YOLOv5实时目标检测：从安装到实战的完整指南

引言：YOLOv5为何成为实时目标检测首选？

YOLOv5（You Only Look Once version 5）作为Ultralytics团队推出的轻量级目标检测框架，凭借其高精度、低延迟、易部署的特性，已成为工业界和学术界的热门选择。相较于传统两阶段检测器（如Faster R-CNN），YOLOv5通过单阶段架构实现端到端检测，速度提升数倍；相较于YOLOv4，其模型体积更小（最小仅7.3MB），推理速度更快（COCO数据集上可达140FPS），且支持PyTorch生态的灵活扩展。本文将系统讲解YOLOv5的安装、配置与使用，帮助开发者快速上手这一“实时目标检测神器”。

一、环境准备：安装YOLOv5的硬件与软件要求

1. 硬件配置建议

• 最低要求：CPU（Intel i5及以上）、8GB内存、NVIDIA GPU（CUDA 10.2+）
• 推荐配置：GPU（NVIDIA RTX 2060及以上）、16GB内存、SSD固态硬盘
• 适用场景：实时视频流分析、工业质检、自动驾驶感知等对延迟敏感的任务

2. 软件依赖安装

（1）基础环境搭建

# 创建Python虚拟环境（推荐）
conda create -n yolov5 python=3.8
conda activate yolov5
# 安装PyTorch（根据CUDA版本选择）
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

（2）YOLOv5核心依赖

# 克隆官方仓库（最新稳定版）
git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt  # 安装依赖包（OpenCV、NumPy等）

（3）验证安装

import torch
from yolov5 import detect
print(f"PyTorch版本: {torch.__version__}, CUDA可用: {torch.cuda.is_available()}")

若输出CUDA可用: True，则表明GPU加速已启用。

二、模型使用：从预训练到自定义训练

1. 预训练模型推理

YOLOv5提供5种规模预训练模型（YOLOv5s/m/l/x/n6），以yolov5s.pt（速度最快）为例：

# 单张图片检测
python detect.py --weights yolov5s.pt --source data/images/bus.jpg
# 视频流检测（支持摄像头/RTSP）
python detect.py --weights yolov5s.pt --source 0  # 0表示默认摄像头

输出结果包含检测框坐标、类别标签及置信度，默认保存至runs/detect/exp目录。

2. 自定义数据集训练

（1）数据集准备

• 目录结构：

  dataset/
  ├── images/
  │   ├── train/  # 训练图片
  │   └── val/    # 验证图片
  └── labels/
      ├── train/  # 训练标签（YOLO格式）
      └── val/    # 验证标签

• 标签格式：每行class x_center y_center width height（归一化至0-1）

（2）配置训练参数

修改data/coco128.yaml（或创建自定义配置文件）：

train: ../dataset/images/train
val: ../dataset/images/val
nc: 80  # 类别数
names: ['person', 'car', ...]  # 类别名称列表

（3）启动训练

python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt

关键参数说明：

• --img 640：输入图像尺寸（越大精度越高，速度越慢）
• --batch 16：每批处理样本数（需根据GPU内存调整）
• --epochs 50：训练轮数
• --weights yolov5s.pt：预训练模型路径（若从头训练设为--weights ''）

三、性能优化：提升检测速度与精度

1. 模型轻量化技巧

• 量化压缩：使用TorchScript或TensorRT部署时启用INT8量化，模型体积可缩小4倍，速度提升2-3倍。
• 剪枝与蒸馏：通过--cfg yolov5s-prune.yaml调整通道数，或使用知识蒸馏迁移大模型知识。

2. 推理加速方案

• 多线程处理：修改detect.py中的num_workers参数（建议设为CPU核心数-1）。
• 硬件加速：

  model = torch.hub.load('ultralytics/yolov5', 'yolov5s', device='0')  # 显式指定GPU

• ONNX/TensorRT部署：

  python export.py --weights yolov5s.pt --include onnx engine  # 导出ONNX/TensorRT模型

四、实战案例：工业缺陷检测应用

1. 场景需求

某电子厂需检测电路板上的微小缺陷（如焊点缺失、线路断裂），要求：

• 检测速度≥30FPS
• 缺陷尺寸≥5px
• 误检率≤1%

2. 解决方案

1. 数据增强：在data/augmentations.py中添加随机旋转、模糊等操作，提升模型鲁棒性。
2. 模型选择：使用yolov5m.pt（平衡精度与速度），输入尺寸设为800x800。
3. 后处理优化：在detect.py中添加NMS阈值调整（--conf-thres 0.5 --iou-thres 0.4）。

3. 部署效果

• 训练后模型在测试集上mAP@0.5达98.7%，推理速度35FPS（RTX 3060）。
• 通过OpenCV集成到生产线，实现实时报警与数据记录。

五、常见问题与解决方案

1. CUDA内存不足

• 现象：RuntimeError: CUDA out of memory
• 解决：减小--batch-size（如从16降至8），或使用--img-size 512降低输入分辨率。

2. 检测框抖动

• 原因：视频流帧率不稳定或模型阈值设置过低。
• 优化：在detect.py中启用跟踪算法（需安装filterpy），或提高--conf-thres至0.6。

3. 自定义类别检测失败

• 检查点：
  • 标签文件是否与图片一一对应？
  • data.yaml中的nc和names是否正确？
  • 训练日志中是否出现NaN损失值（需调整学习率）？

结语：YOLOv5的未来演进

随着YOLOv6/v7/v8的推出，YOLO系列持续在精度与速度间寻求突破。但YOLOv5凭借其成熟的生态（如Roboflow数据标注集成、ClearML实验跟踪）和极低的入门门槛，仍是初学者和快速原型开发的理想选择。开发者可通过以下路径进一步探索：

1. 尝试yolov5s-cls.pt进行图像分类任务。
2. 结合Segment Anything Model（SAM）实现实例分割。
3. 部署至边缘设备（如Jetson系列）实现本地化推理。

通过本文的指导，读者已具备独立部署YOLOv5的能力。实际项目中，建议从预训练模型微调开始，逐步优化数据与超参数，最终实现业务场景的高效落地。