第三课：YOLOv5-Lite模型预处理与轻量化优化实操

一、课程关键词

图像预处理、数据归一化、尺寸缩放、通道转换、模型剪枝、量化压缩、轻量化优化、推理加速、算力适配、嵌入式部署

二、课程学习目标

1. 透彻理解YOLOv5-Lite模型整套图像预处理流程，掌握嵌入式端推理必备的数据规范规则。

2. 熟练掌握尺寸缩放、填充补边、归一化、通道转换四大核心预处理操作，能够独立手写预处理代码。

3. 掌握YOLOv5-Lite专属轻量化优化手段，理解剪枝、量化、结构精简的优化原理与落地逻辑。

4. 能够针对AK3918低算力硬件，完成模型轻量化调优，解决推理卡顿、帧率低、资源占用过高问题。

5. 可以对比优化前后模型体积、推理速度、精度变化，形成完整的优化评估思维。

三、课程核心知识点

3.1 模型预处理核心意义

YOLOv5-Lite神经网络模型对输入图像有严格的格式、尺寸、数值范围要求，未经规范预处理的图像无法被模型正常识别推理。

原始拍摄的图像存在尺寸不统一、色彩通道差异、像素值范围过大、比例失调等问题，直接输入网络会导致推理报错、检测精度暴跌、特征提取失效。

预处理的核心目的：将任意尺寸、任意格式的原图，统一转化为模型专属标准输入格式，保证网络正常前向推理，同时提升模型检测稳定性与准确率，降低嵌入式设备运算压力。

3.2 YOLOv5-Lite标准输入规范

YOLOv5-Lite轻量化模型固定输入标准，也是AK3918硬件部署的最优输入参数：

1. 输入尺寸：统一 640×640（Lite小模型可支持320×320、416×416低分辨率输入）

2. 图像通道：RGB三通道输入（摄像头默认BGR，必须转换）

3. 像素范围：0_{1归一化数值（原图0}255需缩放处理）

4. 数据维度：[batch, channel, height, width] 四维张量格式

5. 图像比例：保持原图宽高比，禁止强制拉伸变形

3.3 完整预处理流程详解

YOLOv5-Lite官方推理预处理分为五大核心步骤，顺序不可颠倒，是模型正常推理的关键：

步骤1：图像读取与格式解码

通过OpenCV读取设备图像/视频帧，默认读取格式为BGR通道，与模型训练的RGB通道不匹配，必须进行通道互换，否则会出现色彩偏移、检测失效问题。

步骤2：等比例缩放

根据模型输入尺寸，对原图进行等比例缩放，不拉伸、不变形，最大限度保留图像特征信息。长边对齐640尺寸，短边按比例缩小，保证物体几何特征不丢失。

步骤3：边缘填充补边

缩放后图像无法完全铺满640×640画布，对空白区域进行灰色像素填充，让最终图像尺寸严格匹配模型输入尺寸，避免维度不匹配报错。

步骤4：像素归一化

将原图0_{255的像素值除以255，压缩至0}1区间。减小数值量级，大幅降低矩阵运算算力消耗，适配AK3918嵌入式低算力运算场景，加速模型收敛与推理速度。

步骤5：维度转换与张量封装

将图像处理为四维张量结构，增加batch批次维度，适配Pytorch模型输入格式，完成预处理全过程，可直接送入网络推理。

3.4 YOLOv5-Lite轻量化优化核心原理

原版YOLOv5模型体积大、参数量多，无法在AK3918边缘设备高速运行，因此需要基于预处理+模型结构双重优化，实现轻量化落地。

1. 结构剪枝优化

裁剪网络中冗余卷积通道、无效神经元、重复特征层，保留核心特征提取结构，在精度损失可控的前提下，减少模型参数量与计算量。YOLOv5-Lite原生已完成基础剪枝，本课实操可进行二次微调剪枝。

