基于深度学习的人流量检测系统设计与实现：Python毕设源码详解

简介这套毕业设计项目是一个基于深度学习的人流量检测系统适合高校计算机、人工智能等相关专业学生直接用于毕业设计、课程设计或期末大作业。项目已获导师指导并通过整体结构完整下载后即可运行使用。资源共1235个文件大小约61.75MB以76个Python源文件为检测核心包含模型训练与推理脚本382个HTML页面、194个JS和CSS文件组成可视化展示前端大量PNG/GIF图片提供演示素材与测试样本另有md/pdf文档和ipynb示例便于阅读与二次开发。目前已有170人下载学习。项目内含清晰目录结构、基础运行配置与演示数据读者可快速部署并体验从模型训练到人流量识别的完整流程为撰写论文和答辩演示提供直接支撑。1. 人流量检测系统一份能跑通完整流程的毕业设计源代码人流量检测系统是深度学习落地中最容易出成果的方向之一但它真正的门槛不在网络结构而在于把数据标注、模型训练、界面展示和结果统计串成一条完整链路。这份基于深度学习的人流量检测系统设计与实现python源码是一套已经通过导师指导的高分毕业设计工程核心是PyTorch训练的检测模型配套Flask搭的Web页面上传图片就能看到检测框和总人数也支持视频帧输入。对于正在做毕业设计、课程设计或者期末大作业的同学最大的价值就是它能直接跑通省掉从零搭环境、拼代码的整理时间。我花了半天把整个流程复现了一遍里面有几个参数和坑值得拿出来单独说。2. 先想清楚检测还是计数方案选型决定后面一个月省不省心2.1 人流量检测的本质是目标检测但呈现方式要按场景定人流量检测这个任务学术上通常被归为人群计数crowd counting目标是预测一副图像里的总人数。但在本科毕业设计这个语境里评审老师几乎都会追问“你检测到的人在哪”所以纯粹的计数回归不够直观。常见做法是把问题拆成目标检测用检测框把一个个行人框出来然后用框的数量代表流量。这样既能展示可视化效果又能解释每一帧的逻辑后续做轨迹分析、密度统计都方便。训练过程里就要注意如果你的数据本身是密集人群场景比如地铁闸机、演唱会现场检测框会严重重叠目标检测模型很容易漏检。真实项目里通常是检测和计数两条腿走检测器负责输出候选框和置信度后处理里再做低置信度过滤和重叠框合并最终输出人数。我在跑这个项目的时候发现训练数据和测试场景只要分布差一点人数偏差就很大所以第一步不是急着调YOLO参数而是先确认“框人数”这种输出模式是不是符合演示场景。开始动工之前先问自己三个问题。第一摄像头架设高度是平视、俯视还是斜视这决定了目标在画面里的大小和形变程度。第二人群密度是稀疏还是拥挤稀疏场景用检测器就行拥挤场景要考虑密度图辅助。第三演示时是想让老师看到“框”还是只看到“统计数字”如果导师喜欢可视化那就锁定检测框路线。这三个问题回答完选型基本就定下来了。2.2 主流方案的取舍YOLO、Faster R-CNN、密度图回归当前能够做到人流量检测的开源方案大致有三类。第一类是YOLO系列比如YOLOv5、YOLOv8输出边界框、类别和置信度推理速度快单人、稀疏人群做得非常好可以在CPU上用OpenCV DNN跑。第二类是Faster R-CNN这类两阶段检测器精度理论上更高但推理速度慢做实时视频流会吃力。第三类是CSRNet、DM-Count这类密度图回归模型网络输出一张密度热图求和就是人数适合极高密度的俯拍场景但很难给出每个行人独立的框。对毕业设计来说我一般会推荐YOLO系。原因很实际训练资源要求不高一张消费级显卡就能微调配套的导出、部署教程多效果可视化好给老师演示时能看到框。密度图方案虽然高级但你要解释的东西更多而且前端展示不够直观。下表是我在做选型时习惯用的判断维度方案输出形态适合场景可视化工程复杂度YOLOv5/YOLOv8检测框类别置信度稀疏到中等密度人群好低Faster R-CNN检测框类别置信度对精度要求高、不要求实时好中CSRNet密度图回归密度热图总人数极高密度、俯拍视角一般高这个表不是绝对的但能解释为什么大多数“基于深度学习的人流量检测系统”毕设都会选择检测框方案。这份项目源码走的也是这条路线模型输出后统计框的数量同时在前端把框绘制出来逻辑清楚也容易写进论文。我最近还注意到一些同学直接上Transformer检测器比如DETR、Deformable DETR。模型是新颖能在开题报告里多写一段但训练起来对超参数、GPU显存的要求都比YOLO系高一个量级而且数据集只有几千张的时候很容易训崩。毕业设计追求的是稳定可复现不是Benchmark榜单排名所以除非你原本就非常熟悉Transformer训练流程否则不建议在这个项目里冒险。2.3 整个系统的工程模块怎么拆把项目拆开看它本质上是四层数据处理层、模型训练层、推理服务层、Web展示层。数据处理层负责把图片和标注组织成模型能读的格式训练层负责加载预训练权重和微调推理服务层接收上传图片并返回检测结果Web展示层将结果渲染出来。