当前位置：首页 > news >正文

Windows10+YOLOv5实战：从零构建自定义目标检测模型

news 2026/6/21 16:35:11

1. Windows10下YOLOv5环境配置指南

第一次在Windows10上配置YOLOv5环境时，我遇到了不少坑。显卡驱动崩溃、CUDA版本不兼容、环境冲突等问题接踵而至。经过多次实践，我总结出这套稳定可靠的配置方案，特别适合刚入门的新手。

核心组件版本选择很关键。我推荐使用以下组合：

Python 3.8（兼容性最佳）
PyTorch 1.8+cu111（稳定版）
CUDA 11.1（适配多数显卡）
cuDNN 8.0.5（需与CUDA版本匹配）

安装Anaconda时有个细节要注意：务必勾选"Add to PATH"选项。很多教程说不要勾选，但在Windows10最新版中，这是让conda命令全局可用的最简方法。创建虚拟环境时，建议使用命令：

conda create -n yolov5 python=3.8

PyTorch安装最容易出错。官网提供的conda安装命令在Windows下经常失败，改用pip安装更可靠：

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html

验证安装时，除了检查torch.cuda.is_available()，还要测试实际计算能力：

import torch print(torch.rand(3,3).cuda()) # 应输出GPU上的随机矩阵

2. 数据集制作实战技巧

制作自定义数据集是训练成功的关键。我曾用200张工业零件图片训练出准确率95%的模型，关键就在于数据处理的技巧。

标注工具选择：LabelImg仍是最好用的工具，但要注意两点：

保存格式选YOLO格式（生成.txt文件）
类别名称用英文且不含空格

文件目录结构要严格规范，建议采用这种形式：

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

数据增强配置很有讲究。在data.yaml中建议这样设置：

train: ../dataset/images/train val: ../dataset/images/val nc: 3 # 类别数 names: ['cat', 'dog', 'person'] # 按实际修改

遇到样本不足时，可以用这些方法增强：

使用imgaug库进行颜色抖动
添加随机噪声（高斯/椒盐噪声）
应用仿射变换（旋转10度内）

3. 模型训练参数调优

第一次训练时，我的loss值居高不下，后来发现是学习率设置不当。经过多次实验，总结出这些黄金参数：

基础训练配置：

python train.py --img 640 --batch 16 --epochs 300 --data data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --device 0

关键参数解析：

batch大小：显存8G建议8-16，16G可用32
学习率：0.01（太大易震荡，太小收敛慢）
图像尺寸：640x640平衡速度与精度

训练过程监控特别重要。启动TensorBoard的命令是：

tensorboard --logdir=runs/train

常见问题解决方案：

出现NaN loss：减小学习率或增大batch
验证mAP不升：检查标注质量
显存不足：减小batch或图像尺寸

4. 模型部署与性能优化

训练好的模型需要优化才能实用。我测试过多种部署方案，发现这些技巧最有效：

模型导出为ONNX格式：

python export.py --weights runs/train/exp/weights/best.pt --include onnx

推理速度优化：

使用half-precision（FP16）推理
设置conf-thres=0.4，iou-thres=0.5
启用TensorRT加速（可提速3-5倍）

实际测试对比（RTX 2060）：

模型	精度(mAP)	速度(FPS)	显存占用
FP32	0.89	45	2.1GB
FP16	0.88	68	1.4GB
TensorRT	0.87	120	1.2GB

部署到生产环境时，建议用Flask构建API接口：

from flask import Flask, request import torch app = Flask(__name__) model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt') @app.route('/predict', methods=['POST']) def predict(): file = request.files['image'] results = model(file) return results.pandas().xyxy[0].to_json()