这是一套基于YOLO算法构建的汽车自动驾驶目标检测系统，整合了从模型训练到可视化界面的完整流程。系统支持多种YOLO模型切换，提供图片、视频及实时摄像头检测，并附带了训练脚本和数据集，对于想深入理解目标检测应用的开发者而言，具有极高的实践参考价值。
智能速览
系统界面分为功能按钮、主显示、数据统计三大区域。
支持图片、视频、文件夹批量及实时摄像头四种检测模式。
可自由切换YOLOv12/v11/v8/v5等多种预训练模型进行检测。
提供置信度与交并比参数调节，以优化检测精度。
系统具备用户登录、脚本调用、数据导出等实用辅助功能。
包含完整训练脚本与数据集，方便用户自主训练新模型。
精华内容
以下将深入系统的核心功能与技术细节，从界面交互到后端训练，全面展示其实现方式与强大性能。
直观的图形界面
该系统采用PyQt5构建了清晰的三区域布局界面。左侧是功能按钮区，集成了图片、视频、文件夹及摄像头的检测入口，以及模型选择和结果保存功能。中央是核心的媒体展示区，用于呈现加载的图片或视频流，下方则以列表形式实时显示检测到的目标详情。
右侧则为数据洞察区，上方展示了当前画面中各类别的目标数量统计，中部的类别过滤器允许用户按需筛选显示的目标，下方则能显示列表中特定目标的详细数据，实现了交互式的数据分析。
多模式检测功能
系统提供了四种灵活的检测模式。单张图片检测速度快，实测单图耗时约0.09秒。视频检测功能能够处理行车记录仪等视频流，并逐帧标注目标，最后生成带检测框的新视频文件。
文件夹批量检测支持对一个目录内的所有图片进行序列化处理，极大提升了处理效率。实时摄像头检测则可直接调用摄像头，对真实世界场景进行即时目标识别，展示了系统的实际应用潜力。
模型切换与调优
系统内置了YOLOv5、v8、v11、v12等多个版本的自训练模型，用户可以根据精度和速度需求，在界面中一键切换。
同时，界面上提供了置信度和交并比两个核心参数的实时调节滑块。例如，将默认0.5的置信度提升至0.8，可以过滤掉识别结果不确定的目标，使检测结果更加精准，但也可能漏掉一些被遮挡或模糊的目标，方便用户在不同场景下进行调优。
辅助功能与脚本
除了图形界面，该系统还实现了用户登录注册功能，并包含个人信息管理模块，增强了系统的完整性。检测结果的数据可以一键导出为CSV表格，详细记录每一帧画面的检测目标、类别、置信度和坐标，便于后续的离线分析。
更重要的是，系统提供了无需界面的脚本调用方式，通过简单的配置文件即可直接对图片、视频和摄像头进行检测，便于集成到其他自动化流程中。
完整训练流程
该项目的最大亮点是提供了从零开始的训练脚本和数据集。其数据集包含5985张训练图片和1496张验证图片，均源自YOLO官方数据，确保了训练效果。
训练脚本默认配置为依次训练四个模型，每个模型训练100个轮次。用户可以根据自身硬件配置调整批处理大小。训练完成后，模型权重、训练曲线、混淆矩阵等结果文件会自动保存在`runs`目录下，形成了一个完整的学习与实践闭环。
该系统不仅是一个功能完备的演示项目，更是一个从理论到实践的完整学习框架。它将复杂的YOLO模型应用封装于易用的界面之下，同时开放了底层的训练与调用，为不同水平的学习者提供了灵活的探索路径。如何利用这套框架进行特定场景的模型优化，将是值得进一步思考的方向。
