引言：为什么选择YoloV5？

在计算机视觉领域，物体检测（Object Detection）是核心任务之一，广泛应用于安防监控、自动驾驶、工业质检等场景。YoloV5作为YOLO（You Only Look Once）系列的第五代版本，以其高精度、高速度、易用性的特点，成为开发者首选的实时检测框架。本文将通过手把手教学的方式，结合代码示例与实战经验，详细讲解如何使用YoloV5完成从数据准备到模型部署的全流程。

一、环境配置：搭建YoloV5开发环境

1.1 硬件与软件要求

• 硬件：推荐使用NVIDIA GPU（如RTX 3060及以上），CUDA加速可显著提升训练速度。
• 软件：
  • Python 3.8+
  • PyTorch 1.7+（与CUDA版本匹配）
  • CUDA 11.0+（可选，用于GPU加速）
  • 其他依赖：pip install -r requirements.txt（YoloV5官方提供的依赖文件）

1.2 安装步骤

1. 克隆YoloV5仓库：

   git clone https://github.com/ultralytics/yolov5.git
   cd yolov5

2. 创建虚拟环境（推荐）：

   conda create -n yolov5 python=3.8
   conda activate yolov5

3. 安装依赖：

   pip install -r requirements.txt

4. 验证安装：

   import torch
   print(torch.__version__)  # 应输出PyTorch版本
   print(torch.cuda.is_available())  # 应输出True（若使用GPU）

二、数据准备：构建高质量检测数据集

2.1 数据集格式要求

YoloV5支持两种主流格式：

• YOLO格式：每行格式为<class_id> <x_center> <y_center> <width> <height>（归一化到[0,1]）。
• COCO格式：JSON文件存储标注信息，适用于复杂场景。

示例（YOLO格式）：

0 0.5 0.5 0.2 0.2  # 类别0，中心点(0.5,0.5)，宽高0.2
1 0.3 0.3 0.1 0.1  # 类别1

2.2 数据集划分与增强

• 划分比例：训练集（70%）、验证集（20%）、测试集（10%）。
• 数据增强：通过augmentations.py实现随机裁剪、旋转、亮度调整等，提升模型泛化能力。

代码示例：自定义数据增强：

from yolov5.data.augment import augment_hsv
import cv2
img = cv2.imread("image.jpg")
aug_img = augment_hsv(img, hgain=0.5, sgain=0.5, vgain=0.5)  # 调整HSV通道

三、模型训练：从零到一的完整流程

3.1 选择预训练模型

YoloV5提供多种规模模型：

• yolov5s.pt（轻量级，速度快）
• yolov5m.pt（平衡精度与速度）
• yolov5l.pt（高精度，适合复杂场景）

命令行训练：

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

• --img：输入图像尺寸（建议640或1280）。
• --batch：批大小（根据GPU内存调整）。
• --epochs：训练轮数。

3.2 训练日志与可视化

• TensorBoard集成：通过--tensorboard参数启用，实时监控损失、mAP等指标。
• 结果分析：训练完成后，生成results.png和metrics.csv，包含PR曲线、F1分数等。

关键指标解读：

• mAP@0.5：IoU阈值为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）。

四、模型优化：提升检测性能的技巧

4.1 超参数调优

• 学习率：初始学习率建议0.01，使用--lr0调整。
• 优化器：默认使用SGD，可尝试AdamW（--optimizer adamw）。
• 学习率调度：--lrf 0.01（学习率衰减比例）。

示例：调整学习率：

python train.py --lr0 0.001 --lrf 0.01 ...

4.2 模型剪枝与量化

• 剪枝：通过--prune参数移除冗余通道，减少参数量。
• 量化：使用TorchScript或TensorRT进行INT8量化，提升推理速度。

代码示例：模型导出为TorchScript：

import torch
from yolov5.models.experimental import attempt_load
model = attempt_load("yolov5s.pt", map_location="cpu")
traced_script_module = torch.jit.trace(model, torch.rand(1, 3, 640, 640))
traced_script_module.save("yolov5s_ts.pt")

五、部署与应用：将模型落地到实际场景

5.1 推理代码示例

import cv2
from yolov5.models.experimental import attempt_load
from yolov5.utils.general import non_max_suppression, scale_boxes
from yolov5.utils.plots import Annotator
# 加载模型
model = attempt_load("yolov5s.pt", map_location="cpu")
# 读取图像
img = cv2.imread("test.jpg")[:, :, ::-1]  # BGR转RGB
img_tensor = torch.from_numpy(img).to("cuda").float() / 255.0
img_tensor = img_tensor.permute(2, 0, 1).unsqueeze(0)  # CHW格式
# 推理
with torch.no_grad():
    pred = model(img_tensor)[0]
# NMS后处理
pred = non_max_suppression(pred, conf_thres=0.25, iou_thres=0.45)
# 可视化结果
annotator = Annotator(img, line_width=3, example=str(model.names))
for det in pred:
    if len(det):
        det[:, :4] = scale_boxes(img_tensor.shape[2:], det[:, :4], img.shape).round()
        for *xyxy, conf, cls in det:
            annotator.box_label(xyxy, model.names[int(cls)], color=(255, 0, 0))
cv2.imwrite("result.jpg", annotator.result())

5.2 部署方案选择

• 云端部署：使用Flask/Django构建REST API，适合高并发场景。
• 边缘设备部署：通过ONNX或TensorRT优化，部署到Jetson系列或树莓派。

六、常见问题与解决方案

6.1 训练不收敛

• 原因：学习率过高、数据标注错误、Batch Size过小。
• 解决：降低学习率至0.001，检查标注文件（如labels.txt）。

6.2 推理速度慢

• 原因：输入尺寸过大、模型未量化。
• 解决：调整--img参数至320或416，使用TensorRT量化。

七、总结与展望

通过本文的实战指南，读者已掌握YoloV5从环境配置到模型部署的全流程。未来，YoloV6/V7的发布将进一步优化精度与速度，建议持续关注Ultralytics官方更新。对于企业用户，可结合自定义数据集与业务场景，开发高精度检测系统。

下一步建议：

1. 尝试在自定义数据集上训练模型。
2. 探索模型量化与剪枝技术。
3. 部署到实际硬件（如Jetson Nano）进行测试。