2. 模型量化优化

将模型32位浮点参数量化为16位、8位整型参数，大幅压缩模型权重体积，降低内存占用，提升嵌入式设备推理速度，是边缘部署核心优化手段。

3. 输入分辨率优化

针对AK3918硬件，适当降低输入分辨率（640→416/320），配合预处理缩放策略，在满足检测需求的前提下，极大减少算力消耗。

4. 推理参数优化

调整NMS非极大值抑制阈值、置信度阈值，减少冗余计算，过滤无效检测框，提升终端实时性。

四、实战操作完整步骤

4.1 环境准备

基于第二课搭建完成的YOLOv5-Lite完整环境，确保所有依赖库安装成功，模型权重文件路径正常，无版本冲突问题。

4.2 图像预处理代码实操

在项目根目录新建preprocess_demo.py文件，编写完整标准化预处理代码，复现官方推理预处理逻辑：

importcv2importnumpyasnp# YOLOv5-Lite 标准化图像预处理函数defpreprocess_image(img_path,img_size=640):# 1. 读取图像 BGR格式img=cv2.imread(img_path)# 2. BGR转RGBimg=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)h,w=img.shape[:2]# 3. 等比例缩放计算scale=min(img_size/w,img_size/h)new_w,new_h=int(w*scale),int(h*scale)img_resized=cv2.resize(img,(new_w,new_h))# 4. 计算填充边距dw,dh=img_size-new_w,img_size-new_h dw/=2dh/=2# 5. 对称填充top,bottom=int(round(dh-0.1)),int(round(dh+0.1))left,right=int(round(dw-0.1)),int(round(dw+0.1))img_pad=cv2.copyMakeBorder(img_resized,top,bottom,left,right,cv2.BORDER_CONSTANT,value=(114,114,114))# 6. 归一化 + 维度转换img_normal=img_pad/255.0img_normal=np.transpose(img_normal,(2,0,1))img_tensor=np.expand_dims(img_normal,axis=0)print("预处理后张量尺寸：",img_tensor.shape)returnimg_tensorif__name__=="__main__":preprocess_image("test.jpg")

4.3 轻量化优化实操配置

1. 分辨率优化：修改推理输入尺寸，将默认640调整为416，适配AK3918低算力设备。

打开detect.py，修改参数：–img-size 416

2. 置信度阈值优化：调高置信度过滤无效检测，减少运算量：–conf-thres 0.5

3. 模型量化实操：使用torch量化工具对pt权重进行8位量化，压缩模型体积。

4.4 优化效果对比测试

分别记录优化前后的模型体积、单帧推理耗时、CPU占用率、检测帧率，对比轻量化优化带来的性能提升。

五、常见问题与解决方案

问题1：图像检测偏色、识别准确率低

解决方案：排查通道转换逻辑，必须将OpenCV默认BGR转为RGB，否则与训练数据集通道不匹配。

问题2：模型推理报维度错误

解决方案：检查填充与缩放逻辑，确保输出图像尺寸严格为640×640或416×416，维度匹配模型输入。

问题3：AK3918设备推理卡顿、帧率极低

解决方案：降低输入分辨率、开启模型量化、调高置信度阈值，减少设备算力消耗。

问题4：归一化缺失导致推理异常

解决方案：必须完成0~1归一化，像素值不缩放会导致网络参数运算溢出，推理失效。

六、课程小结

本节课系统讲解了YOLOv5-Lite模型预处理全流程与轻量化优化实操方案。首先明确了图像预处理的必要性，掌握了图像读取、通道转换、等比例缩放、边缘填充、归一化、维度变换六大核心操作。

同时深入学习了轻量化优化核心思路，包括网络剪枝、模型量化、分辨率调优、推理参数优化等适配嵌入式硬件的关键技术。

通过手写预处理代码、修改推理配置、优化模型参数，实现了针对AK3918硬件的模型适配优化，有效解决边缘设备推理卡顿、算力不足等问题，为后续项目落地、实时检测部署提供了核心技术支撑。

