基于YOLOv8的高速公路团雾预警：从目标检测到能见度等级推断

简介：面向深度学习与计算机视觉方向的毕设、课程设计场景，这份YOLOv8智慧交通高速公路团雾预警系统压缩包提供了可直接运行的完整方案。资源整合了模型训练代码、视频/图像目标检测推理脚本、可视化页面、完整数据集与部署说明，覆盖数据准备、模型训练、预警检测、结果展示全过程，源码均经过测试可正常跑通，也便于在此基础上做二次功能扩展。资源共8个文件，以py脚本、pt权重和txt说明为主，py实现可视化界面与检测流程，pt包含yolov8n.pt、best.pt等可用模型权重，txt为README与配置说明，整体仅15.91MB，部署轻量。训练后可生成混淆矩阵、F1曲线、精确率-召回率曲线、标签分布图与验证集预测结果等，能直接支撑答辩展示。目前已有36人学习下载，适合人工智能、电子信息、自动化等专业学生作为毕设保底或课设演示项目。

1. 团雾预警的难点不在雾，而在把 YOLOv8 检测结果变成能见度等级

高速公路上的团雾和城市雾完全不同：它可能在几十米内让能见度从 800 米骤降到 50 米，等监控中心值班员从几十路画面里看出来，留给封路和诱导的时间常常只剩一两分钟。这类毕设项目的核心难点不在「识别雾」——雾在像素层面没有稳定的纹理和边缘，你很难把它当成一个可标注的目标来框。更务实的做法是把团雾预警转换成「在低能见度条件下，目标检测器还能在多远距离上可靠检出车辆和交通设施」的问题：检测器丢目标丢得越早，说明当前能见度越差。YOLOv8 在这里的角色不是扫雾，而是提供稳定、带有置信度的目标框，配合已知物理尺寸的交通标志牌和车辆，逆向估算出可用的能见度区间，再映射成告警等级。这套方案适合做毕设和课程设计，也可以作为路侧感知工程师验证视觉能见度估算的原型骨架。

2. 高速公路团雾预警的技术选型：YOLOv8 为什么比传统视觉方法更适合

2.1 三种团雾监测路线的成本与精度对比

做团雾预警，最先要想清楚的是数据从哪来、精度怎么定义。业内常见的做法有三条路线，下面这张表是选型时最常参照的对比：

看清这张表就能明白，毕设系统选 YOLOv8 不是因为它在雾天识别上有什么特殊魔法，而是因为它能直接复用高速公路上已有的监控相机，不增加硬件采购成本，且输出的是结构化目标信息，可以继续和速度检测、事件检测联动。

2.2 C2f 与解耦头：YOLOv8 在低对比度场景下的结构优势

YOLOv8 的网络结构相比前代最明显的变化在两处：backbone 中的 C2f 模块和 head 的 anchor-free 解耦结构。C2f 通过跨层分支拼接让梯度在训练时同时流过多条路径，特征复用更好，对低对比度雾天目标来说，能保留更多中高层语义信息；head 则是把分类和回归分支完全解耦，各自独立输出。

这两点在团雾场景下的直接收益是：检测框对目标边缘的敏感度下降，对目标存在的语义响应更敏感。换句话说，雾把目标和背景搅在一起时，分类分支仍然能靠整体形状特征给出较高置信度，这对后续按「置信度高低」推断能见度非常关键。如果你后面打算做 yolov8 head 改进，优先动解耦头里的分类分支，而不是回归分支，因为雾天场景下框的位置精度本来就难以保证，置信度才是告警判断的锚点。

2.3 系统整体链路：目标检测、距离估算与能见度映射

把系统拆开看，完整链路是这样的：摄像头视频流逐帧送入 YOLOv8 检测器，得到车辆、交通标志牌、门架、护栏等目标的框、类别和置信度；对交通标志牌这类物理尺寸已知的目标，用针孔相机模型从检测框高度估算目标距离；取当前帧中「能被可靠检出的最远目标距离」作为能见度的必要条件，再叠加帧间检测置信度均值，映射到能见度等级；最后经过时序平滑和阈值比较，输出告警事件到可视化界面。