每一层都是独立模块调试时互不干扰。数据处理层最常见的坑是标注格式不一致。比如别人给的标注是VOC的XMLYOLO训练要的是TXT这一步转换错了训练出来的模型会莫名其妙地漏检。训练层要注意的是预训练权重路径、类别数量和anchor尺寸。推理服务层要注意的是模型加载时机千万别在每次请求时重载权重。Web层要注意的是图片上传大小限制和base64编码。整个数据流是一条直线但它跨了三种语言环境标注文件是XML训练脚本是Python前端展示是JavaScript。调试时最容易脱节的是坐标体系标注里的坐标是原始像素值经过letterbox预处理后坐标会变化模型输出又是归一化之后的坐标最后画框又要转成像素坐标。任何一个环节忘了换算画出来的框就会漂移。后面几章我会按这个顺序把每一步怎么做、参数怎么设、报错怎么排查都过一遍看完你应该能把这套系统完整地架起来。3. 训练一个能用的检测模型环境、数据、命令三个环节一次说清3.1 环境依赖与目录结构拿到压缩包之后第一步不是立刻训练而是先确认环境。这份项目基于PyTorch实现建议用Anaconda隔离环境。要求Python 3.8或3.9PyTorch 1.8以上CUDA对应版本。下面是核心依赖清单# requirements.txt torch1.8.0 torchvision0.9.0 opencv-python4.5.0 numpy1.19.0 Flask2.0.0 PyYAML5.4.0装包时最容易翻车的其实是opencv-python和torch的版本冲突。常见做法是先单独装PyTorch官方whl再安装其余依赖。在终端执行pip install -r requirements.txt之前先确认python -c import torch; print(torch.__version__)能正常输出。如果电脑没有NVIDIA显卡训练时把--device cpu速度会慢很多但能跑小数据集做演示足够。目录结构我建议参考下面这个布局crowdflow/ ├── datasets/ # 图片和标注文件 │ ├── images/ │ ├── labels/ │ └── crowd.yaml ├── models/ # 模型定义、预训练权重 │ └── weights/ ├── scripts/ │ ├── convert_xml_to_txt.py │ ├── train.py │ └── detect.py └── web/ ├── app.py # Flask 服务 └── templates/ └── index.html实际压缩包里的目录可能略有不同但核心模块基本都是这些。crowd.yaml是训练数据配置文件里面写的是训练集路径、验证集路径、类别数和类别名。它长得像这样train: datasets/images/train val: datasets/images/val nc: 1 names: [person]这个YAML文件会被训练脚本反复读取路径写错了训练一样会启动但实际加载不到数据损失不降。我见过很多同学卡在这一步建议拿到项目后先打开crowd.yaml核对路径是否存在再决定要不要动手训练。3.2 数据集准备VOC标注怎么转成YOLO格式数据是模型效果的上限。下载到的行人数据集多数是VOC格式也就是每张图片对应一个XML文件里面是bndbox坐标。YOLO训练需要的是TXT格式是类别 中心点x 中心点y 宽度 高度并且全部归一化到0到1。如果不归一化模型训练时会受图片尺寸影响小图和大图的框数值不在同一量级收敛会很难。我一般用下面这个脚本做转换这也是这份项目里数据处理层最核心的一段代码import os import xml.etree.ElementTree as ET def convert_voc_to_yolo(xml_path, out_txt_path, class_list): xml_path: 单个VOC标注文件 out_txt_path: 输出的YOLO格式标注文件 class_list: 类别名列表例如 [person] tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) lines [] for obj in root.findall(object): name obj.find(name).text if name not in class_list: continue cls_id class_list.index(name) bbox obj.find(bndbox) x1 float(bbox.find(xmin).text) y1 float(bbox.find(ymin).text) x2 float(bbox.find(xmax).text) y2 float(bbox.find(ymax).text) cx ((x1 x2) / 2) / img_w cy ((y1 y2) / 2) / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(out_txt_path, w) as f: f.write(\n.join(lines))这段代码最关键的部分就是坐标换算。