YOLOv5实战：从零构建自定义目标检测模型的全栈指南

如果你刚接触计算机视觉，面对“目标检测”这个词，可能会觉得它离实际项目很远。但当你真正开始动手，用YOLOv5训练一个识别自家宠物的模型，或者为工厂流水线开发一个零件瑕疵检测系统时，那种将前沿技术落地的成就感是无与伦比的。YOLOv5的出现，极大地降低了这个门槛——它不再是一个仅供学术研究的“黑盒子”，而是一套开箱即用、文档清晰、社区活跃的工业级工具。

与那些需要你从零搭建网络、反复调试损失函数的框架不同，YOLOv5将最佳实践封装成了简洁的命令行和配置文件。但这并不意味着它简单到无需理解。恰恰相反，想要用好它，避免在数据、训练和部署的各个环节踩坑，你需要一套系统性的实战思维。这篇文章不会重复那些随处可见的算法原理，而是聚焦于如何将YOLOv5用起来，解决真实世界的问题。我们将从环境搭建、数据准备、模型训练、调优到最终部署，手把手带你走完全流程，并分享那些官方文档里不会写的“血泪经验”。

1. 环境配置：打造稳定高效的训练基地

在开始任何机器学习项目之前，一个稳定、可复现的环境是成功的基石。YOLOv5基于PyTorch，这为我们提供了极大的灵活性，但也意味着需要仔细管理依赖。

1.1 基础环境搭建

我强烈建议使用Conda来管理你的Python环境。它能完美解决不同项目间依赖冲突的噩梦。以下命令将创建一个名为yolov5的独立环境，并安装指定版本的Python。

conda create -n yolov5 python=3.8 -y
conda activate yolov5

接下来，根据你的硬件安装PyTorch。访问 PyTorch官网 获取最适合你CUDA版本的安装命令。例如，对于CUDA 11.3：

pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113

注意：务必核对你的NVIDIA驱动支持的CUDA最高版本（通过 nvidia-smi 查看）。安装不匹配的CUDA版本是新手最常见的错误之一。

1.2 克隆与安装YOLOv5

YOLOv5的代码托管在GitHub上，更新非常活跃。建议克隆官方仓库并安装其依赖。

git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt

安装完成后，运行一个简单的测试命令，验证环境是否正常。这会自动下载一个小型的预训练模型（yolov5s.pt）和一张测试图片。

python detect.py --weights yolov5s.pt --source data/images/bus.jpg

如果一切顺利，你会在 runs/detect/exp 目录下看到一张带有检测框的图片。恭喜，你的YOLOv5环境已经就绪。

1.3 硬件考量与加速技巧

你的硬件配置将直接决定实验的迭代速度。

• GPU：这是最重要的部分。YOLOv5训练可以充分利用GPU的并行计算能力。即使是GTX 1660 Ti这样的消费级显卡，也能显著快于CPU训练。对于更严肃的项目，RTX 3080/4090或Tesla V100等专业卡是更好的选择。
• CPU与内存：数据加载和预处理会占用CPU资源。建议使用多核CPU（如Intel i7或AMD Ryzen 7以上）和至少16GB内存，以避免数据加载成为训练瓶颈。
• 磁盘：数据集，特别是图像数据，可能非常庞大。使用SSD能极大加快数据读取速度。

为了最大化GPU利用率，你可以在训练命令中调整 --workers 参数（用于数据加载的进程数）和 --batch-size。--img-size 也影响显存占用和速度。一个常见的组合是：

python train.py --img 640 --batch 16 --epochs 100 --data coco128.yaml --weights yolov5s.pt --workers 4

2. 数据准备：模型性能的“七寸”

在目标检测项目中，数据准备往往占据70%以上的时间和精力。低质量的数据会直接导致模型性能的天花板极低。

2.1 数据收集与标注

你的数据需要尽可能贴近模型最终的应用场景。例如，做交通标志检测，就应该在真实的道路场景、不同的天气和光照条件下采集图片。

标注工具的选择很多，LabelImg、CVAT 和 Roboflow 是常见的选择。LabelImg简单易用，CVAT功能强大且支持协作，Roboflow则提供了从标注到增强的一站式云服务。

标注时，有几点至关重要：

1. 边界框要紧贴目标物体，既不要留太多空隙，也不要切掉物体部分。
2. 类别定义要清晰且互斥。例如，“汽车”和“卡车”如果有重叠，需要明确区分规则。
3. 标注所有可见的目标，特别是那些被部分遮挡的。模型需要学习处理不完整的目标。

