YOLO-v5实战案例：停车场车位占用状态识别系统

1. 引言

随着智慧城市建设的不断推进，智能停车管理系统成为提升城市交通效率的重要组成部分。其中，停车场车位占用状态识别是实现自动化管理的核心功能之一。传统的人工巡检或地磁传感器方案存在成本高、维护难、覆盖范围有限等问题。近年来，基于深度学习的目标检测技术为该场景提供了高效、低成本的视觉解决方案。

YOLO（You Only Look Once）是一种流行的物体检测模型，由华盛顿大学的 Joseph Redmon 和 Ali Farhadi 开发，自2015年首次发布以来，因其实时性强、精度高、结构简洁等特点，在工业界广泛应用。YOLO-v5作为该系列中最具工程实用性的版本之一，凭借其易用性、快速部署能力和良好的性能平衡，成为许多视觉项目的首选模型。

本文将围绕“基于YOLO-v5的停车场车位占用状态识别系统”展开，结合CSDN提供的YOLO-v5镜像环境，详细介绍从环境搭建、数据准备、模型推理到实际应用落地的完整流程，帮助开发者快速构建一个可运行的智能车位监测系统。

2. 系统架构与技术选型

2.1 整体架构设计

本系统的整体架构分为四个主要模块：

视频采集层：通过摄像头或已有监控视频流获取停车场画面。
预处理与区域划分层：对图像进行透视变换和ROI（感兴趣区域）提取，定位每个停车位的位置。
目标检测层：使用YOLO-v5模型检测图像中的车辆位置。
状态判断与输出层：根据车辆是否出现在车位区域内，判定其占用状态，并可视化结果。

该架构具备良好的扩展性和实时性，适用于固定视角下的静态车位分析。

2.2 技术选型依据

在多种目标检测算法中选择YOLO-v5，主要基于以下几点优势：

维度	YOLO-v5优势
推理速度	支持轻量级模型（如yolov5s），可在普通GPU甚至边缘设备上实现实时检测
易用性	提供`torch.hub`一键加载，无需复杂配置即可调用预训练模型
预训练支持	在COCO数据集上训练良好，能准确识别“car”、“truck”等常见车辆类别
可定制性	支持微调（fine-tuning），便于后续针对特定场景优化
生态完善	官方GitHub项目活跃，社区资源丰富，易于集成

此外，借助CSDN平台提供的YOLO-v5镜像环境，开发者可以免去繁琐的依赖安装过程，直接进入开发与测试阶段，极大提升了开发效率。

3. 基于YOLO-v5镜像的环境准备

3.1 镜像简介

该镜像基于官方YOLOv5代码库构建，预装了以下核心组件：

PyTorch 1.13+（CUDA支持）
Ultralytics YOLOv5主干代码
OpenCV、NumPy、Pillow等常用视觉库
Jupyter Notebook交互式开发环境

用户可通过SSH或Web端Jupyter直接访问开发环境，无需本地配置即可开始实验。

3.2 Jupyter使用方式

登录后可通过浏览器访问Jupyter Notebook界面，进行代码编写与调试。典型路径如下：

http://<your-instance-ip>:8888

进入后推荐创建新Notebook，在单元格中输入Python代码并逐段执行。适合用于原型验证和可视化分析。

3.3 SSH连接方式

对于需要长时间运行任务或批量处理视频的场景，建议使用SSH连接服务器终端：

ssh root@<your-instance-ip> -p 22

登录后可直接操作文件系统，运行Python脚本或启动后台服务。

3.4 运行Demo验证环境

首先进入YOLOv5项目目录：

cd /root/yolov5/

然后执行以下Python代码，验证模型能否正常加载并完成推理：

import torch # Load a YOLOv5 model (options: yolov5n, yolov5s, yolov5m, yolov5l, yolov5x) model = torch.hub.load("ultralytics/yolov5", "yolov5s") # Default: yolov5s # Define the input image source (URL, local file, PIL image, OpenCV frame, numpy array, or list) img = "https://ultralytics.com/images/zidane.jpg" # Example image # Perform inference (handles batching, resizing, normalization automatically) results = model(img) # Process the results (options: .print(), .show(), .save(), .crop(), .pandas()) results.print() # Print results to console results.show() # Display results in a window results.save() # Save results to runs/detect/exp

提示：若出现图形界面无法显示的问题，可在保存路径runs/detect/exp/中查看生成的检测图像。

4. 车位状态识别实现步骤

4.1 视频帧提取与ROI定义

由于停车场通常采用固定广角摄像头俯拍，我们可以通过单应性变换（Homography）将原始图像映射到鸟瞰图平面，进而精确划分每个车位的多边形区域。

假设已获得一段停车场监控视频parking.mp4，首先提取关键帧：

import cv2 cap = cv2.VideoCapture("parking.mp4") ret, frame = cap.read() if ret: cv2.imwrite("reference_frame.jpg", frame) cap.release()

接下来手动标注若干个车位的四边形顶点坐标（可用OpenCV绘制工具辅助），存储为字典形式：

parking_spots = { "spot_001": [(100, 200), (150, 200), (145, 240), (105, 235)], "spot_002": [(160, 202), (210, 202), (205, 242), (165, 238)], # ... more spots }

4.2 车辆检测与位置匹配

加载YOLO-v5模型并对每一帧进行推理，获取所有车辆的边界框信息：

import torch import cv2 from shapely.geometry import Polygon, Point # 加载模型 model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # 读取图像 img_path = 'reference_frame.jpg' frame = cv2.imread(img_path) # 执行推理 results = model(frame) df = results.pandas().xyxy[0] # 获取检测结果DataFrame # 提取车辆检测框中心点 vehicles = [] for _, row in df.iterrows(): if row['name'] in ['car', 'truck', 'bus']: cx = (row['xmin'] + row['xmax']) / 2 cy = (row['ymin'] + row['ymax']) / 2 vehicles.append((cx, cy))

4.3 判断车位占用状态

利用几何库shapely判断车辆中心点是否落入某个车位区域内：

status = {} for spot_id, corners in parking_spots.items(): spot_poly = Polygon(corners) occupied = False for (x, y) in vehicles: if spot_poly.contains(Point(x, y)): occupied = True break status[spot_id] = "occupied" if occupied else "free" # 输出结果 for spot, state in status.items(): print(f"{spot}: {state}")

4.4 可视化结果

将检测结果叠加回原图，不同颜色标识空闲与占用：

output_frame = frame.copy() for spot_id, corners in parking_spots.items(): pts = np.array(corners, dtype=np.int32).reshape((-1, 1, 2)) color = (0, 255, 0) if status[spot_id] == "free" else (0, 0, 255) # 绿色=空闲，红色=占用 cv2.polylines(output_frame, [pts], isClosed=True, color=color, thickness=2) cv2.imwrite("output_status.jpg", output_frame)

最终输出图像清晰展示各车位状态，可用于后续报警、导航或数据统计。

5. 实际挑战与优化建议

5.1 常见问题及应对策略

问题	原因	解决方案
车辆误检或漏检	光照变化、遮挡、小目标	使用更大模型（如yolov5m）、增加数据增强训练
车位误判（压线）	车辆靠近多个车位边界	引入IOU阈值判断，或缩小车位检测区域
多视角干扰	摄像头畸变严重	校正镜头畸变，结合鸟瞰图投影
实时性不足	视频分辨率过高	下采样输入图像，或跳帧处理