当前位置：首页 > news >正文

YOLO-V5从安装到运行：完整流程详解，避免踩坑指南

news 2026/4/6 0:24:45

YOLO-V5从安装到运行：完整流程详解，避免踩坑指南

1. 环境准备与快速部署

1.1 系统要求

在开始之前，请确保你的系统满足以下最低要求：

操作系统：Ubuntu 18.04/20.04 或 Windows 10/11（建议使用Linux环境）
Python版本：3.7-3.9（不推荐3.10及以上版本）
CUDA：11.1+（如果使用GPU）
显存：至少4GB（运行yolov5s模型）

1.2 一键安装方法

最简单的方式是使用我们提供的预装镜像，已经配置好所有依赖：

# 拉取镜像（假设你已经配置好Docker环境） docker pull csdn-mirror/yolo-v5:latest # 运行容器 docker run -it --gpus all -p 8888:8888 csdn-mirror/yolo-v5

如果你希望从源码安装，可以按照以下步骤：

git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

常见安装问题解决：

PyTorch安装失败：
- 先确认CUDA版本：nvidia-smi
- 到PyTorch官网获取对应安装命令
OpenCV导入错误：
- 尝试：pip uninstall opencv-python opencv-python-headless
- 然后：pip install opencv-python-headless
权限问题：
- 在命令前加sudo
- 或使用虚拟环境：python -m venv yolov5_env && source yolov5_env/bin/activate

2. 基础概念快速入门

2.1 YOLO-V5核心特点

YOLO-V5之所以广受欢迎，主要因为：

速度快：在同样精度下比前代快2-3倍
易部署：支持导出为ONNX、TensorRT等多种格式
模块化设计：清晰的结构便于二次开发
预训练模型丰富：提供s/m/l/x四种尺寸模型

2.2 关键术语解释

术语	解释	示例
Bounding Box	物体检测框	[x_center, y_center, width, height]
mAP	平均精度	0.85表示85%的检测准确率
Anchor	预设检测框尺寸	用于匹配不同大小的物体
NMS	非极大值抑制	去除重复检测框的算法

3. 分步实践操作

3.1 快速测试预训练模型

让我们先用官方提供的预训练模型测试一张图片：

import torch # 加载模型（自动下载yolov5s.pt） model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # 检测图片 img = 'https://ultralytics.com/images/zidane.jpg' results = model(img) # 显示结果 results.show()

运行后会弹出窗口显示检测结果，你会在图片上看到各种物体的边界框和类别标签。

3.2 使用自己的图片/视频

要检测本地文件，只需修改输入路径：

# 检测本地图片 results = model('path/to/your/image.jpg') # 检测视频 results = model('path/to/your/video.mp4') # 保存结果 results.save() # 保存到runs/detect/exp目录

3.3 常用参数调整

通过修改参数可以获得不同效果：

# 调整置信度阈值（默认0.25） model.conf = 0.5 # 只显示置信度>50%的检测 # 调整IOU阈值（默认0.45） model.iou = 0.3 # 更宽松的重叠检测过滤 # 只检测特定类别 model.classes = [0, 14] # 0=人, 14=鸟

4. 训练自定义模型

4.1 准备数据集

YOLO-V5需要特定格式的数据集：

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

每个图片对应一个.txt标签文件，格式为：

<class_id> <x_center> <y_center> <width> <height>

4.2 创建数据配置文件

在data/目录下新建mydata.yaml：

# 训练和验证图片路径 train: ../dataset/images/train/ val: ../dataset/images/val/ # 类别数 nc: 3 # 类别名称 names: ['cat', 'dog', 'person']

4.3 开始训练

运行训练命令：

python train.py --img 640 --batch 16 --epochs 100 --data data/mydata.yaml --weights yolov5s.pt

关键参数说明：

--img 640：输入图像尺寸
--batch 16：批次大小（根据显存调整）
--epochs 100：训练轮次
--weights yolov5s.pt：预训练模型

4.4 监控训练过程

训练时会自动生成以下内容：

日志：在终端输出各项指标
曲线图：在runs/train/exp目录下
模型检查点：每轮保存到runs/train/exp/weights

5. 模型导出与部署

5.1 导出为ONNX格式

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

5.2 导出为TensorRT

python export.py --weights runs/train/exp/weights/best.pt --include engine --device 0

5.3 部署到生产环境

导出的模型可以通过以下方式使用：

# 加载ONNX模型 import onnxruntime session = onnxruntime.InferenceSession("best.onnx") # 准备输入 inputs = {session.get_inputs()[0].name: processed_img} # 推理 outputs = session.run(None, inputs)