用YOLOv8+Jetson Nano实时检测闯红灯预警
比利时校车事故中，尽管道口信号正常，但司机闯红灯导致4死5伤。这类悲剧并非孤例——全球每年约135万人死于交通事故，其中闯红灯占行人死亡原因的30%以上（WHO 2023）。现有交通监控大多依赖事后录像回放，但若能实时识别闯红灯行为并现场预警，或许能挽回一些生命。
本文带你用YOLOv8和一块Jetson Nano（成本约500元），搭建一个能运行在路口的实时闯红灯检测系统。读完你将掌握：
- 如何用YOLOv8检测车辆、行人和红绿灯状态
- 如何定义虚拟“停止线”判断违规
- 在边缘设备上实现低延迟推理（<100ms）并驱动声光报警
- 部署时容易踩的坑及应对方案
1. 产品Demo效果展示
系统启动后，摄像头实时采集路口画面。当信号灯为红色时，若检测到车辆越过预先标定的停止线，程序会：
- 在画面上框出违规车辆并标注“VIOLATION”
- 通过GPIO控制蜂鸣器发出警报声
- 在终端/日志记录违规时间、车辆类别和ID
实测在Jetson Nano上，YOLOv8n模型（640x640输入）推理速度约45ms/帧，加上预处理和后处理，整体延迟在80-100ms，满足实时预警需求。
2. 技术选型（模型/框架/部署方案）
| 组件 | 选型 | 理由 |
|---|---|---|
| 模型 | YOLOv8n | 官方预训练，nano版本最快（Jetson Nano上45ms），精度足够检测车/人/灯 |
| 框架 | Ultralytics + ONNX Runtime | 推理速度比PyTorch快2倍，双核CPU下也能跑 |
| 设备 | Jetson Nano 4GB (B01) | 成本低（$150），有GPIO，社区成熟 |
| 摄像头 | USB免驱摄像头（1080p） | 即插即用，实测640x480输入足够 |
| 报警 | 蜂鸣器模块 + 继电器 | 通过Jetson GPIO 5V控制 |
| 信号灯状态 | 颜色阈值 + 位置区域 | 简单可靠，不依赖模型，避免模型误判红绿灯（YOLO对交通灯小目标检出率低） |
为什么不用纯模型检测红绿灯？ 我在测试中发现，YOLOv8官方权重对远距离小目标（如路口红绿灯）的召回率不足40%。改用HSV颜色空间提取红色/绿色区域，配合固定ROI，准确率可达95%以上。
3. 核心代码实现（关键片段）
3.1 红绿灯状态判定
import cv2
import numpy as np
def get_traffic_light_state(frame, roi_box=(300, 50, 100, 120)):
"""
从frame中截取红绿灯区域（可根据实际场景标定）
roi_box: (x, y, w, h) 相对于画面左上角
返回: 'red', 'green', 'yellow', 'unknown'
"""
x, y, w, h = roi_box
roi = frame[y:y+h, x:x+w]
hsv = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)
# 红色有两个区间（H 0-10, 160-180）
red_mask1 = cv2.inRange(hsv, (0, 70, 50), (10, 255, 255))
red_mask2 = cv2.inRange(hsv, (160, 70, 50), (180, 255, 255))
red_mask = red_mask1 | red_mask2
green_mask = cv2.inRange(hsv, (40, 70, 50), (80, 255, 255))
red_pixels = cv2.countNonZero(red_mask)
green_pixels = cv2.countNonZero(green_mask)
if red_pixels > 100 and red_pixels > green_pixels:
return 'red'
elif green_pixels > 100:
return 'green'
elif red_pixels > 10 or green_pixels > 10:
return 'yellow'
return 'unknown'3.2 停止线定义与违规判断
# 停止线定义为图像坐标系中的一条水平线 y = stop_line_y
STOP_LINE_Y = 350 # 根据实际视角标定
def is_vehicle_crossing_line(bbox, line_y):