这一步的关键点是要意识到：能见度不是检测器直接算出来的，而是推断出来的。检测器在某个距离上丢了目标，可能因为雾，也可能因为相机抖动、夜间灯光过曝或目标被遮挡，所以后面必须有时序平滑逻辑来区分。环境配置上，常见的做法是 Python 3.10 + Ultralytics + PyTorch，开发机上不依赖 GPU 也能完成数据准备和代码调试，训练再切换到有 GPU 的机器即可。

3. 用 YOLOv8 训练自己的团雾数据集：从合成雾到训练命令

3.1 团雾数据集构建：真实抽帧与雾气合成补量

真实团雾视频并不容易获取，尤其是带标注的高速公路团雾素材。常见的应对方式是「少量真实雾帧 + 大量合成雾帧」混合训练。真实帧用于保证分布真实，合成帧用于补足不同雾浓度和光照组合下的样本量。

合成雾通常基于大气散射模型：I(x) = J(x)t(x) + A(1 - t(x))，其中 J 是清晰图像，t 是透射率，A 是大气光。下面这段代码用深度图和透射率生成不同雾浓度的训练样本：

import cv2 import numpy as np def synthesize_fog(image, depth, A=0.85, beta=0.015): # beta 越大雾越浓，推荐范围 0.005 ~ 0.03 t = np.exp(-beta * depth) # 透射率随深度指数衰减 fog = image * t[..., np.newaxis] + A * (1 - t[..., np.newaxis]) return np.clip(fog, 0, 255).astype(np.uint8) img = cv2.imread('clear_frame.jpg') h, w = img.shape[:2] # 简单模拟路侧相机深度：画面下方近、上方远 depth_map = np.linspace(0.5, 1.0, h)[:, None] * np.ones((1, w)) fog_img = synthesize_fog(img, depth_map, beta=0.02) cv2.imwrite('foggy_frame.jpg', fog_img)

这段代码里，depth_map用一个从上到下从远到近的线性梯度模拟路侧相机视角，实际用单目深度估计模型会更准，但对扩充训练集来说线性梯度已经够用。beta控制雾浓度，同一张清晰图可以按 0.005、0.015、0.025 各生成一份，相当于把样本量扩大三倍。注意合成雾不要超过训练集总量的 60%，否则模型会对合成分布过拟合，真实夜间雾帧上反而掉点。公开数据集里 RESIDE、Foggy Cityscapes 这类合成雾数据集可以作为预训练素材，但最终要用自己的高速路视频微调，领域差异才能收敛。

3.2 标注格式与 fog.yaml 目录配置

标注环节，常见做法是用 LabelImg 或 X-AnyLabeling 导出 YOLO 格式的 txt 文件，每个 txt 和图片同名，内容格式是class_id x_center y_center width height，坐标全部归一化到 0~1。类别建议控制在 4 个以内，越多标注成本越高，且类别间特征混淆会直接干扰能见度推断。推荐类别如下：

# fog.yaml path: ./fog-dataset train: images/train val: images/val names: 0: vehicle 1: trailer 2: traffic_sign 3: gantry

path是数据集根目录，train和val是图片相对路径，names的索引顺序必须和标注文件里的 class_id 完全一致。这里的traffic_sign和gantry不是随便选的：交通标志牌物理尺寸已知，门架跨路结构稳定，这两类目标在雾中的检出置信度波动能直接反映能见度变化。

3.3 训练命令与关键超参数

训练环境装好之后，整个训练流程在命令行里就是一条命令：

conda create -n yolo python=3.10 -y conda activate yolo pip install ultralytics opencv-python pandas yolo detect train \ model=yolov8s.pt \ data=fog.yaml \ epochs=120 \ imgsz=640 \ batch=16 \ device=0 \ patience=20 \ project=fog_alert \ name=train_v1

model=yolov8s.pt用的是 COCO 预训练权重做迁移学习，不是从零初始化，这一点对样本量小的团雾场景很关键。imgsz=640是精度和显存的折中，如果你的 GPU 是 8G 显存，batch从 8 开始往下调；如果目标是检测远处小目标，把imgsz提到 960 比单纯调参收益更大，代价是训练时间增加约一倍。patience=20表示验证集指标连续 20 轮不提升就早停，既能防止过拟合，也能在毕设时间紧张时少跑无效轮次。