七、课后作业

1. 独立完整运行预处理代码，替换自定义测试图片，截图输出张量尺寸，提交运行成功截图。

2. 分别测试640、416、320三种输入分辨率，记录AK3918设备推理帧率、耗时、CPU占用数据，整理对比表格。

3. 自主完成模型量化优化，对比优化前后模型体积、推理速度变化，撰写100字优化心得。

4. 总结预处理步骤中容易出错的3个关键点，并标注对应的解决方法。

八、课程回顾总结

本节课聚焦YOLOv5-Lite模型预处理与轻量化优化实操，是连接环境搭建与硬件部署的核心过渡课程，也是提升嵌入式端检测性能的关键实操课程。课程首先阐明了预处理对模型推理的决定性作用，纠正了直接使用原图推理的错误认知，系统拆解了通道转换、等比例缩放、填充补边、像素归一化、张量转换的标准化流程，让我们理解每一步操作的技术原理，而非单纯机械运行代码。

在实战环节，通过手写完整预处理代码，复现了官方模型输入处理逻辑，彻底掌握了适配YOLOv5-Lite的图像标准化方法，有效解决了图像比例失调、维度不匹配、色彩异常等常见问题。同时，针对AK3918低算力硬件特性，学习了剪枝、量化、分辨率调优、参数过滤等轻量化优化手段，精准解决嵌入式设备推理卡顿、内存占用高、帧率不足等痛点。

本节课内容实用性极强，预处理规范保障了模型检测精度，轻量化优化提升了硬件适配性。通过性能对比测试，我们建立了精度与速度平衡的调优思维，为后续模型训练、自定义数据集优化、终端实时部署筑牢核心基础，完整掌握了边缘轻量化检测模型的前期优化核心能力。

上一课作业答案：YOLOv5-Lite源码环境搭建与模型下载实战

一、实战作业完整代码

本代码为第二课专属验收作业，用于校验YOLOv5-Lite环境完整性、依赖库版本检测、模型可用性自检，可一键检测环境是否适配AK3918部署：

# YOLOv5-Lite环境搭建验收自测代码importtorchimportcv2importnumpyimportplatformimportosdefcheck_yolov5_lite_env():print("===== YOLOv5-Lite 环境自检工具 =====")# 1. 核心框架版本检测print(f"Pytorch版本：{torch.__version__}")print(f"OpenCV版本：{cv2.__version__}")print(f"Numpy版本：{numpy.__version__}")# 2. 设备检测（CPU/GPU）device="cuda"iftorch.cuda.is_available()else"cpu"print(f"当前推理设备：{device}")# 3. 系统环境检测print(f"系统平台：{platform.platform()}")# 4. 模型权重文件检测weight_path="yolov5-lite-s.pt"ifos.path.exists(weight_path):print("✅ 预训练权重文件存在，模型加载正常")else:print("❌ 权重文件缺失，请下载放入根目录")print("===== 环境检测完成 =====")if__name__=="__main__":check_yolov5_lite_env()

二、代码功能说明

本自测代码专为第二课环境搭建实战验收设计，用于全自动检测YOLOv5-Lite开发环境是否配置完整、适配嵌入式部署需求。代码可自动读取并展示Pytorch、OpenCV、Numpy等核心依赖库版本，校验推理设备类型，识别当前系统平台信息。同时可智能检测项目根目录下预训练权重文件是否存在，快速判断环境配置完整性与模型文件可用性。能够一键排查依赖缺失、版本不匹配、权重文件丢失等常见问题，帮助学习者快速验证本课搭建环境是否达标，为后续模型推理、轻量化优化、硬件部署提供前置环境校验支撑。

三、代码运行注意事项

1. 必须在YOLOv5-Lite项目根目录运行代码，否则无法识别权重文件，检测结果失效。

2. 运行前需完成全部依赖安装，若出现模块导入报错，需重新执行requirements.txt批量安装命令。

3. 需提前将yolov5-lite-s.pt权重文件放置项目根目录，否则会提示权重缺失。

4. AK3918嵌入式设备运行时，仅支持CPU推理，显示CPU设备为正常现象。

5. 若库版本与课件适配版本不一致，需卸载重装指定版本，避免后续推理报错。