最近在帮学弟学妹们看深度学习相关的毕业设计，发现十个项目里得有七八个在用YOLO做目标检测。想法都挺好，但实际做起来，从选型、训练到部署，一路都是坑。我自己也踩过不少，今天就把这些经验系统地梳理一下，希望能帮你少走点弯路。

1. 毕设用YOLO，你可能会遇到哪些“坑”？

毕业设计时间紧、任务重，很多同学一开始雄心勃勃，但很快就卡在了以下几个地方：

• 版本选择困难症：YOLO家族太庞大了，从YOLOv3到YOLOv8，还有各种魔改版、轻量版。网上教程五花八门，代码风格迥异，不知道从哪个版本入手最合适。
• 环境配置地狱：PyTorch、CUDA、cuDNN版本不匹配是家常便饭。好不容易装好了，跑个Demo又报各种ImportError，光是配环境就能耗掉一两天。
• 训练过程“玄学”：自己的数据集丢进去，损失函数曲线要么不降，要么震荡得厉害。不知道是学习率设错了，还是数据标注有问题，或者模型根本就没收敛。
• 部署即“噩梦”：在实验室的GPU服务器上跑得好好的模型，一到自己的笔记本CPU上，推理速度慢如蜗牛，或者直接内存溢出崩溃。想转换成ONNX、TensorRT等格式，又是一堆兼容性问题。
• 结果难以复现：同样的代码，换台机器或者隔几天再跑，结果可能就不一样了，给论文写作和答辩增加了不确定性。

这些问题归根结底，是对YOLO的工程实践链路不熟悉。下面我们就从模型选型开始，一步步拆解。

2. 模型选型：YOLOv5、YOLOv8 还是 RT-DETR？

选型没有绝对的好坏，只有是否适合你的毕设场景。我们主要对比易用性、精度和速度。

1. YOLOv5：社区王者，生态最成熟

• 优点：文档极其丰富，GitHub上Issue基本都能找到答案。提供了从n（纳米）、s（小）、m（中）、l（大）、x（特大）一系列预训练模型，开箱即用。它的数据增强、训练策略都非常成熟，对于新手极其友好，能让你快速跑通第一个模型。
• 缺点：并非官方续作（原作者Joseph Redmon已退出CV界），是Ultralytics公司的开源项目。在某些极端追求SOTA（当前最优）指标的学术场景下，可能不是最新技术。
• 适用场景：强烈推荐毕设新手首选。你的目标是快速验证想法，完成一个可演示的系统。YOLOv5的成熟生态能帮你解决80%的工程问题。

2. YOLOv8：全能选手，官方正统

• 优点：由YOLOv5的原班团队Ultralytics打造，可以看作是v5的全面升级版。它不仅支持目标检测，还集成了实例分割、姿态估计、分类任务。架构上做了一些改进，比如用了新的骨干网络和Anchor-Free检测头，在速度和精度上有更好的平衡。同样提供了优秀的文档和预训练模型。
• 缺点：相对v5来说较新（2023年初发布），一些非常古老的教程可能不适用，但社区支持也在快速跟上。
• 适用场景：如果你的毕设不止于检测，还想尝试分割或姿态估计，或者希望用上相对更新的技术，YOLOv8是更优的选择。它的API设计也更现代。

3. RT-DETR：后起之秀，长尾分布友好

• 优点：基于Transformer的检测器，省去了NMS（非极大值抑制）后处理，推理速度稳定。在处理类别不平衡（某些类别样本特别少）的数据集时，表现往往比基于CNN的YOLO系列更稳健。
• 缺点：Transformer模型通常需要更多的数据才能训好，对数据量小的毕设项目可能不友好。部署时对计算库的优化可能不如YOLO系列成熟。
• 适用场景：你的数据集存在明显的类别不平衡问题，或者你想研究Transformer在目标检测上的应用，可以作为对比实验的亮点。

