从零部署YOLOv5人脸检测：环境搭建、数据标注到实时应用

1. 环境准备：从零搭建YOLOv5开发环境

第一次接触YOLOv5时，我花了两天时间才把环境配好，主要卡在CUDA和PyTorch版本兼容问题上。后来发现其实用conda管理环境特别方便，这里分享我的踩坑经验。建议使用Ubuntu 20.04系统，实测NVIDIA驱动安装最稳定。先确保你的显卡驱动正常，运行nvidia-smi能看到显卡信息。

安装Anaconda后，创建一个专门的环境：

conda create -n yolov5 python=3.8 conda activate yolov5

关键依赖安装顺序很重要：

1. 先装PyTorch（建议1.7.1版本）

conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 -c pytorch

2. 再装其他依赖

pip install opencv-python matplotlib pandas tqdm seaborn

克隆YOLOv5官方仓库时，推荐用国内镜像加速：

git clone https://gitee.com/mirrors/YOLOv5.git cd yolov5 pip install -r requirements.txt

注意：如果遇到SSL证书错误，可以尝试在pip命令后加--trusted-host pypi.org --trusted-host files.pythonhosted.org

2. 数据准备：高效标注人脸数据集

我用过三种标注工具，最终发现LabelImg最适合新手。安装很简单：

pip install labelImg labelImg

打开软件后记得设置两点：

1. 右下角选择YOLO格式
2. 保存目录选labels文件夹

标注技巧：

• 框选时尽量贴近人脸边缘
• 遇到侧脸时以可见面部区域为准
• 遮挡超过50%的人脸建议不标注

数据集划分我建议按7:2:1的比例：

• 训练集：70%
• 验证集：20%
• 测试集：10%

目录结构示例：

CASIA-FaceV5/ ├── images │ ├── train │ ├── val │ └── test └── labels ├── train ├── val └── test

3. 模型配置：定制化YOLOv5s网络

在yolov5/models目录下复制yolov5s.yaml，重命名为face.yaml。只需修改两个参数：

nc: 1 # 只有人脸一个类别 names: ['face'] # 类别名称

数据配置文件（data/face.yaml）示例：

train: ../CASIA-FaceV5/images/train val: ../CASIA-FaceV5/images/val nc: 1 names: ['face']

训练参数建议：

• 小显存（6GB以下）：batch-size设为8-12
• 中等显存（8GB）：batch-size 16-24
• 大显存：可以尝试32

4. 模型训练：从预训练模型迁移学习

启动训练的命令详解：

python train.py \ --data data/face.yaml \ --cfg models/face.yaml \ --weights yolov5s.pt \ --epochs 100 \ --batch-size 16 \ --img-size 640 \ --device 0 # 使用第一块GPU

训练过程常见问题：

1. Loss不下降：检查学习率（默认0.01可能太大）
2. CUDA内存不足：减小batch-size
3. 验证集mAP低：检查标注质量

实时监控训练进度：

tensorboard --logdir runs/train

5. 模型验证与测试

验证模型性能：

python val.py \ --data data/face.yaml \ --weights runs/train/exp/weights/best.pt \ --batch-size 8 \ --task test # 在测试集上验证

测试单张图片：

python detect.py \ --weights runs/train/exp/weights/best.pt \ --source test.jpg \ --conf 0.5 # 置信度阈值

6. 实时人脸检测部署

摄像头实时检测命令：

python detect.py \ --weights best.pt \ --source 0 \ # 0表示默认摄像头 --view-img \ # 实时显示窗口 --conf-thres 0.6 # 调高阈值减少误检

性能优化技巧：

1. 添加--half参数使用半精度推理
2. 使用TensorRT加速（需导出ONNX）
3. 对于多摄像头，可以用--source rtsp://url

7. 常见问题解决方案

1. 检测框闪烁问题：

• 使用ByteTrack等跟踪算法
• 在detect.py中添加帧间缓存

2. 小脸检测效果差：

• 修改model.yaml中的anchor尺寸
• 数据增强中添加更多小脸样本

3. 侧脸漏检：

• 增加侧脸训练数据
• 调整非极大抑制参数iou-thres

最后分享一个实用技巧：在detect.py中添加以下代码可以保存检测结果：

if save_img: cv2.imwrite(save_path, im0)