Yolov5实战三部曲：从数据标注到C#端集成部署
1. 数据标注实战：从LabelImg到高质量数据集
第一次接触目标检测项目时，最让我头疼的就是数据标注环节。当时为了做一个工业零件缺陷检测系统，需要标注上千张电路板图像。试过各种标注工具后，发现LabelImg依然是新手最友好的选择。这里分享几个实战中总结的高效标注技巧：
- 安装避坑指南：推荐直接下载编译好的Windows版本（labelImg_v1.8.1.exe），避免源码安装的依赖冲突问题。记得把程序放在全英文路径，中文路径会导致闪退
- 快捷键组合拳：W（创建框）、A（上一张）、D（下一张）、Ctrl+S（保存）这几个组合键熟练后，标注效率能提升3倍以上。我习惯左手控制键盘快捷键，右手微调标注框位置
- 批量处理技巧：通过修改predefined_classes.txt预设类别，可以避免重复输入标签。比如做安防监控项目时，提前写好person/car/dog等常见类别
注意：标注时要确保物体边缘留有少量背景像素，太贴边的标注会影响模型学习特征提取
实际项目中遇到过标注不一致的问题——同一类物体，不同人标注的宽高比例差异很大。后来我们制定了标注规范：对于规则物体（如芯片）采用1:1固定比例，不规则物体（如裂缝）则严格沿轮廓标注。这个细节让模型mAP提升了5%左右。
2. YOLOv5模型训练：版本选择与调参秘籍
2.1 5.0 vs 6.1版本深度对比
在智能质检项目中，我同时用过v5.0和v6.1两个版本。这两个版本的主要差异在于：
- 网络结构：v6.1的Focus模块替换为Conv，减少切片操作带来的部署问题
- Anchor设置：v5.0默认使用P5检测头，v6.1改为P6结构更适合小目标检测
- 数据增强：v6.1新增albumentations支持，对工业场景的遮挡、反光更鲁棒
# 训练命令参数对比示例 # v5.0典型配置 python train.py --img 640 --batch 16 --epochs 100 --data coco.yaml --weights yolov5s.pt # v6.1优化配置 python train.py --img 640 --batch 32 --epochs 150 --data coco.yaml --weights yolov5s.pt --hyp hyp.scratch-low.yaml2.2 工业场景调参经验
在PCB缺陷检测中，通过调整以下参数显著提升效果：
- 学习率策略：采用余弦退火（cosine lr），比默认的线性下降更适合小数据集
- 损失权重：调整obj_loss权重为0.7，缓解正负样本不平衡问题
- 测试时增强：启用--augment选项，对模糊、低对比度样本更稳定
遇到过最坑的问题是显存溢出（CUDA out of memory）。后来发现把--batch-size减半，同时增大--workers到4倍CPU核心数，既能保证训练速度又避免爆显存。
3. ONNX模型导出：避开那些深坑
3.1 导出关键步骤
用v6.1导出ONNX时，必须添加--dynamic参数：
python export.py --weights best.pt --include onnx --dynamic这样生成的模型才能适配不同尺寸输入。曾经因为漏掉这个参数，导致C#端推理时张量形状不匹配。
3.2 模型简化技巧
用onnx-simplifier处理导出的模型：
python -m onnxsim yolov5s.onnx yolov5s-sim.onnx这个操作能去除冗余计算节点，让推理速度提升20%。但要注意：过度简化可能导致某些算子不被C#支持。
4. C#集成部署：工业级落地方案
4.1 环境配置清单
- NuGet必备包：
- Microsoft.ML.OnnxRuntime (1.12.0+)
- OpenCvSharp4 (4.5.5+)
- Newtonsoft.Json (处理检测结果)
// 初始化推理会话 var session = new InferenceSession("yolov5s.onnx"); var inputMeta = session.InputMetadata; var inputName = inputMeta.Keys.First();4.2 性能优化实战
在视频分析项目中，通过以下改动使FPS从15提升到32：
- 内存复用：预分配输入输出Tensor，避免每次推理重新分配
- 异步流水线：用Producer-Consumer模式分离图像采集和推理
- 算子融合：将sigmoid+乘法替换为HardSwish激活函数
最棘手的跨平台问题是在ARM工控机上部署。解决方案是编译onnxruntime的ARM64版本，并关闭不必要的算子优化选项。
4.3 完整调用示例
// 图像预处理 Mat src = Cv2.ImRead("test.jpg"); Mat resized = new Mat(); Cv2.Resize(src, resized, new Size(640, 640)); // 构建输入Tensor var inputTensor = new DenseTensor<float>(new[] { 1, 3, 640, 640 }); for (int y = 0; y < 640; y++) { for (int x = 0; x < 640; x++) { var color = resized.At<Vec3b>(y, x); inputTensor[0, 0, y, x] = color.Item0 / 255f; inputTensor[0, 1, y, x] = color.Item1 / 255f; inputTensor[0, 2, y, x] = color.Item2 / 255f; } } // 执行推理 var results = session.Run(new[] { NamedOnnxValue.CreateFromTensor(inputName, inputTensor) }); // 解析输出 var outputTensor = results.First().AsTensor<float>(); var predictions = ProcessOutput(outputTensor);这套代码在多个工业现场稳定运行超过1年，关键是要处理好异常恢复机制——当推理超时或内存泄漏时自动重启服务。