通、园区安防、道路巡检AI系统开发需求。TrafficDet-LLM 人车多目标多模态交通监测系统 工程文档 项目简介本工程为YOLO视觉检测融合Qwen/DeepSeek大模型的一体化交通智能监测解决方案适配城市道路、园区道路、高速公路、厂区出入口四大监测场景。底层YOLO负责画面内行人、多类型车辆同步定位计数上层串联Qwen多模态视觉模型、DeepSeek交通研判大模型自动分析车流拥堵、违规行人、占道等事件并输出优化建议整体采用前后端分离架构推理微服务由Flask封装业务服务基于SpringBootMySQL搭建前端Vue3搭建登录权限、实时监控、批量分析、数据统计、报表导出页面。系统支持单图上传、批量图像处理、本地视频逐帧解析、USB/网络摄像头实时流媒体四路检测模式内置多角色账号权限、历史检测记录存储、Echarts流量可视化、PDF报告自动导出能力附带完整训练脚本、预训练权重、全套部署操作文档同时支持各类检测任务定制改造。完整分层技术栈视觉推理层PyTorch、Ultralytics YOLO、OpenCV、图像批量处理工具多模态大模型层Qwen多模态接口、DeepSeek交通专业Prompt封装后端业务层SpringBoot、MyBatis-Plus、MySQL、Flask推理微服务前端可视化层Vue3、TypeScript、Axios、Echarts、PDF导出组件 交通场景数据集配套说明1. 检测目标类别清单ID类别名称监测业务价值0行人识别横穿马路、禁区行人、人行道人流统计1轿车小型私家车流量、拥堵计数2卡车货运重型车辆占道、车流占比分析3公交车公共交通运力、站台客流匹配分析4摩托车/非机动车违规驶入机动车道识别2. 数据划分与样本特性图像采集场景白天强光、黄昏逆光、阴雨薄雾、车流密集遮挡、夜间补光多工况路面实拍标准划分比例7:2:1训练集/验证集/测试集自动拆分标注规范交通监控实拍图像矩形框标注远距离小型摩托、逆光行人精细标注适配高空枪机、低空摄像头两类设备画面样本优势大量车辆互相重叠、阴影遮挡困难样本大幅提升真实监控画面模型检出率3. 配套数据集工程价值覆盖全尺寸交通目标兼顾远距离微小非机动车与大型卡车多光照、遮挡场景均衡分布降低监控画面漏检、误检率标准YOLO TXT格式直接兼容YOLOv8/YOLO11/YOLO26训练配套划分、可视化校验工具快速完成模型迭代调优。⚙️ 工程完整目录结构TrafficDet-LLM/ ├── traffic_dataset/ # 路面人车YOLO标注数据集 │ ├── images/ # 道路监控实拍原图 │ ├── labels/ # YOLO标注txt文件 │ └── traffic.yaml # YOLO训练配置 ├── train_engine/ # 模型训练工具集 │ ├── split_traffic_data.py # 数据集7:2:1自动划分脚本 │ └── traffic_yolo_train.py # 交通场景专属训练代码 ├── multimodal_infer/ # YOLO大模型联合推理核心 │ ├── yolo_det_core.py # 人车检测底层推理类 │ ├── llm_qwen_api.py # Qwen多模态图像分析接口 │ ├── llm_deepseek_api.py # DeepSeek交通研判接口 │ └── full_traffic_pipeline.py # 四路输入完整推理流水线 ├── flask_infer_server/ # 轻量化推理微服务 │ └── app.py ├── springboot_backend/ # 业务后端服务 │ ├── src/main/java │ ├── resources/mysql_init.sql # 数据库建表脚本 │ └── pom.xml ├── vue3_frontend/ # 前端可视化平台 │ ├── src/views/ # 登录/监控/统计/报表页面 │ └── package.json ├── weights/ # 训练完成预训练权重 ├── docs/ # 部署、训练全套教程 ├── requirements.txt # Python推理环境依赖 └── README.md 配套深度学习多模态工程代码交通监控专属场景注释代码1交通数据集自动划分脚本 split_traffic_data.pyimportosimportrandomfromtqdm# 路面人车数据集专属配置IMG_ROOT./traffic_dataset/imagesLABEL_ROOT./traffic_dataset/labelsTRAIN_RATIO0.7VAL_RATIO0.2TEST_RATIO0.1# 