Yolov5自定义图片训练测试及模型调优（详细过程）

一、引言

Yolov5作为目标检测领域的经典模型，凭借其高效性和灵活性被广泛应用于工业检测、自动驾驶、安防监控等场景。然而，直接使用预训练模型往往无法满足特定业务需求，因此需要通过自定义图片训练和调优来提升模型性能。本文将详细介绍Yolov5自定义图片训练、测试及模型调优的全流程，帮助开发者快速上手并优化模型效果。

二、数据准备与标注

1. 数据收集与清洗

• 数据来源：从实际业务场景中收集图片，确保覆盖目标物体的不同角度、光照条件、遮挡情况等。例如，在工业缺陷检测中，需包含正常产品、轻微缺陷产品和严重缺陷产品的图片。
• 数据清洗：删除重复、模糊或无关的图片，确保数据质量。使用工具如OpenCV或Pillow进行初步筛选。

2. 数据标注

• 标注工具：推荐使用LabelImg、CVAT或Labelme等工具进行标注。标注格式需与Yolov5兼容，通常为.txt文件，每行格式为class_id x_center y_center width height（归一化到[0,1]）。
• 标注规范：确保标注框紧贴目标物体，避免漏标或误标。对于复杂场景，可分多轮标注并交叉验证。

3. 数据集划分

• 划分比例：通常按71的比例划分为训练集、验证集和测试集。使用sklearn的train_test_split或手动划分。
• 目录结构：

  dataset/
  ├── images/
  │   ├── train/
  │   ├── val/
  │   └── test/
  └── labels/
      ├── train/
      ├── val/
      └── test/

三、训练配置与启动

1. 环境准备

• 依赖安装：

  pip install torch torchvision opencv-python tqdm matplotlib
  git clone https://github.com/ultralytics/yolov5.git
  cd yolov5
  pip install -r requirements.txt

2. 配置文件修改

• 模型选择：根据需求选择yolov5s.yaml（轻量级）、yolov5m.yaml（平衡）或yolov5l.yaml（高性能）。
• 数据配置：修改data/custom.yaml，指定数据集路径和类别数：

  train: ../dataset/images/train/
  val: ../dataset/images/val/
  nc: 3  # 类别数
  names: ['class1', 'class2', 'class3']

3. 训练启动

• 命令行训练：

  python train.py --img 640 --batch 16 --epochs 100 --data custom.yaml --cfg yolov5s.yaml --weights yolov5s.pt --name custom_model

  • --img：输入图片尺寸（建议640或1280）。
  • --batch：批大小（根据GPU内存调整）。
  • --epochs：训练轮数。
  • --weights：预训练模型路径（可为空，从零训练）。

4. 训练监控

• 日志分析：训练过程中会输出loss、mAP等指标，关注val/precision、val/recall和val/mAP_0.5。
• 可视化工具：使用TensorBoard或W&B实时监控训练曲线。

四、模型测试与评估

1. 测试命令

python val.py --data custom.yaml --weights runs/train/custom_model/weights/best.pt --img 640 --task val

• 关键指标：
  • mAP@0.5：IoU=0.5时的平均精度。
  • mAP@0.5:0.95：IoU从0.5到0.95的平均精度（更严格）。
  • precision、recall：查准率和查全率。

2. 结果分析

• 可视化检测：使用detect.py测试单张图片：

  python detect.py --weights runs/train/custom_model/weights/best.pt --source ../dataset/images/test/ --img 640

• 错误案例：分析误检（False Positive）和漏检（False Negative）案例，调整标注或数据分布。

五、模型调优策略

1. 数据层面优化

• 数据增强：在data/augmentations.py中调整mosaic、hsv_h、hsv_s等参数，提升模型鲁棒性。
• 类别平衡：若数据分布不均，可使用过采样（Oversampling）或加权损失函数。

2. 模型结构调整

• 深度与宽度：修改yolov5s.yaml中的depth_multiple和width_multiple（如0.33→0.5）以增加模型容量。
• 注意力机制：在models/yolo.py中引入CBAM或SE模块，提升特征提取能力。

3. 超参数调优

• 学习率：使用--lr0 0.01 --lrf 0.01（初始学习率和最终学习率）。
• 优化器：尝试AdamW或SGD+Momentum。
• 早停机制：在train.py中设置--patience 50，若验证损失连续50轮不下降则停止训练。

4. 知识蒸馏

• 教师-学生模型：使用大模型（如Yolov5l）指导小模型（Yolov5s）训练，提升轻量级模型性能。

六、部署与优化

1. 模型导出

python export.py --weights runs/train/custom_model/weights/best.pt --include torchscript onnx engine

• 格式选择：
  • TorchScript：PyTorch原生部署。
  • ONNX：跨平台兼容（如TensorRT、OpenVINO）。
  • TensorRT：NVIDIA GPU加速。

2. 性能优化

• 量化：使用--int8参数进行8位整数量化，减少模型体积和推理时间。
• 剪枝：通过--prune 0.3移除30%的低权重通道。

七、总结与建议

1. 数据质量优先：标注精度和多样性直接影响模型性能。
2. 渐进式调优：先调整数据增强，再修改模型结构，最后优化超参数。
3. 业务对齐：根据实际场景（如实时性要求）选择模型大小和部署方案。
4. 持续迭代：定期收集新数据并微调模型，适应环境变化。

通过以上流程，开发者可以高效完成Yolov5的自定义训练和调优，满足不同业务场景的需求。