训练过程中注意观察显存占用，batch=16在 6G 显存上会直接 OOM，这是最常见的问题。显存不够时优先降batch，而不是降imgsz，否则远处车辆的检出能力会明显变差。

3.4 评估指标、损失曲线读取与精度不足的对策

训练结束后，验证命令如下：

yolo detect val \ model=fog_alert/train_v1/weights/best.pt \ data=fog.yaml

输出指标里主要看mAP50-95、mAP50和各类别的precision/recall。团雾数据集不要强追 mAP50-95 到 0.7 以上，天气类数据集的分布本身复杂，mAP50 稳定在 0.85 以上、且vehicle类 recall 不低于 0.8，就已经具备可用性。如果某个类别明显掉点，先检查标注框是否混入大量极端困难样本。

损失曲线的读取也有技巧。Ultralytics 训练时会在project/name/results.csv里实时记录每个 epoch 的损失，训练被中断或者想画图时不一定要等训练结束：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('fog_alert/train_v1/results.csv') df[['epoch', 'train/box_loss', 'train/cls_loss', 'train/dfl_loss']].plot(x='epoch') plt.savefig('loss_curve.png')

train/box_loss持续下降但val/box_loss上升，说明过拟合，需要增大合成雾数据增强或调高patience；如果train/cls_loss从第一轮开始就震荡不降，大概率是类别定义有问题，比如trailer（挂车）和vehicle（小型车）外形高度相似导致标注不一致。这时候去调网络结构没有意义，先统一标注规范，比改任何模块都有效。

4. 告警逻辑与可视化界面：把检测结果变成路侧可用信息

4.1 能见度等级映射与告警阈值表

检测模型跑起来只是第一步，真正的业务价值在告警决策。能见度等级映射是整个系统的核心，判定依据不是单一指标，而是「最大可靠检出距离 + 置信度均值」的组合，这样才能避免用单个检测框的偶然抖动触发误报。推荐按下面这套映射表设定初值：

表中的距离是「能被检出且置信度高于阈值的最远目标距离」的滚动统计值，阈值初始值来自经验和实验对比，现场部署时需要通过交通管理部门的能见度仪数据做一次标定。注意这套阈值必须做成配置文件，不要在代码里写死，否则后续要反复重新训练才能调参。

4.2 推理循环与告警输出代码

告警判断的推理代码逻辑比较直接，核心是维护一个滚动窗口来统计多帧结果，而不是单帧判死刑：

import numpy as np from ultralytics import YOLO # 交通标志牌标准高度:牌面下沿离地高度 5.5m, 牌面高度 2.5m, 相机焦距 1200 像素 PRIOR_HEIGHTS = {'traffic_sign': 2.5, 'gantry': 6.0, 'vehicle': 1.6} model = YOLO('fog_alert/train_v1/weights/best.pt') def estimate_farthest_visible(results, conf_threshold=0.5): best_dist = 0.0 for cls_id, box, conf in zip(results.boxes.cls, results.boxes.xywh, results.boxes.conf): if conf < conf_threshold: continue cls_name = model.names[int(cls_id)] f = 1200.0 h_prior = PRIOR_HEIGHTS.get(cls_name, 2.5) dist = f * h_prior / float(box[3]) best_dist = max(best_dist, dist) return best_dist def map_alert_level(dist, mean_conf): if dist < 150 or (dist < 300 and mean_conf < 0.45): return 'Q4-紧急' if dist < 300 or mean_conf < 0.60: return 'Q3-警告' if dist < 500 or mean_conf < 0.75: return 'Q2-关注' return 'Q1-正常'

estimate_farthest_visible里用检测框高度和相机焦距做距离估算，这里的前提是相机内参已知，否则f=1200只是占位。实际项目中用棋盘格标定一次就能拿到焦距，不需要每次启动都做。距离估算的物理意义是：如果最远只能在 150 米内检出车辆，那前方车辆即便存在也已经被雾吞掉了，能见度必然低于 150 米。

