人工智能计算机视觉预训练模型系列第 13 期：交通信号灯检测模型实测记录

交通信号灯检测属于目标检测任务。它不仅需要判断画面中是否存在信号灯，还要准确给出目标位置。相比车辆、行人等较大目标，交通信号灯在画面中常常更小，容易受到距离、光照、遮挡、角度和背景干扰影响，因此对数据质量和模型稳定性都有较高要求。 本期训练与测试使用 RTX 3080 显卡，数据集共包含 9710 张图片，约 1.4 万个目标。其中训练集包含 8493 张图片、约 1.2 万个目标；验证集包含 811 张图片、约 0.1 万个目标；测试集包含 406 张图片、约 0.1 万个目标。 | 项目 | 内容 | | --- | --- | | 系列期数 | 第 13 期 | | 本期主题 | 交通信号灯检测 | | 任务类型 | 目标检测 | | 显卡型号 | RTX 3080 | | 数据集规模 | 9710 张图片，约 1.4 万个目标 | | 训练集规模 | 8493 张图片，约 1.2 万个目标 | | 验证集规模 | 811 张图片，约 0.1 万个目标 | | 测试集规模 | 406 张图片，约 0.1 万个目标 | 下面是本次交通信号灯检测任务的训练输入样例。可以看到，信号灯目标在不同画面中会呈现出不同尺度和位置，这类数据有助于模型学习更稳健的目标定位能力。  验证预测样例更适合观察模型在多场景中的框选效果。对于交通信号灯检测来说，检测框是否稳定、是否漏掉远处小目标，都是后续工程部署需要重点关注的问题。 

YOLOv5s 是本期记录的第一种交通信号灯检测模型。该模型包含 157 层网络，约 7M 参数，计算量为 15.8 GFLOPs，模型文件大小约 14 MB。对于需要在边缘设备、路侧单元或实时视频流中运行的视觉任务来说，这类轻量级模型具备较好的部署友好性。 训练配置方面，YOLOv5s 的 batch size 为 64，训练 1691 个 epoch，总训练时间约 103 小时。评估结果中，Precision 为 0.95，Recall 为 0.87，mAP50 为 0.91，说明模型在本次交通信号灯检测数据集上具备较稳定的识别与定位能力。 | 项目 | YOLOv5s | | --- | --- | | 网络层数 | 157 层 | | 参数量 | 7M | | 计算量 | 15.8 GFLOPs | | 模型文件 | 14 MB | | batch size | 64 | | epoch | 1691 | | 训练时间 | 103 小时 | | Precision | 0.95 | | Recall | 0.87 | | mAP50 | 0.91 | 下面是 YOLOv5s 训练过程中的损失与指标变化趋势。训练曲线可以帮助我们观察模型是否稳定收敛，以及精度指标在训练后期是否趋于平稳。  推理性能方面，YOLOv5s 的推理显存占用为 368 MB。GPU 单张图片推理 4.7 毫秒，后处理 1.1 毫秒，总计约 5.8 毫秒；CPU 单张图片推理 78.0 毫秒，后处理 10.9 毫秒，总计约 88.9 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 4.7 ms | 1.1 ms | 5.8 ms | | CPU | 78.0 ms | 10.9 ms | 88.9 ms | 下面是一张本次测试使用的原始图片。原图能够帮助我们直观理解交通信号灯在真实画面中的大小、位置和背景复杂度。  YOLOv5s 的测试结果如下。可以结合原图观察模型对信号灯目标的定位效果，以及检测框是否覆盖到关键目标区域。 

YOLO26s 是本期记录的第二种交通信号灯检测模型。该模型包含 260 层网络，约 10M 参数，计算量为 22.5 GFLOPs，模型文件大小约 20 MB。它同样面向目标检测任务，可用于交通信号灯定位、道路场景分析和智能交通视觉系统中的候选模型验证。 训练配置方面，YOLO26s 的 batch size 为 48，训练 1659 个 epoch，总训练时间约 120 小时。评估结果中，Precision 为 0.94，Recall 为 0.87，mAP50 为 0.91，在本次交通信号灯检测任务上保持了较好的检测表现。 | 项目 | YOLO26s | | --- | --- | | 网络层数 | 260 层 | | 参数量 | 10M | | 计算量 | 22.5 GFLOPs | | 模型文件 | 20 MB | | batch size | 48 | | epoch | 1659 | | 训练时间 | 120 小时 | | Precision | 0.94 | | Recall | 0.87 | | mAP50 | 0.91 | 下面是 YOLO26s 训练过程中的损失与指标变化趋势。对于小目标检测任务来说，训练曲线不仅用于展示结果，也能帮助后续分析数据分布、训练轮次和模型收敛状态。  推理性能方面，YOLO26s 的推理显存占用为 366 MB。GPU 单张图片推理 6.0 毫秒，后处理 1.5 毫秒，总计约 7.5 毫秒；CPU 单张图片推理 105.4 毫秒，后处理 38.9 毫秒，总计约 144.3 毫秒。 | 推理环境 | 推理时间 | 后处理时间 | 总耗时 | | --- | ---: | ---: | ---: | | GPU | 6.0 ms | 1.5 ms | 7.5 ms | | CPU | 105.4 ms | 38.9 ms | 144.3 ms | YOLO26s 的测试结果如下。单张测试图可以帮助我们快速观察模型检测效果，真正部署前还需要继续放到连续视频流、不同路口、不同天气和夜间光照环境中验证稳定性。 

交通信号灯检测看似是一个单一目标任务，但落地时会受到摄像头角度、目标尺寸、画面清晰度、信号灯遮挡、强光反射和实时性要求的共同影响。模型指标很重要，推理速度同样重要；静态图片效果很直观，连续场景中的稳定性也不能忽略。 从本期记录可以看到，轻量级交通信号灯检测模型已经能够在较低显存占用和毫秒级 GPU 推理时间下完成目标检测任务。对于智慧交通、机器人导航、辅助驾驶感知、道路巡检和边缘 AI 部署来说，这类模型适合作为工程验证与持续迭代的起点。 如果你正在做交通信号灯检测、路口感知或边缘 AI 部署，你最关心的是小目标漏检、夜间识别、GPU 推理速度，还是 CPU 场景下的成本控制？欢迎把你的应用场景和最想解决的问题留下来，我们可以在后续文章里继续拆解。 > SEO 描述：本文记录第 13 期人工智能计算机视觉预训练模型：交通信号灯检测模型，覆盖数据集规模、YOLOv5s、YOLO26s、mAP50、GPU/CPU 推理速度和可视化测试结果，帮助评估 AI 视觉小模型在智慧交通、机器人导航和边缘 AI 部署场景中的应用价值。