固定随机种子保证实验可复现方便不同YOLO精度对比random.seed36defsplit_data():img_list[iforiinos.listdir(IMG_ROOT)ifi.endswith((jpg,png,jpeg))]random.shuffle(img_list)totallen(img_list)train_numint(total*TRAIN_RATIO)val_numint(total*VAL_RATIO)train_setimg_list[:train_num]val_setimg_list[train_num:train_numval_num]test_setimg_list[train_numval_num:]# 生成训练索引文件withopen(./traffic_dataset/train.txt,w,encodingutf-8)asf:fornameintqdm(train_set,desc生成交通训练集):f.write(f./traffic_dataset/images/{name}\n)withopen(./traffic_dataset/val.txt,w,encodingutf-8)asf:fornameintqdm(val_set,desc生成交通验证集):f.write(f./traffic_dataset/images/{name}\n)withopen(./traffic_dataset/test.txt,w,encodingutf-8)asf:fornameintqdm(test_set,desc生成交通测试集):f.write(f./traffic_dataset/images/{name}\n)print(f数据集划分完成总图像{total}训练{len(train_set)}验证{len(val_set)})if__name____main__:split_data()代码2交通场景YOLO专属训练脚本 traffic_yolo_train.pyfromultralyticsimportYOLO 场景专属注释针对道路车流遮挡、逆光小目标定制训练超参 1. 早晚逆光、树荫阴影干扰强放大HSV与对比度增强修复暗光行人特征丢失 2. 车流密集互相遮挡强制开启mosaiccopy_paste提升被遮挡人车召回率 3. 摩托车、远距离行人为微型目标固定imgsz640禁止降低分辨率 4. 各类车辆尺度差异大启用Focal Loss平衡大小目标损失 5. patience18早停机制避免单一路段样本重复训练造成mAP过拟合 6. SIoU适配长条卡车、窄行人不规则边界框收敛更快 if__name____main__:# 轻量化n适配边缘NVR设备云端替换yolo11m/yolo26smodelYOLO(yolo11n.pt)resmodel.train(data./traffic_dataset/traffic.yaml,epochs210,imgsz640,batch16,device0,patience18,mosaic1.0,copy_paste0.17,hsv_h0.03,hsv_s0.72,hsv_v0.6,contrast0.66,focal_lossTrue,box7.5,cls0.68,dfl1.4,cos_lrTrue,project./traffic_train_output,nameroad_human_car_exp,plotsTrue)print(训练完成最优权重路径./traffic_train_output/road_human_car_exp/weights/best.pt)代码3四路输入多模态完整推理流水线 full_traffic_pipeline.pyfromultralyticsimportYOLOimportcv2importllm_qwen_apiimportllm_deepseek_api 场景专属注释支持单图/批量图/视频/摄像头四类输入完成检测大模型研判统计 业务逻辑YOLO统计各类人车数量Qwen分析画面场景特征DeepSeek输出交通拥堵/违规专业建议 全部统计数据存入内存后端调用后生成图表一键导出PDF监测报告 远距离非机动车置信阈值0.26平衡逆光漏检与树叶阴影误报 classTrafficMultiModalPipeline:def__init__(self,weight./weights/best.pt):self.yoloYOLO(weight)self.class_names[行人,轿车,卡车,公交车,摩托非机动车]defsingle_img_analysis(self,img_path):imgcv2.imread(img_path)resultsself.yolo(img,conf0.26,iou0.43)stat_dict{k:0forkinself.class_names}all_targets[]forresinresults:boxesres.boxesifboxesisNone:return{stat:stat_dict,suggest:画面无交通目标}forboxinboxes:cidint(box.cls)conffloat(box.conf)nameself.class_names[cid]stat_dict[name]1all_targets.append({type:name,conf:conf})# 