"""
bbox: (x1, y1, x2, y2) 目标检测框
return True 如果车辆底部中心越过停止线
"""
bottom_center_y = (bbox[1] + bbox[3]) // 2
return bottom_center_y > line_y3.3 主循环（YOLOv8推理 + 违规检测）
from ultralytics import YOLO
import cv2
model = YOLO('yolov8n.pt') # 使用ONNX可加速
cap = cv2.VideoCapture(0)
while True:
ret, frame = cap.read()
if not ret:
break
# 1. 检测红绿灯状态
light = get_traffic_light_state(frame)
# 2. 对全图进行YOLO推理（只关注vehicle类：car, bus, truck, bicycle, motorcycle）
results = model(frame, classes=[2,3,5,6,7], conf=0.5)
if light == 'red':
for box in results[0].boxes.xyxy:
x1, y1, x2, y2 = map(int, box)
if is_vehicle_crossing_line((x1,y1,x2,y2), STOP_LINE_Y):
# 违规！画框、报警、记录
cv2.rectangle(frame, (x1,y1), (x2,y2), (0,0,255), 3)
cv2.putText(frame, "VIOLATION", (x1,y1-10), ...)
gpio_trigger_buzzer() # 通过Jetson GPIO控制
log_violation(frame, time.time())
cv2.imshow('Traffic Monitor', frame)
if cv2.waitKey(1) == ord('q'):
break4. 项目结构和配置
traffic-alert/
├── config.py # 红色灯ROI、停止线Y坐标、置信度阈值等
├── traffic_light.py # 颜色检测
├── detector.py # YOLOv8推理封装
├── violation_check.py # 违规判断 + 报警
├── main.py # 主循环
├── requirements.txt # ultralytics, opencv-python, numpy, gpiozero
└── run.sh # 启动脚本requirements.txt: 强烈推荐将YOLOv8导出为ONNX格式，减少PyTorch依赖，部署体积从2.5G降到100M。
5. 上线要注意的坑
① 光照变化
晴天/阴天/夜间，红绿灯HSV值漂移严重。解决方案：动态自适应阈值（每帧取ROI局部直方图），或加入夜间模式——检测红灯的圆形轮廓+闪烁频率（欧洲红灯常亮，不闪烁）。
② 误报与漏报
行人闯红灯如果也触发警报，可能会让驾驶员麻木。我建议对行人降低警报优先级（只记录不蜂鸣），对机动车严格拦截。另外停止线标定需要现场测量，不同摄像机角度需重新标定。
③ 延迟与帧率
Jetson Nano在640x640输入下推理45ms，但I/O和绘制框会额外增加。可启用NVIDIA TensorRT优化（需将模型转为engine），推理能降到15ms。实测使用model.export(format='onnx')再加载ONNX，速度提升30%。
④ 供电与稳定性
路口的工业级电源（12V）搭配降压模块，Jetson Nano建议使用5V/4A直流供电，避免USB供电不足导致降频。添加看门狗定时器（WDT），防止程序卡死后不报警。
⑤ 法规与隐私
欧盟GDPR要求监控视频必须模糊人脸或车牌。可在detector.py中添加后处理：对行人检测框添加cv2.GaussianBlur，或只保存违规证据。
个人观点
纯视觉方案永远存在“黑天鹅”——比如太阳直射使红灯褪色、雾霾遮挡摄像头。如果想落地，必须融合雷达或地磁传感器做冗余。但作为开发者，用几百块的成本跑通一个能用的原型，本身就是技术和社会的胜利。比利时事故中，如果公交车上装了这个系统（哪怕只给驾驶员震动提醒），结果或许不同。技术不能弥补所有人为失误，但至少能多一次提醒。
现在打开IDE，照着本文代码，你也能在桌上搭一个小型路口监控。它不完美，但点亮LED那一刻，你就在用技术对抗悲剧。