YOLO-v5实战：用预训练模型快速检测图片中的物体
YOLO-v5实战：用预训练模型快速检测图片中的物体
1. 引言：为什么选择YOLO-v5
在计算机视觉领域，物体检测是一项基础而重要的任务。YOLO（You Only Look Once）系列模型因其速度快、精度高的特点，成为工业界和学术界的热门选择。YOLO-v5作为该系列的最新版本之一，在保持高精度的同时，进一步优化了推理速度。
本文将带你快速上手YOLO-v5预训练模型，无需复杂训练过程，直接使用现成模型完成物体检测任务。通过本教程，你将学会：
- 如何快速部署YOLO-v5环境
- 如何使用预训练模型进行物体检测
- 如何解读检测结果并保存输出
- 常见问题的解决方法
2. 环境准备与快速部署
2.1 系统要求
YOLO-v5对硬件要求相对友好，可以在以下环境中运行：
- 操作系统：Linux/Windows/macOS
- Python：3.7或更高版本
- GPU：推荐NVIDIA GPU（CUDA支持），但CPU也可运行
- 内存：至少8GB（处理大图片时建议16GB以上）
2.2 快速安装
最简单的方式是使用CSDN星图镜像，该镜像已预装所有必要组件：
# 拉取镜像（如果使用CSDN星图服务） docker pull csdn-mirror/yolo-v5或者通过pip安装所需依赖：
pip install torch torchvision pip install opencv-python pip install matplotlib2.3 下载YOLO-v5代码
git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt3. 使用预训练模型进行检测
3.1 加载模型
YOLO-v5提供了多个预训练模型，大小和精度各不相同：
import torch # 可选的模型：yolov5n, yolov5s, yolov5m, yolov5l, yolov5x model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # 加载最小的yolov5s模型模型大小与性能对比：
| 模型 | 参数量 | 推理速度(ms) | mAP@0.5 |
|---|---|---|---|
| yolov5n | 1.9M | 2.7 | 0.28 |
| yolov5s | 7.2M | 3.2 | 0.37 |
| yolov5m | 21.2M | 4.7 | 0.45 |
| yolov5l | 46.5M | 6.3 | 0.49 |
| yolov5x | 86.7M | 9.1 | 0.51 |
3.2 准备输入图片
YOLO-v5支持多种输入格式：
# 本地图片文件 img = 'data/images/zidane.jpg' # 图片URL img = 'https://ultralytics.com/images/zidane.jpg' # OpenCV图像 import cv2 img = cv2.imread('zidane.jpg') # PIL图像 from PIL import Image img = Image.open('zidane.jpg') # numpy数组 import numpy as np img = np.array(Image.open('zidane.jpg'))3.3 执行推理
# 执行推理 results = model(img) # 查看结果 results.print() # 打印检测结果 results.show() # 显示检测结果4. 结果处理与可视化
4.1 理解检测结果
YOLO-v5的检测结果包含以下信息：
- 边界框坐标：(x1, y1, x2, y2)格式
- 类别标签：如person, car, dog等
- 置信度分数：0-1之间的数值，表示检测可靠性
4.2 结果可视化方法
# 保存检测结果图片 results.save() # 保存到runs/detect/exp目录 # 获取Pandas格式的结果 df = results.pandas().xyxy[0] print(df) # 获取JSON格式的结果 json_results = results.pandas().xyxy[0].to_json(orient="records") print(json_results)4.3 自定义可视化
import cv2 # 获取检测结果 detections = results.xyxy[0].numpy() # 在原图上绘制检测框 img_with_boxes = results.render()[0] # 显示结果 cv2.imshow('Detection Results', img_with_boxes) cv2.waitKey(0) cv2.destroyAllWindows()5. 进阶使用技巧
5.1 批量处理图片
import glob # 批量处理文件夹中的所有图片 images = glob.glob('data/images/*.jpg') results = model(images) # 保存所有结果 results.save()5.2 调整检测参数
# 设置置信度阈值（默认0.25） model.conf = 0.5 # 只显示置信度大于0.5的检测 # 设置IOU阈值（非极大值抑制） model.iou = 0.45 # 默认0.45 # 设置检测类别（只检测人和车） model.classes = [0, 2] # 0是人，2是车5.3 使用GPU加速
# 检查GPU是否可用 device = 'cuda' if torch.cuda.is_available() else 'cpu' # 将模型移到GPU model = model.to(device) # 执行推理时确保输入也在GPU results = model(img.to(device))6. 常见问题与解决方案
6.1 检测速度慢
可能原因：
- 使用了大模型(yolov5x)在CPU上运行
- 图片分辨率过高
- 批量处理时batch size设置过大
解决方案：
# 使用更小的模型 model = torch.hub.load('ultralytics/yolov5', 'yolov5n') # 调整图片大小 model.imgsz = 320 # 默认640 # 减小batch size model.batch_size = 4 # 默认166.2 检测结果不准确
可能原因：
- 目标物体太小
- 目标物体与训练数据差异大
- 光照条件差
解决方案：
# 使用更大的模型 model = torch.hub.load('ultralytics/yolov5', 'yolov5x') # 调整置信度阈值 model.conf = 0.4 # 降低阈值可能检测到更多物体 # 尝试不同的IOU阈值 model.iou = 0.3 # 降低IOU阈值可能减少误检6.3 内存不足错误
可能原因：
- 图片分辨率过高
- 批量处理图片过多
- GPU显存不足
解决方案：
# 减小图片尺寸 model.imgsz = 320 # 减小batch size model.batch_size = 2 # 使用CPU模式 model = model.cpu()7. 总结与下一步建议
通过本教程，你已经掌握了使用YOLO-v5预训练模型进行物体检测的基本方法。以下是关键要点回顾：
- 快速部署：使用预构建镜像或简单pip安装即可开始
- 模型选择：根据需求在速度(yolov5n)和精度(yolov5x)之间权衡
- 灵活输入：支持本地文件、URL、OpenCV/PIL图像等多种输入格式
- 结果处理：提供多种格式输出和可视化选项
- 性能调优：通过调整参数优化检测效果和速度
下一步建议：
- 尝试在自己的数据集上微调模型
- 探索视频流实时检测
- 了解TensorRT加速部署
- 研究YOLO-v5与其他视觉任务的结合
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。