cx和cy是框中心点的归一化坐标w和h是框宽度和高度的归一化值。除以img_w和img_h是为了把绝对像素值压到0到1之间这样不管图片是1920x1080还是640x480标注的数值范围始终一致模型才能学得稳。转换完成后最好随机抽几张图把TXT坐标还原成矩形框画在图上检查。我强烈建议不要省这一步因为很多时候XML里会出现xmin大于xmax、越界等脏数据。画框检查能直接暴露问题否则模型训了半天损失降不下去最后排查发现是标注错位。3.3 训练脚本参数怎么调环境、数据就绪后进入训练步骤。常见的训练命令长这样python scripts/train.py \ --data datasets/crowd.yaml \ --weights models/weights/yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --device 0每个参数的作用我按下来说明。--data指向YAML配置也就是刚才说的crowd.yaml。--weights是预训练权重建议保留COCO预训练权重来微调因为行人这类目标在COCO里已有较好的特征冻结前面几层训练能更快收敛。--img是输入分辨率640是速度和精度相对平衡的点显存吃紧可以降到512。--batch只受显存限制16G显存跑YOLOv5s没问题8G显存就降到8。--epochs经验值至少60轮以上但要看验证集是否还在降。这里有个很容易被忽略的点如果在CPU上训练--device 0会直接报错必须改成--device cpu。另外--weights如果填错路径脚本不会立刻退出而是继续从头随机初始化出来的模型几乎不可用所以我每次训练前都会看日志里有没有输出Model loaded from ...。还有一个救命的参数是--resume。训练到一半断电、死机或是因为别的原因中断续训时加上这个参数会自动读取上一次保存的权重和epoch接着上次的进度继续不用从头再来。我一般会同时在训练命令里加--cache把图片提前缓存到内存能省掉硬盘IO的时间但前提是你的机器内存足够大。3.4 训练日志与模型验证训练时终端会持续打印每个epoch的损失包括box_loss、cls_loss、obj_loss。loss下降是好事但不代表模型一定好用。我见过不少同学把训练停止条件定为“loss降到0.1”但验证集精度反而更差。正确做法是关注验证集的mAP或PR曲线当验证集指标连续20个epoch左右不再上涨就停止训练避免过拟合。如果发现训练集loss和验证集loss差距越来越大典型的过拟合信号。解决思路有三个增加数据增强、降低模型复杂度、加入早停。如果是训练数据量只有几百张的小数据集优先考虑预训练权重并冻结浅层单纯调大迭代次数只会让退化为记忆。这份项目应该已经提供了训练好的权重可以直接跳到下一章部署但如果你要自己复现上述逻辑一定要走一遍。验证阶段可以把测试图片丢进detect.py看每张图的框是否准。输出结果会保存在runs/detect/exp目录里里面有画好框的图片和检测报告。这一步相当于体检如果检出大量0.1置信度的框说明模型没有充分收敛需要回头检查训练数据或者调低conf阈值再试。4. 把模型变成能演示的系统推理、Flask接口和计数统计4.1 单张图片推理与视频帧处理训练或拿到权重后先做一次最简单的单图推理确认模型输出正常。核心调用方式如下import cv2 import torch # 加载模型这里权重是训练后保存的best.pt model torch.hub.load(ultralytics/yolov5, custom, pathbest.pt, force_reloadTrue) model.conf 0.35 # 置信度阈值 model.iou 0.45 # NMS IoU阈值 img cv2.imread(demo.jpg) results model(img) # 输出每个检测框坐标、置信度 boxes results.xyxy[0].cpu().numpy() # 形状为 (N, 6)最后一列是置信度 print(f检测到 {len(boxes)} 个人)这段代码里的两个参数非常关键。conf设得越高漏检越多设得越低错检越多。做室内人流量统计0.35是个比较稳妥的起点如果摄像头离得远人物占比小建议降到0.25。iou是NMS合并重叠框的阈值行人重叠多时低于0.45会导致同一个人的框被抑制掉一半可以适当降到0.4。