学生对小车控制提出了更好的要求，能否加入深度学习模型。

考虑到小车用matlab来做，yolo v5及以上版本都需要在pytorch下训练，还是用早期版本来演示。

1 yolov4 调用

参考 trainYOLOv4ObjectDetector (mathworks.com)

name = "tiny-yolov4-coco";

% 需要安装工具包，调用已训练的yolo v4模型
detector = yolov4ObjectDetector(name);
disp(detector) 

analyzeNetwork(detector. Network) %网络架构

%车检测
img = imread("highway.png");
[bboxes,scores,labels] = detect(detector,img) %label中判断有无目标对象
%车检测
detectedImg = insertObjectAnnotation(img,"Rectangle",bboxes,labels);%插入bbox
figure
imshow(detectedImg)

%人检测
I = imread("visionteam.jpg");
[bboxes, scores, labels] = detect(detector, I, Threshold=0.4)
detectedImg = insertObjectAnnotation(I, "Rectangle", bboxes, "person");
figure
imshow(detectedImg)

早期版本调用比较简单。

2 yolov4 训练

如果模拟小车进行车道保持，需要考虑行人、学校等环境，则需要对模拟的环境进行训练，自己构建数据集，然后进行使用。

具体方式看 官网的介绍 

trainYOLOv4ObjectDetector (mathworks.com)

或者matlab中搜索 

Object Detection Using YOLO v4 Deep Learning

3 yolo v5 及以上版本训练

AI 生成的，未测试。

3.1 安装必要的软件和库

确保你的系统已安装以下组件：

• MATLAB（建议R2021b或更高版本，支持Python接口）

• Python 3.8+（建议使用Anaconda管理环境）

• Ultralytics YOLOv11（通过pip安装）

• PyTorch（支持CUDA的版本，如果使用GPU）

pip install ultralytics torch torchvision

3.2. 在MATLAB中配置Python环境

在MATLAB中设置Python解释器路径：

pyenv('Version', '你的Python路径（如C:\Anaconda3\python.exe）');

验证Python是否成功连接：

py.sys.version

3.3. 调用YOLOv11模型进行推理

使用MATLAB的py接口调用YOLOv11进行目标检测

% 加载YOLOv11模型
model = py.ultralytics.YOLO('yolov11n.pt');  % 使用预训练权重% 进行目标检测
results = model.predict('test.jpg');  % 输入图像路径% 获取检测结果
bboxes = results.xyxy[0];  % 边界框坐标（x1, y1, x2, y2, conf, class）
disp(bboxes);

3.4. 训练YOLOv11模型

YOLOv11的训练通常在Python环境下进行，但可以通过MATLAB调用Python脚本实现：

(1) 准备数据集

确保数据集格式符合YOLO要求：

├─train
│  ├─images
│  └─labels
└─valid
    ├─images
    └─labels

创建data.yaml文件：

train: ./train/images
val: ./valid/images
nc: 6  # 类别数
names: ['class1', 'class2', 'class3']  # 类别名称

(2) 在MATLAB中调用训练脚本

% 定义训练命令
train_cmd = ['yolo detect train data=data.yaml model=yolov11n.pt epochs=50 batch=16 imgsz=640 device=0'];% 执行训练
system(['python -c "from ultralytics import YOLO; model = YOLO(''yolov11n.pt''); model.train(data=''data.yaml'', epochs=50, batch=16, imgsz=640, device=0)"']);

在MATLAB中可视化训练结果

训练完成后，可以使用MATLAB加载训练日志并绘制损失曲线：

% 读取训练日志（假设保存在results.csv）
data = readtable('results.csv');
plot(data.epoch, data.train_box_loss, 'b-', 'LineWidth', 2);
hold on;
plot(data.epoch, data.val_box_loss, 'r-', 'LineWidth', 2);
xlabel('Epoch');
ylabel('Loss');
legend('Train Loss', 'Validation Loss');
title('YOLOv11 Training Progress');

部署训练好的模型（调用.onnx）

训练完成后，可以导出模型并在MATLAB中加载：

% 导出ONNX格式（在Python中执行）
system('python -c "from ultralytics import YOLO; model = YOLO(''best.pt''); model.export(format=''onnx'')"');% 在MATLAB中加载ONNX模型
net = importONNXNetwork('best.onnx');

可以看出，在matlab中训练yolo v5以上模型并不友好。