4.3 用 Streamlit 做可视化界面

毕设和课程设计通常需要演示效果，可视化界面的常见做法是 Streamlit——安装简单，代码量小，直接显示视频帧和告警等级，不用写前端页面。下面是一个可运行的简化版本：

import time import cv2 import streamlit as st from ultralytics import YOLO st.set_page_config(page_title='高速公路团雾预警系统') st.title('高速公路团雾预警系统') frame_ph = st.empty() level_ph = st.empty() farthest_ph = st.empty() model = YOLO('fog_alert/train_v1/weights/best.pt') cap = cv2.VideoCapture('highway_test.mp4') while cap.isOpened(): ret, frame = cap.read() if not ret: break results = model.predict(frame, imgsz=640, conf=0.4, verbose=False) farthest = estimate_farthest_visible(results[0]) level = map_alert_level(farthest, 0.5) annotated = results[0].plot() frame_ph.image(annotated, channels='BGR') level_ph.metric('当前告警等级', level) farthest_ph.metric('最大可靠检出距离', f'{farthest:.0f} m') time.sleep(0.05) cap.release()

这段代码会在页面里同时显示检测后的视频画面、当前告警等级和最大可靠检出距离三个模块。注意 Streamlit 的st.image在循环里刷新会占用较多前端带宽，演示视频用 640 宽就足够；time.sleep(0.05)把刷新帧率压到 20fps，避免界面卡死。实际做产品时应该用 WebSocket 推流，但作为课程设计演示出效果已经完全够了。

5. 部署调优与误报治理：高速公路场景的稳定性细节

5.1 半精度与 ONNX 导出，普通 GPU 也能跑到视频实时

毕设演示时用 PyTorch 直接推理问题不大，但换到路侧工控机部署，第一件事是导出。常见做法是先转 ONNX，再做半精度，这样能在不改变模型结构的前提下把推理延迟压下去：

yolo export model=fog_alert/train_v1/weights/best.pt format=onnx half=True opset=12 yolo export model=fog_alert/train_v1/weights/best.pt format=engine device=0

半精度导出后，用gtx1660ti这类 6G 显存的消费级显卡跑 640 输入，单帧推理大约在 15~25ms，完全满足视频实时检测。format=engine导出的是 TensorRT 引擎，显存占用更低，但 TensorRT 版本要和部署机 CUDA 匹配，否则会报兼容性错误。CPU 部署时保留 ONNX 模式，用onnxruntime-gpu替代onnxruntime能显著提升吞吐。

5.2 时序平滑与动态阈值，治理雨夜误报

团雾预警系统在真实高速公路上最常遇到的不是漏报，而是误报。夜间对面来车灯光过曝、雨天路面积水反光、甚至桥墩阴影切过画面，都会让检测器瞬间丢目标，导致farthest骤降，误报紧急告警。治理方法是对告警等级做时序平滑，而不是直接对距离做平均：

from collections import deque class LevelSmoother: def __init__(self, window=15): self.history = deque(maxlen=window) def update(self, level): self.history.append(level) # 取窗口内等级的中位数：Q1~Q4 映射为 1~4 order = {'Q1': 1, 'Q2': 2, 'Q3': 3, 'Q4': 4} levels = [order[l] for l in self.history] median = int(np.median(levels)) return {1: 'Q1', 2: 'Q2', 3: 'Q3', 4: 'Q4'}[median]

窗口取 15 帧意味着大约 0.75 秒才能改变一次告警等级，短促的单帧抖动会被直接滤掉。中位数比均值更适合这里，因为宁可让告警慢一帧，也不能因为一次灯光反光把等级从 Q2 顶到 Q4。夜间场景还可以把阈值表整体偏移一档：Q4 的判定距离从 150 米收紧到 120 米，因为夜间目标的语义特征本来就弱，置信度普遍偏低，直接套用白天阈值会持续告警。结合这些动态调整后，这个系统才真正从「能检测」变成「能部署」。

本文还有配套的精品资源，点击获取