YOLO-V5实战案例：用公开数据集训练你的第一个检测模型
YOLO-V5实战案例：用公开数据集训练你的第一个检测模型
1. 为什么选择YOLO-V5
在计算机视觉领域，目标检测技术已经广泛应用于安防监控、自动驾驶、工业质检等场景。YOLO（You Only Look Once）系列模型因其出色的速度和精度平衡，成为众多开发者的首选。而YOLO-V5作为该系列中的经典版本，具有以下优势：
- 部署友好：支持一键导出ONNX、TensorRT等多种格式
- 社区活跃：GitHub上超过17k星标，问题解决资源丰富
- 工程化设计：模块化代码结构，易于二次开发
- 性能平衡：在速度和精度之间取得良好折衷
2. 环境准备与快速部署
2.1 获取YOLO-V5镜像
使用CSDN星图镜像广场提供的YOLO-V5镜像，可以省去繁琐的环境配置步骤。该镜像预装了PyTorch框架和YOLO-V5专用工具库，开箱即用。
2.2 启动Jupyter Notebook
镜像支持通过Jupyter Notebook进行交互式开发：
- 访问镜像管理页面
- 点击"Jupyter"按钮
- 系统会自动分配访问地址和端口
- 在浏览器中输入提供的URL即可访问
2.3 SSH连接方式
对于习惯命令行操作的用户，可以通过SSH连接到镜像环境：
- 在镜像管理页面获取SSH连接信息
- 使用终端工具连接
- 输入提供的用户名和密码
3. 数据集准备与配置
3.1 选择公开数据集
对于初学者，建议从公开数据集开始。Roboflow平台提供了大量标注好的数据集，例如：
- 口罩检测：识别是否佩戴口罩
- 交通标志：道路常见标志识别
- 工业缺陷：产品表面缺陷检测
以口罩检测数据集为例，下载YOLO格式的数据包后，目录结构如下：
mask_dataset/ ├── train/ │ ├── images/ │ └── labels/ ├── valid/ │ ├── images/ │ └── labels/ └── data.yaml3.2 配置data.yaml文件
data.yaml是YOLO-V5训练的关键配置文件，需要确保路径和类别正确：
train: ../mask_dataset/train/images val: ../mask_dataset/valid/images nc: 2 names: ['with_mask', 'without_mask']nc：类别数量names：类别名称列表，顺序必须与标注文件一致
4. 模型训练实战
4.1 下载预训练权重
YOLO-V5提供了多种规模的预训练模型：
wget https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt模型大小从轻量级到大型依次为：
- yolov5n (nano)
- yolov5s (small)
- yolov5m (medium)
- yolov5l (large)
- yolov5x (extra large)
4.2 启动训练过程
使用以下命令开始训练：
python train.py \ --img 416 \ --batch 16 \ --epochs 100 \ --data ./mask_dataset/data.yaml \ --cfg models/yolov5s.yaml \ --weights yolov5s.pt \ --name mask_exp关键参数说明：
--img：输入图像尺寸，影响显存占用--batch：批大小，根据GPU显存调整--epochs：训练轮数--name：实验名称，用于结果保存
4.3 监控训练过程
训练过程中控制台会显示各项指标：
Epoch GPU_mem box_loss obj_loss cls_loss Instances Size 0/99 2.1G 0.05845 0.07231 0.02123 4 416重点关注三个损失值的变化趋势：
- box_loss：边界框回归损失
- obj_loss：目标置信度损失
- cls_loss：分类损失
5. 模型评估与推理
5.1 评估模型性能
训练完成后，系统会自动在验证集上评估模型，并保存最佳权重：
runs/train/mask_exp/ ├── weights/ │ ├── best.pt # 验证集表现最好的权重 │ └── last.pt # 最后一个epoch的权重 ├── results.png # 训练曲线可视化 └── results.csv # 详细训练日志5.2 执行推理检测
使用训练好的模型进行推理：
python detect.py \ --weights runs/train/mask_exp/weights/best.pt \ --source ./mask_dataset/test/images \ --img 416 \ --conf 0.4 \ --name mask_detect_result--source参数支持多种输入类型：
- 图片路径：处理单张图像
- 文件夹路径：批量处理
- 视频文件：逐帧分析
- 摄像头编号：实时检测
5.3 Python API调用
将模型集成到其他应用中：
from ultralytics import YOLO model = YOLO('runs/train/mask_exp/weights/best.pt') results = model('test.jpg', imgsz=416, conf=0.4) results[0].show() # 显示检测结果6. 常见问题与解决方案
6.1 SSL证书错误
如果遇到SSL证书验证失败：
urllib.error.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED]解决方法：
- 手动下载Arial.ttf字体文件
- 放入
ultralytics/utils/目录
6.2 显存不足问题
解决方案：
- 减小
--batch参数值 - 使用梯度累积模拟更大批量：
--batch 8 --accumulate 4 # 等效于batch=326.3 检测效果不佳
可能原因及对策：
- 数据量不足：至少需要500张标注图像
- 类别不平衡：确保各类别样本数量均衡
- 图像质量差：检查模糊、遮挡等问题
7. 总结与进阶建议
通过本教程，你已经完成了从数据集准备到模型训练、评估和推理的完整流程。YOLO-V5的强大之处在于其工程化设计，让开发者能够快速实现想法。
下一步可以尝试：
- 模型优化：尝试不同的预训练权重和超参数
- 部署应用：导出ONNX/TensorRT模型用于生产环境
- 扩展功能：结合DeepSORT实现多目标跟踪
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。