调用Qwen做画面场景描述qwen_descllm_qwen_api.get_scene_desc(img,all_targets)# 调用DeepSeek输出交通治理建议deepseek_suggestllm_deepseek_api.get_traffic_suggest(stat_dict,qwen_desc)return{count_stat:stat_dict,scene_describe:qwen_desc,traffic_suggest:deepseek_suggest}defbatch_folder_analysis(self,folder_path):importos img_list[os.path.join(folder_path,f)forfinos.listdir(folder)iff.endswith((jpg,png))]total_stat{k:0forkinself.class_names}report_list[]forpathinimg_list:single_resself.single_img_analysis(path)report_list.append({img_name:os.path.basename(path),**single_res})fork,vinsingle_res[count_stat].items():total_stat[k]vreturn{total_stat:total_stat,detail_report:report_list}defvideo_stream_analysis(self,video_path):capcv2.VideoCapture(video_path)frame_stat{k:0forkinself.class_names}whilecap.isOpened():ret,framecap.read()ifnotret:breakframe_resself.yolo(frame,conf0.26)# 逐帧累加计数逻辑省略cap.release()returnframe_statdefcamera_realtime(self):capcv2.VideoCapture(0)whileTrue:ret,framecap.read()ifnotret:breakresself.yolo(frame,conf0.26)# 实时绘制检测框推送到前端WebSocketcv2.imshow(道路实时监测,frame)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()if__name____main__:pipelineTrafficMultiModalPipeline()# 单张图片测试respipeline.single_img_analysis(./road_test.jpg)print(车流统计,res[count_stat])print(场景描述,res[scene_describe])print(交通研判建议,res[traffic_suggest])配套traffic.yaml训练配置path:./traffic_datasettrain:train.txtval:val.txttest:test.txtnc:5names:0:行人1:轿车2:卡车3:公交车4:摩托非机动车augment:Truecopy_paste:True 系统四大落地应用价值1. 城市/园区道路全天候智能安防监测替代人工轮巡监控四路输入自动识别人车逆光、车流遮挡场景稳定检出7×24不间断监测大幅降低安保人力投入及时捕捉行人横穿、车辆占道等风险事件。2. 道路流量自动统计与拥堵研判分时段自动统计各类车辆、行人数量Echarts生成流量趋势图表QwenDeepSeek联合输出拥堵成因、疏导优化建议支撑交管、园区路网调度决策。3. 标准化监测PDF报表自动归档批量检测结果一键导出PDF分析报告包含目标统计、场景描述、交通优化建议可用于道路运维台账、园区安防月度归档省去人工整理报表工作。4. 通用视觉检测底座可快速定制底层推理、前后端架构通用可快速改造为安全帽识别、烟火检测、厂区人员管控等各类AI监测项目配套远程调试、定制开发技术服务。 交通场景训练部署实战避坑经验远距离摩托、逆光行人漏检训练固定640分辨率必须开启copy_paste扩充小目标样本车流遮挡误检mosaic增强不可关闭搭配Focal Loss提升重叠目标识别边缘NVR部署选用YOLO11n轻量化模型云端平台使用YOLO26s平衡精度速度大模型Prompt区分拥堵/非机动车违规两类场景输出专业交管级建议摄像头实时流采用多线程推理防止UI卡顿、画面延迟。#智能道路人车检测 #YOLO交通视觉推理 #Qwen多模态研判 #DeepSeek交通分析 #实时摄像头监控 #视频逐帧识别 #道路流量统计 #PDF自动报表 #前后端AI监测平台 #园区高速安防系统