深度学习基于YOLOv11交通事故检测系统  道路交通事故检测数据集，![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/cc3f3117b5f39146a044f86125905889.png)
391张，yolo，voc，coco三种标注方式
图像尺寸:644*540
类别数量:5类![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/2cbd8bf3c776abc53b277c596f9829c0.png)

训练集图像数量:345; 验证集图像数量:23； 测试集图像数量:23
类别名称: 每一类图像数 ，每一类标注数
bike‑crash-非机动车碰撞：56,56
car‑accident-汽车事故：57,64
car‑crash-汽车碰撞：96,96
bike‑accident-非机动车事故：75,84
car‑bike‑crash-汽车与非机动车碰撞：114,114
image num: 391
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/de6cd7b1ce10221bd365e0e9d71235c7.png)


模型代码
采用 YOLOv11n 网络训练
训练轮次：80 个 epoch![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/1ebc9479909c313ddc616313835260d0.png)

提供全部训练 + 测试源代码
训练精度 mAP 效果如图所示![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/d39ce5c52aa7b378cb7eea3c7931971c.png)

PyQt5 界面功能![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/b0aeb32f00803478b7eba4454d4cdf52.png)

界面使用 PyQt5 开发，提供全部源码（.ui、.qrc、.py 及图标文件）
支持图片检测、视频检测、摄像头实时检测
界面实时显示：目标位置、目标总数、置信度等信息
支持检测结果保存导出![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/9b863d1887c5c7de221147097a0c2f2f.png)

操作简单直观，无需命令行

# 基于YOLOv11交通事故检测系统完整代码
## 环境安装
```bash
pip install ultralytics opencv-python PyQt5 numpy
```

## 1、数据集yaml配置文件 `traffic_accident.yaml`
```yaml
# 类别
names:
  0: bike-crash
  1: car-accident
  2: car-crash
  3: car-bike-crash
nc: 4
# 数据集路径
path: ./traffic_accident
train: images/train
val: images/val
test: images/test
```

## 2、模型训练代码 `train.py`
```python
from ultralytics import YOLO

if __name__ == '__main__':
    # 加载YOLOv11n模型
    model = YOLO("yolo11n.pt")
    # 开始训练
    results = model.train(
        data="traffic_accident.yaml",
        epochs=100,
        imgsz=640,
        batch=8,
        device=0,
        patience=10,
        project="runs/train",
        name="traffic_accident_yolo11"
    )
```

## 3、单图/视频推理代码 `predict.py`
```python
from ultralytics import YOLO
import cv2

model = YOLO("./runs/train/traffic_accident_yolo11/weights/best.pt")

def predict_image(img_path):
    res = model(img_path, conf=0.5)
    for r in res:
        im = r.plot()
        cv2.imwrite("result.jpg", im)
    return res

def predict_video(video_path):
    res = model(video_path, save=True, conf=0.5)
    return res

if __name__ == "__main__":
    predict_image("test.jpg")
```