2.2 数据集格式与结构

YOLOv5要求特定的数据格式。每个图像对应一个同名的 .txt 标注文件。标注文件每行代表一个物体，格式为：

<class_id> <x_center> <y_center> <width> <height>

这里的坐标是归一化的（取值0-1），即相对于图像宽度和高度的比例。

一个典型的数据集目录结构如下：

custom_dataset/
├── images/
│   ├── train/
│   │   ├── image1.jpg
│   │   └── image2.jpg
│   └── val/
│       ├── image3.jpg
│       └── image4.jpg
└── labels/
    ├── train/
    │   ├── image1.txt
    │   └── image2.txt
    └── val/
        ├── image3.txt
        └── image4.txt

你需要创建一个YAML配置文件（如 data/custom.yaml）来告诉YOLOv5你的数据集在哪里，以及有哪些类别。

# data/custom.yaml
path: ../datasets/custom_dataset  # 数据集根目录
train: images/train  # 训练集图像路径（相对于path）
val: images/val      # 验证集图像路径（相对于path）

# 类别数量及名称
nc: 3
names: ['person', 'car', 'dog']

2.3 数据增强：以“量”补“质”

我们很难获取覆盖所有场景的无限数据。数据增强通过对现有图像进行随机变换，来模拟未知的视觉变化，从而提升模型的泛化能力。YOLOv5内置了强大的增强策略，主要通过 hyp.scratch.yaml 或 hyp.finetune.yaml 文件控制。

其增强手段非常丰富，远超简单的翻转和旋转。以下是一些关键增强及其作用：

增强类型	作用描述	典型参数
Mosaic	将四张训练图像拼接为一张，让模型在单张图中学习识别不同尺度、上下文的目标。	mosaic: 1.0
MixUp	以一定比例混合两张图像及其标签，创造平滑的过渡样本。	mixup: 0.5
随机透视	模拟相机视角变化，如远近、倾斜。	perspective: 0.001
色彩抖动	调整色调(H)、饱和度(S)、明度(V)，模拟光照变化。	hsv_h: 0.015
平移/缩放	随机平移和缩放图像，让模型不依赖目标在图像中的固定位置。	translate: 0.2

对于自定义数据集，一个常见的策略是：从较小的增强强度开始。如果你的数据集本身质量高、多样性好，过强的增强反而可能引入噪声，损害性能。你可以通过 --hyp 参数指定使用不同的超参数文件。

python train.py --data custom.yaml --weights yolov5s.pt --hyp hyp.finetune.yaml

3. 模型训练与核心调优策略

有了高质量的数据，训练本身更像是一门科学实验，需要系统地观察、假设和验证。

3.1 选择正确的起点：预训练权重

YOLOv5提供了从 YOLOv5n (纳米) 到 YOLOv5x (超大) 一系列不同大小和速度的模型。-s 模型最小最快，精度最低；-x 模型最大最慢，精度最高。

永远从预训练权重开始！ 这是在COCO等大型数据集上训练好的模型，其骨干网络已经学会了提取通用视觉特征（如边缘、纹理）。使用预训练权重进行迁移学习，能让你用少得多的数据和 epochs 获得更好的效果。

# 使用预训练的 yolov5s 权重在自定义数据上训练
python train.py --img 640 --batch 16 --epochs 100 --data custom.yaml --weights yolov5s.pt

3.2 监控训练过程：理解这些曲线

训练启动后，YOLOv5会在 runs/train/exp 目录下生成一系列可视化结果，最重要的是 results.png 和 val_batchX_labels.jpg。

• 损失曲线（Box, Obj, Cls）：关注它们的下降趋势。一个健康的训练过程，损失应平稳下降并最终趋于平缓。如果损失剧烈震荡或很早就停止下降，可能是学习率过大、批次大小不合适或数据有问题。
• 性能指标（Precision, Recall, mAP@0.5）：
  • 精确率（Precision）：模型预测为正的样本中，真正为正的比例。高精确率意味着“宁可错过，不可错杀”。
  • 召回率（Recall）：所有真实的正样本中，被模型正确找出的比例。高召回率意味着“宁可错杀，不可错过”。
  • mAP@0.5：在IoU阈值为0.5时的平均精度均值，是衡量检测器综合性能的核心指标。它应该随着训练稳步上升。

如果召回率很低但精确率尚可，说明模型漏检了很多目标。这可能是因为模型置信度阈值太高，或者锚框（anchor）与你的目标尺寸不匹配。相反，如果精确率很低，说明模型产生了大量误检。

