本教程将带你从零搭建基于YOLOv8的校园电动车占用消防通道检测系统，涵盖场景数据采集、自定义数据集构建、模型训练调优、推理逻辑开发以及告警联动部署全流程，帮助你快速实现校园消防通道的智能监管，适合具备基础计算机视觉知识的开发者学习。

学习步骤

1. 需求分析与场景数据采集规划

   1. 明确核心需求：识别校园内停放在消防通道区域的电动车，触发告警提醒安保人员。2. 数据采集规划：① 采集渠道：校园监控录像截图、实地拍摄（涵盖工作日/周末、白天/夜间、晴天/雨天等不同场景）；② 数据量要求：至少采集500张包含消防通道和电动车的图像，其中训练集占70%、验证集20%、测试集10%；③ 采集注意事项：确保图像中消防通道标识清晰，电动车姿态、遮挡情况多样化，覆盖不同校园区域的消防通道场景。

2. 自定义数据集构建与标注

   1. 工具选择：使用LabelImg标注工具，支持YOLO格式标注；2. 数据集结构搭建：创建`fire_channel_dataset`文件夹，内部划分`train/images`、`train/labels`、`val/images`、`val/labels`、`test/images`、`test/labels`子文件夹；3. 标注操作：① 打开LabelImg加载图像，创建“electric_vehicle”类别；② 用矩形框标注图像中的电动车，保存生成对应txt标注文件（YOLO格式：类别索引+归一化中心坐标+归一化宽高）；4. 生成数据集配置yaml文件：指定train、val、test路径，类别数nc=1，类别名称names=['electric_vehicle']。

3. YOLOv8环境搭建与模型配置

   1. 环境搭建：创建Python虚拟环境，执行`pip install ultralytics`安装YOLOv8官方库，同时安装opencv-python、numpy等依赖；2. 模型选择：根据硬件性能选择模型，入门可选轻量化的yolov8n.pt，追求精度可选yolov8s.pt或yolov8m.pt；3. 配置文件调整：将自定义数据集的yaml文件路径配置到训练命令中，同时可修改模型的输入尺寸、batch size等参数适配硬件。

4. 模型训练与性能调优

   1. 启动训练：执行命令`yolo train data=fire_channel.yaml model=yolov8s.pt epochs=50 batch=16 imgsz=640`，其中epochs为训练轮次，batch为批次大小；2. 训练监控：通过Ultralytics Dashboard或本地日志查看mAP@0.5、Precision、Recall等指标，判断模型性能；3. 性能调优：① 数据增强：在yaml文件中开启Mosaic、MixUp、翻转等增强方式；② 学习率调整：使用余弦退火学习率替代固定学习率；③ 迁移学习：冻结模型前10层，先训练5轮再解冻全量训练，提升训练效率。

5. 推理逻辑开发与占用判断

   1. 模型推理：加载训练好的`best.pt`模型，执行`yolo predict model=best.pt source=test_video.mp4`进行视频推理；2. 消防通道区域配置：预先通过OpenCV标注校园各消防通道的多边形坐标，保存为json文件；3. 占用判断逻辑：编写Python代码，获取电动车检测框的中心坐标，判断该坐标是否在消防通道多边形区域内，若超过3辆电动车占用则触发告警条件。

6. 系统部署与告警联动实现

   1. 边缘部署：将模型导出为ONNX格式，部署到Jetson Nano等边缘设备，实现本地实时推理；2. 云端部署：将模型上传至阿里云、腾讯云等AI平台，通过API调用实现远程推理；3. 告警联动：① 对接校园安防系统，当检测到占用时发送短信/邮件给安保人员；② 开发Web可视化界面，展示实时检测结果和告警记录；③ 设置定时巡检任务，自动遍历校园监控视频流进行检测。