## 4、PyQt5可视化界面代码 `main_ui.py`（系统界面）
```python
import sys
import cv2
from PyQt5.QtWidgets import (QApplication, QMainWindow, QWidget, QVBoxLayout, QHBoxLayout,
                             QPushButton, QLabel, QFileDialog, QTableWidget, QTableWidgetItem)
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import Qt
from ultralytics import YOLO

class MainWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("基于YOLOv11的交通事故检测系统")
        self.setGeometry(100,100,1200,800)
        self.model = YOLO("./runs/train/traffic_accident_yolo11/weights/best.pt")
        self.img = None
        self.initUI()

    def initUI(self):
        central_widget = QWidget()
        self.setCentralWidget(central_widget)
        h_layout = QHBoxLayout(central_widget)

        # 左侧图像显示
        self.label_img = QLabel("图像区域")
        self.label_img.setFixedSize(800,600)
        self.label_img.setStyleSheet("border:1px solid #000;")

        # 右侧面板
        right_widget = QWidget()
        v_right = QVBoxLayout(right_widget)
        self.btn_img = QPushButton("导入图片")
        self.btn_img.clicked.connect(self.load_image)
        self.btn_video = QPushButton("导入视频")
        self.btn_video.clicked.connect(self.load_video)
        self.table = QTableWidget()
        self.table.setColumnCount(6)
        self.table.setHorizontalHeaderLabels(["序号","类别","置信度","xmin","ymin","坐标"])
        self.btn_save = QPushButton("保存结果")

        v_right.addWidget(self.btn_img)
        v_right.addWidget(self.btn_video)
        v_right.addWidget(QLabel("检测结果"))
        v_right.addWidget(self.table)
        v_right.addWidget(self.btn_save)

        h_layout.addWidget(self.label_img)
        h_layout.addWidget(right_widget)

    def load_image(self):
        fname, _ = QFileDialog.getOpenFileName(self,"选择图片", "", "Image(*.jpg *.png)")
        if not fname:
            return
        self.img = cv2.imread(fname)
        #推理
        results = self.model(self.img, conf=0.5)
        img_plot = results[0].plot()
        self.show_img(img_plot)
        self.fill_table(results[0])

    def show_img(self, img_cv):
        rgb = cv2.cvtColor(img_cv, cv2.COLOR_BGR2RGB)
        h,w,c = rgb.shape
        qimg = QImage(rgb.data, w, h, w*c, QImage.Format_RGB888)
        self.label_img.setPixmap(QPixmap.fromImage(qimg).scaled(self.label_img.size(),Qt.KeepAspectRatio))

    def fill_table(self, res):
        self.table.setRowCount(0)
        boxes = res.boxes
        for i, box in enumerate(boxes):
            cls_name = self.model.names[int(box.cls)]
            conf = float(box.conf)
            x1,y1,x2,y2 = map(int,box.xyxy[0])
            self.table.insertRow(i)
            self.table.setItem(i,0,QTableWidgetItem(str(i+1)))
            self.table.setItem(i,1,QTableWidgetItem(cls_name))
            self.table.setItem(i,2,QTableWidgetItem(f"{conf:.3f}"))
            self.table.setItem(i,3,QTableWidgetItem(str(x1)))
            self.table.setItem(i,4,QTableWidgetItem(str(y1)))
            self.table.setItem(i,5,QTableWidgetItem(f"{x2},{y2}"))

    def load_video(self):
        path,_ = QFileDialog.getOpenFileName(self,"选择视频","","Video(*.mp4)")
        if path:
            self.model(path, save=True)

if __name__ == "__main__":
    app = QApplication(sys.argv)
    win = MainWindow()
    win.show()
    sys.exit(app.exec_())
```

运行：`python main_ui.py`，即可打开交通事故检测系统GUI，支持图片、视频检测，展示检测框、类别、置信度、坐标结果。




深度学习基于YOLOv11交通事故检测系统  道路交通事故检测数据集，391张，yolo，voc，coco三种标注方式图像尺寸:644*540类别数量:5类

深度学习基于YOLOv11交通事故检测系统 深度学习基于YOLOv11交通事故检测系统  道路交通事故检测数据集，

人工智能

开发工具

客户端

基于YOLOv11的交通事故检测系统，融合5类事故数据集（非机动车碰撞、汽车事故等），支持YOLO/VOC/COCO标注格式。提供完整PyQt5图形界面，实现图片、视频及摄像头实时检测，实时显示目标位置、总数和置信度，检测结果可保存导出。训练代码完整，80轮训练精度mAP效果显著，适配交通监控场景。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

深度学习基于YOLOv11交通事故检测系统 深度学习基于YOLOv11交通事故检测系统  道路交通事故检测数据集，-腾讯云开发者社区-腾讯云

深度学习基于YOLOv11交通事故检测系统深度学习基于YOLOv11交通事故检测系统道路交通事故检测数据集，

深度学习基于YOLOv11交通事故检测系统深度学习基于YOLOv11交通事故检测系统道路交通事故检测数据集，

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

深度学习基于YOLOv11交通事故检测系统 深度学习基于YOLOv11交通事故检测系统 道路交通事故检测数据集，

深度学习基于YOLOv11交通事故检测系统 深度学习基于YOLOv11交通事故检测系统 道路交通事故检测数据集，

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

深度学习基于YOLOv11交通事故检测系统深度学习基于YOLOv11交通事故检测系统道路交通事故检测数据集，

深度学习基于YOLOv11交通事故检测系统深度学习基于YOLOv11交通事故检测系统道路交通事故检测数据集，