选型结论：

• 求稳、赶时间：无脑选 YOLOv5。
• 追新、任务多：推荐 YOLOv8。
• 有特色、做对比：可以考虑 RT-DETR 作为对比模型。

3. 实战：从训练到ONNX导出（以YOLOv5为例）

假设我们选择了YOLOv5，下面是一个清晰的流程。关键是要理解每一步在做什么，而不是无脑复制命令。

1. 环境搭建 建议使用Conda创建独立的Python环境，避免污染系统环境。

# 创建环境
conda create -n yolo python=3.8
conda activate yolo

# 安装PyTorch (请根据你的CUDA版本去官网复制对应命令)
# 例如，CUDA 11.3
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113

# 克隆YOLOv5仓库并安装依赖
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

2. 数据准备与标注 YOLO使用的是YOLO格式的标注（一个txt文件对应一张图片）。每行格式为：class_id x_center y_center width height，坐标是归一化后的（0-1之间）。 推荐使用labelImg或Roboflow进行标注。数据集目录结构应如下：

your_dataset/
├── images/
│   ├── train/
│   └── val/
└── labels/
    ├── train/
    └── val/

然后创建一个数据集配置文件your_dataset.yaml：

# 数据集路径
path: /path/to/your_dataset
# 训练/验证/测试集目录名（相对于path）
train: images/train
val: images/val

# 类别数
nc: 2
# 类别名称
names: ['cat', 'dog']

3. 模型训练 这是核心步骤。关键参数需要理解：

python train.py \
  --img 640 \          # 输入图像尺寸
  --batch 16 \         # 批次大小，根据GPU内存调整
  --epochs 100 \       # 训练轮数
  --data your_dataset.yaml \  # 数据集配置文件
  --cfg models/yolov5s.yaml \ # 模型结构配置文件，s代表small
  --weights yolov5s.pt \      # 加载预训练权重，加速收敛
  --name exp_name \    # 本次实验名称，用于保存结果
  --device 0           # 使用GPU 0，如果是CPU则用 --device cpu

• 重点：训练时务必关注logs/exp_name目录下的results.png和train_batch*.jpg。前者看损失曲线是否平滑下降，后者看数据增强后的图片是否正常。

4. 模型验证与测试 训练结束后，模型会保存在runs/train/exp_name/weights/best.pt。

# 在验证集上评估模型
python val.py --weights runs/train/exp_name/weights/best.pt --data your_dataset.yaml --img 640

# 用模型对单张图片或整个文件夹进行推理
python detect.py --weights runs/train/exp_name/weights/best.pt --source path/to/image_or_folder --conf 0.25

5. 导出为ONNX格式（部署关键） ONNX是一种开放的模型格式，可以在多种推理引擎（如OpenVINO, TensorRT, ONNX Runtime）上运行。

# export_onnx.py
import torch

# 加载训练好的模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/exp_name/weights/best.pt')
# 设置为评估模式
model.eval()

# 定义一个示例输入张量（形状：批次，通道，高，宽）
dummy_input = torch.randn(1, 3, 640, 640)

# 导出模型
torch.onnx.export(
    model,                     # 要导出的模型
    dummy_input,               # 模型输入（示例）
    "yolov5_best.onnx",       # 输出ONNX文件名
    opset_version=12,         # ONNX算子集版本，11或12较稳定
    input_names=['images'],   # 输入节点名
    output_names=['output'],  # 输出节点名
    dynamic_axes={'images': {0: 'batch'}, 'output': {0: 'batch'}}  # 支持动态批次
)
print("ONNX model has been exported.")

运行这个脚本，你就得到了yolov5_best.onnx文件，这是跨平台部署的桥梁。

4. 性能测试：CPU vs GPU，内存与速度的博弈

模型训好了，能不能在实际环境（比如答辩现场的笔记本）跑起来是关键。这里做个简单对比测试。

测试环境：

• GPU: NVIDIA RTX 3060 (12GB)
• CPU: Intel i7-12700H
• 测试图片: 640x640，批次大小(Batch Size)为1

测试代码片段（使用ONNX Runtime）：

import onnxruntime as ort
import numpy as np
import time

# 创建推理会话
# 对于GPU: providers=['CUDAExecutionProvider']
# 对于CPU: providers=['CPUExecutionProvider']
session = ort.InferenceSession('yolov5_best.onnx', providers=['CPUExecutionProvider'])

input_name = session.get_inputs()[0].name
# 准备模拟数据
dummy_input = np.random.randn(1, 3, 640, 640).astype(np.float32)

# 预热
for _ in range(10):
    _ = session.run(None, {input_name: dummy_input})

# 正式计时
times = []
for _ in range(100):
    start = time.perf_counter()
    outputs = session.run(None, {input_name: dummy_input})
    times.append(time.perf_counter() - start)

avg_time = np.mean(times) * 1000  # 转换为毫秒
print(f"Average inference time: {avg_time:.2f} ms")