对视频流来说本质上就是逐帧调用这段推理将结果叠加后写入输出文件。但直接逐帧统计人数会有重复计数问题同一人出现在相邻两帧会被算两次后面我会专门用一个章节做一个简单的IOU去重方案先把单帧推理跑通再谈多帧。要让这段推理在真实演示中不卡顿还要注意一个问题torch.hub.load首次运行会联网下载权重演示现场如果没网会直接卡死。稳妥做法是提前把权重下载好加载时把path指向本地文件并设置force_reloadFalse。我在演示时就吃过一次亏现场只想着跑通结果网络不好直接白屏后来所有权重都提前备好本地副本。4.2 Flask后端上传图片并返回检测结果毕设效果好不好很大程度看是否有界面。这套项目用Flask做Web服务前端选一张图片后端推理后把标注图片和人数返回。后端接口的核心逻辑不复杂from flask import Flask, request, jsonify, render_template import cv2 import numpy as np import base64 app Flask(__name__) model load_model() # 启动时只加载一次 app.route(/) def index(): return render_template(index.html) app.route(/upload, methods[POST]) def upload(): file request.files[image] img_bytes file.read() img cv2.imdecode(np.frombuffer(img_bytes, np.uint8), cv2.IMREAD_COLOR) # 推理 results model(img) boxes results.xyxy[0].cpu().numpy() count len(boxes) # 画框 for x1, y1, x2, y2, conf, cls in boxes: cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText(img, f{conf:.2f}, (int(x1), int(y1)-5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) # 转为base64返回给前端 _, buffer cv2.imencode(.jpg, img) img_b64 base64.b64encode(buffer).decode(utf-8) return jsonify({count: count, image: img_b64})这里有两个容易踩的坑。第一个是cv2读取的图片是BGR顺序画上去的颜色是正常的但如果直接保存HTML显示base64图片的通道顺序是反的人会显示成蓝紫色需要先用cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转成RGB再编码。第二个是base64字符串如果直接嵌入前端img标签要加上data:image/jpeg;base64,前缀否则图片加载失败。这些细节不影响模型推理但会影响演示观感。另外要在Flask配置里加上最大上传尺寸否则用户传一张几十MB的手机照片后端解码会因为内存占用过高而卡死。我一般会加一行app.config[MAX_CONTENT_LENGTH] 8 * 1024 * 1024超过8MB直接拒绝。再配合上传前用PIL或cv2把长边缩到1280以内响应速度会快很多。4.3 计数逻辑与可视化叠加网页上的总人数就是检测框的数量但这里建议不要直接len(boxes)而是加一层置信度过滤。很多检测框置信度只有0.1左右那是模型把背包、柱子当成了人。成熟做法是先过滤掉超过图像边界明显不完整的框再保留置信度大于阈值的框最后做NMS。可视化部分在服务端完成即可。每一帧把人数用大号字体写在上方配一个矩形底衬方便老师看演示时一眼看到结果。如果想让界面更像真实系统还可以加一个“历史人流曲线”把最近若干次上传图片的count存到列表里前端用Canvas画折线。这部分工作不涉及模型但对分数提升非常直接属于性价比最高的优化项。我在跑这套系统时把计数结果同时打印到控制台一份方便对账很多隐藏问题都是这样发现的。拥挤场景下计数逻辑还要考虑检测框重叠对数量的影响。两个人交错走过检测器可能把两个人识别成一个框并给出较低置信度。这时单靠画框和计数是救不回来的要在推理阶段把iou调低让NMS更激进或者把输入分辨率调高让模型看到更多细节。前者简单但会引入重复框后者效果更好但推理变慢需要根据演示电脑的配置权衡。5. 训练和部署中的常见问题五个踩坑记录附解决方案5.1 损失函数一路不降训练像在睡觉现象训练到第50个epochbox_loss还是0.08左右几乎不变验证集mAP一直在个位数徘徊。