3.3 超参数调优：不是玄学

YOLOv5的 hyp.yaml 文件包含了所有重要的超参数。盲目调整它们通常收效甚微。以下是几个有明确指向性的调优思路：

1. 学习率（lr0）：这是最重要的超参数。太大会导致损失震荡甚至发散，太小则收敛缓慢。一个可靠的策略是使用学习率预热（warmup） 和余弦退火（cosine）调度器（YOLOv5默认启用）。如果你调整了批次大小（batch-size），通常需要按线性比例缩放学习率（例如，批次扩大4倍，学习率也大致扩大2倍）。
2. 锚框（Anchors）：YOLOv5会在训练开始时自动在你的数据集上运行K-means聚类，重新计算适配你目标尺寸的锚框。你可以在日志开头看到 AutoAnchor: Running kmeans for 9 anchors on 1000 targets...。如果你的目标尺寸非常特殊（如极细长的物体），可以关闭自动锚框（--noautoanchor）并手动设计。
3. 数据增强强度：如前所述，根据数据集情况调整 hyp.yaml 中的增强参数。小数据集需要更强的增强，大数据集可以弱一些。

提示：一次只改变一个变量，并做好实验记录。使用工具如 Weights & Biases 或 TensorBoard（YOLOv5已集成）可以更方便地对比不同实验。

4. 模型评估、推理与部署

训练完成后，你得到的 .pt 文件不仅包含了模型权重，还包含了模型结构、超参数等元数据，是一个完整的可部署单元。

4.1 全面评估模型

不要只看验证集上的mAP！用训练好的模型在一个全新的测试集上运行评估，更能反映其真实泛化能力。

python val.py --weights runs/train/exp/weights/best.pt --data custom.yaml --task test

同时，使用 detect.py 在一些具有挑战性的真实场景图片或视频上做可视化检查，看看模型在复杂背景、遮挡、小目标等情况下的表现。

# 检测单张图片
python detect.py --weights best.pt --source path/to/test_image.jpg
# 检测视频
python detect.py --weights best.pt --source path/to/video.mp4
# 使用摄像头实时检测
python detect.py --weights best.pt --source 0

4.2 模型导出：通向生产环境

PyTorch的 .pt 文件在研究和原型阶段很方便，但要部署到移动端、嵌入式设备或某些生产服务器，你需要将其转换为更高效的格式。

• TorchScript：PyTorch自带的序列化格式，可以在没有Python环境的C++中运行。
• ONNX：开放的神经网络交换格式，被众多推理引擎（如TensorRT, OpenVINO）支持。
• CoreML：用于苹果生态系统（iOS/macOS）。
• TensorRT：NVIDIA GPU上的极致推理优化引擎。

YOLOv5提供了便捷的导出脚本：

# 导出为 ONNX 格式
python export.py --weights best.pt --include onnx
# 导出为 TensorRT 格式（需要CUDA环境）
python export.py --weights best.pt --include engine --device 0

导出后，务必用 detect.py 的 --weights 参数指向导出的文件（如 best.onnx）进行验证，确保转换过程没有精度损失。

4.3 部署模式选择

根据你的应用场景，部署策略大不相同：

• 云端API服务：使用 FastAPI 或 Flask 快速搭建一个Web服务，接收图片并返回检测结果。这是最灵活的方式。
• 边缘设备：在Jetson Nano、树莓派等设备上，使用TensorRT或OpenVINO优化后的模型，追求极致的能效比和低延迟。
• 移动端App：将模型转换为CoreML（iOS）或TFLite（Android）格式，集成到应用中。

这里是一个使用FastAPI创建极简检测API的示例：

# main.py
from fastapi import FastAPI, File, UploadFile
import cv2
import torch
from yolov5.utils.general import non_max_suppression, scale_coords
from yolov5.models.experimental import attempt_load
import numpy as np

app = FastAPI()
model = attempt_load('best.pt', device='cpu')  # 加载模型

@app.post("/detect/")
async def detect(file: UploadFile = File(...)):
    contents = await file.read()
    nparr = np.frombuffer(contents, np.uint8)
    img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

    # 预处理
    img_processed = preprocess(img_rgb)  # 需要实现预处理函数，如resize, normalization
    # 推理
    with torch.no_grad():
        pred = model(img_processed)[0]
    # 后处理（NMS等）
    detections = postprocess(pred, img.shape)  # 需要实现后处理函数
    return {"detections": detections}

启动服务：uvicorn main:app --reload。现在，你就可以通过发送HTTP请求来使用你的目标检测模型了。

从环境配置到模型部署，这条路径上的每一步都有其独特的挑战和乐趣。YOLOv5的强大之处在于，它为你处理了底层绝大部分的复杂性，让你能更专注于解决业务问题本身。记住，第一个能跑通的模型只是起点，持续的数据迭代、针对性的模型优化和扎实的工程化，才是让AI真正创造价值的关键。