典型结果对比（YOLOv5s模型）：

• GPU (RTX 3060): 推理时间约 5-10 ms，内存占用约 1.2 GB。轻松实现实时检测（>30 FPS）。
• CPU (i7-12700H): 推理时间约 80-150 ms，内存占用约 500 MB。勉强达到准实时（~7-12 FPS），对于演示够用，但处理视频流会卡顿。

给你的启示：

1. 答辩演示时，尽量用GPU。如果现场电脑没有GPU，提前用CPU测试好，降低输入分辨率（如从640降到320）或使用更小的模型（如YOLOv5n）来保证流畅度。
2. 关注内存峰值：使用nvidia-smi（GPU）或任务管理器（CPU）监控推理时的内存占用，防止因内存不足而崩溃。
3. 批处理加速：在CPU上，一次处理多张图片（batch_size > 1）通常比逐张处理更高效，因为能更好地利用并行计算。

5. 生产级避坑指南：从“能跑”到“好用”

解决了基本流程，还要让模型更鲁棒、更可靠。以下是几个高阶问题的应对策略。

1. 数据增强过拟合

• 现象：训练集损失很低，精度很高，但验证集精度死活上不去。
• 原因：数据增强太强或太奇怪，模型只学会了识别增强后的“特效”，而不是物体本身。
• 解决：YOLOv5/v8的data.yaml里可以配置增强参数。对于小数据集，建议谨慎使用如mosaic（四图拼接）、mixup（图像混合）这类强增强。可以先关闭它们（mosaic=0.0），确保模型能学到基础特征，再逐步开启。

2. 类别不平衡

• 现象：数据集中“猫”的图片有1000张，“狗”只有50张，导致模型总是预测成“猫”。
• 解决：
  • 数据层面：对少数类进行过采样（复制）或使用数据增强专门生成少数类样本。
  • 损失函数层面：使用Focal Loss（YOLO自身已集成）或在train.py中设置--weights参数，根据类别频率自动调整损失权重。
  • 最简单的一招：在data.yaml的names列表里，把样本少的类别放在前面，有时有奇效（因为某些默认参数对第一个类别有偏好）。

3. 模型“假收敛”误判

• 现象：损失曲线早早就平了，但模型检测效果很差。
• 排查步骤：
  1. 检查学习率：初始学习率--lr太大可能导致震荡不收敛，太小则下降缓慢。YOLO默认的0.01是个不错的起点。
  2. 检查数据与标注：用detect.py在训练集上跑一下，看模型能不能检测出东西。如果训练集上都检测不到，说明标注文件可能有问题（如格式错误、路径不对）。
  3. 检查预训练权重：确保--weights加载的是正确的.pt文件。从官方预训练模型开始微调，远比从零训练稳定。
  4. 监控mAP曲线：除了损失，更应关注val.py输出的mAP@0.5等指标，这是衡量检测效果的直接标准。

4. 部署时的“冷启动”延迟

• 现象：第一次运行模型推理特别慢，后续就正常了。
• 原因：模型加载、初始化以及推理框架（如ONNX Runtime, TensorRT）的第一次图优化需要时间。
• 解决：在正式演示或提供服务前，先用一个循环进行**“预热推理”**（Warm-up），如前面性能测试代码所示。处理完前几张图片后，速度就会稳定下来。

写在最后

YOLO是一个强大的工具，但把它用好，需要的是对整套工程管线的理解和耐心调试。毕业设计不仅是实现一个模型，更是完整地走一遍“问题定义 -> 数据准备 -> 模型训练 -> 评估优化 -> 部署应用”的流程。

建议你按照上面的步骤，亲手复现一遍。从官网下载coco128这个小数据集开始，跑通训练和导出流程。然后换成你自己的数据，去观察和解决遇到的具体问题。

最后，不妨多思考一步：你的模型在什么情况下会失效？比如光线极度昏暗、目标被严重遮挡、出现训练集中从未见过的物体类别时。思考模型的泛化能力边界，这往往能成为你毕业设计答辩中的亮点。

希望这篇笔记能为你扫清一些障碍。深度学习实践的路上坑很多，但每填平一个，你的能力就扎实一分。祝你毕设顺利！