1. 项目背景与核心价值交通信号灯识别是智能驾驶和交通监控领域的基础性技术。传统方案依赖固定位置检测或简单颜色阈值分割在复杂光照条件如逆光、夜间下误判率居高不下。我们团队基于YOLOv6架构改进的YOLO26模型通过多尺度特征融合和注意力机制增强实现了95.3%的日间识别准确率和89.7%的夜间准确率实测数据。这个方案最直接的价值在于为L2级自动驾驶提供可靠的信号灯状态输入替代路口监控系统中昂贵的专用检测设备支持交通流量分析系统中的信号周期统计2. 算法选型与技术路线2.1 为什么选择YOLOv6作为基础框架相比其他YOLO版本YOLOv6在速度和精度平衡上表现突出使用RepVGG风格的重参数化设计推理速度比v5快23%更高效的PANet结构小目标检测AP提升15%原生支持TensorRT加速适合车载设备部署我们测试了不同版本在TT100K数据集上的表现模型mAP0.5FPS(1080Ti)模型大小YOLOv5s0.81215614.4MBYOLOv6n0.82718912.3MBYOLOv7-tiny0.83416713.1MB2.2 YOLO26的改进点在v6基础上主要做了三处关键改进多光谱特征融合增加近红外通道输入使用Cross-Modal Fusion模块融合RGB和IR特征夜间检测准确率提升31%空间注意力增强在Neck部分加入CBAM模块关注信号灯区域抑制背景干扰误报率降低42%状态时序校验引入LSTM单元校验连续帧状态消除瞬时误检测状态切换判断准确率提升28%3. 数据准备与增强策略3.1 数据集构建要点我们混合使用了三个来源的数据TT100K数据集10万张标注图像自采路口视频8个城市不同天气条件Carla仿真数据极端场景生成标注时特别注意区分12种状态组合红/黄/绿 × 圆形/箭头 × 亮/灭标注边框要包含灯罩边缘对闪烁状态做帧级标注3.2 数据增强方案针对交通灯的特殊性设计的增强策略def augment(img, labels): # 颜色扰动模拟不同LED色温 img random_hsv(img, hgain0.015, sgain0.7, vgain0.4) # 运动模糊模拟车辆移动 if random.random() 0.5: img motion_blur(img, kernel_sizerandom.randint(3,7)) # 光照干扰模拟车灯直射 if random.random() 0.7: img glare_effect(img, num_circles3) # 雨雪雾模拟 img weather_effect(img) return img, labels关键提示避免使用旋转增强交通灯在真实场景中不会出现大角度旋转4. 模型训练细节4.1 关键训练参数# hyp.yaml 部分配置 lr0: 0.0032 lrf: 0.12 momentum: 0.843 weight_decay: 0.00036 warmup_epochs: 2.0 warmup_momentum: 0.8 box: 0.05 cls: 0.3 dfl: 1.54.2 损失函数改进在原有损失函数基础上增加颜色通道一致性损失引入状态连续性约束使用Focal Loss处理类别不平衡改进后的分类损失计算def classification_loss(pred, target): # 常规交叉熵损失 ce_loss F.cross_entropy(pred, target) # 颜色一致性约束 color_mask get_color_channel_mask(target) color_loss (pred * color_mask).sum() # 状态连续性约束 temporal_loss check_state_consistency(pred_seq) return ce_loss 0.3*color_loss 0.2*temporal_loss5. 部署优化技巧5.1 模型量化方案实测效果最好的量化策略训练后QAT量化使用TensorRT的FP16模式对分类头保持FP32精度量化前后对比指标原始模型INT8量化FP16量化准确率95.3%94.1%95.2%推理速度(FPS)112217189显存占用1.8GB0.6GB0.9GB5.2 边缘设备部署树莓派4B上的优化方法使用OpenVINO转换模型开启ARM NEON加速输入尺寸调整为320×320采用多线程流水线处理实测在树莓派上能达到9FPS的稳定识别速度满足实时性要求。6. 实际应用中的问题排查6.1 典型问题与解决方案问题现象可能原因解决方案绿灯识别为红灯色温偏差导致颜色误判增加白平衡预处理远处信号灯检测不到下采样丢失小目标特征修改Focus层为Conv层闪烁状态判断不稳定帧间信息未关联启用LSTM时序模块夕阳场景误检测太阳颜色干扰增加形状特征校验6.2 性能调优记录案例某路口晚高峰时段识别率下降分析大量车灯造成光污染解决方案在ROI提取阶段增加亮度阈值过滤使用先验知识限制检测区域开启红外通道辅助判断效果误报率从15%降至2.3%7. 扩展应用方向当前模型还可用于交通信号设备巡检自动识别损坏的信号灯统计各状态持续时间是否符合标准驾驶行为分析结合车辆轨迹判断闯红灯行为统计路口各方向等待时间智能交通信号控制实时分析各方向车流量动态调整信号灯配时方案在实际部署中发现将识别结果与高精地图匹配后系统鲁棒性可进一步提升。我们正在开发基于Transformer的多路口协同分析模块预计下一版本能实现区域级的信号优化控制。