原因最常出现在数据链路。标签文件读取为空或者标注的类别编号和配置对不上。我遇到过一种情况是class_list里是[person]但XML里类别是Person大小写不一致过滤后所有标注都被跳过模型相当于在空标签上训练当然不收敛。解决先跑一个只有几十张图的小数据集如果能过拟合说明链路正常。再看数据加载代码里实际读到的标签数量是否和标注一致最简单的方式是在训练前打印一个样本路径和标签内容。你会发现大多数loss不降最终都能归到标注或路径上。5.2 单张图效果不错一换成视频画面就疯狂漏检现象测试集图片精度看着不错但用摄像头截帧测试人群一多就漏掉一半。原因训练集大多是网上爬的街景图或公开数据集人物通常完整、光照均匀。而摄像头画面往往是高视角、人群拥挤、目标小模型没见过这种分布。这是典型的域偏移问题不是模型结构不行。解决从摄像头采集几百帧硬截图手动框选标注加入训练集重训。如果不想重训也可以在推理时降低conf到0.25。但真正的根治办法永远是让训练集贴近部署场景。这也是毕业设计答辩时老师常问的问题提前准备好这一层回答会加分。5.3 CUDA out of memory 显存爆了现象训练刚启动或进行到第几个batch直接报错CUDA out of memory。原因显存是硬约束。--img 640配合--batch 16在8G显存上几乎必爆除非用的预训练yolov5n。解决先nvidia-smi看显存占用把其他进程清掉。batch降到8或4--img从640降到512或416。还有一个省显存技巧是训练时关闭mixup和cutout这两个数据增强会增加显存压力。如果只是推理阶段爆显存可以在模型前向之前用torch.no_grad()包起来并调用torch.cuda.empty_cache()。5.4 Flask上传图片几秒都没反应前端直接转圈现象点击上传后浏览器一直等待接口迟迟不返回有时甚至控制台报500错误。原因最常见的是模型在每次请求里都被重新加载权重加载一次要好几秒。另外如果用了CPU推理一张大图跑完也要几秒。极端情况下上传一张10MB图片光解码就卡半天。500错误多半是后端解码或推理时发生异常没有捕获就抛给Flask了。解决把模型初始化放到模块顶层确保只加载一次。上传前先检查图片尺寸超过1280就按比例缩小。还可以在Flask里设置MAX_CONTENT_LENGTH限制上传大小。接口响应时间最好压到1秒内否则演示时体验很差。把推理包在try...except里失败时返回明确错误信息比前端白屏好排查一百倍。5.5 人数统计虚高一个人被算了好几次现象视频帧统计出来的总人数比实际多出一倍多。原因单帧检测没有考虑时间维度。人在画面中停留2秒按25FPS就是50帧如果不做去重每一帧都把他算进去总数自然爆炸。解决用跟踪或者帧间IOU去重。最简单的做法是只统计“新出现”的框当前帧的框与上一帧所有框的最大IOU如果小于阈值就认为新进入一个目标人数加一。稍好一点的是计算每个框的中心点用中心点距离匹配。这个问题的解决过程我放在下一章讲因为这是一个值得单独展开的进阶操作。6. 进阶视频流人流量统计的帧间去重6.1 用IOU做简单的帧间匹配把单帧检测结果直接累加人数一定会虚高。我的习惯是先做一个只依赖检测框坐标的IOU去重不需要训练任何跟踪模型代码量小效果立竿见影。def iou(box1, box2): x1 max(box1[0], box2[0]) y1 max(box1[1], box2[1]) x2 min(box1[2], box2[2]) y2 min(box1[3], box2[3]) inter max(0, x2 - x1) * max(0, y2 - y1) area1 (box1[2] - box1[0]) * (box1[3] - box1[1]) area2 (box2[2] - box2[0]) * (box2[3] - box2[1]) union area1 area2 - inter return inter / union if union 0 else 0在视频循环里每一帧检测完先和上一帧的框做匹配最大IOU大于0.5就认为是同一个人继续沿用上一帧的编号如果小于阈值就当作新目标将总人数加一并把它保存为新的参考框。这套逻辑跑下来一个人从进入画面到离开只会被计数一次。要注意的是IOU去重有一个天然弱点目标快速移动时相邻两帧的框位置变化大IOU可能很低容易把同一个人误判成新人。如果演示视频里行人走得很快可以把IOU阈值降到0.3或者改用中心点距离匹配。再往上就是DeepSORT这类带外观特征的跟踪器但它们的依赖复杂、参数多对毕设演示来说性价比不高。从那以后我每次做视频人流统计都强制先跑一遍帧间IOU去重再谈精度希望帮到你。本文还有配套的精品资源点击获取