YOLOv5从入门到部署：手把手教你完成自定义数据集训练与模型优化

1. 为什么选择YOLOv5做目标检测

第一次接触YOLOv5是在2020年，当时需要做一个工业质检项目。对比了当时主流的Faster R-CNN、SSD等方案后，最终选择了YOLOv5。原因很简单：它够快、够准、够简单。现在三年过去了，YOLOv5依然是工业界落地最多的目标检测框架之一。

YOLOv5最大的优势在于它的工程化程度。相比学术论文里的模型，YOLOv5从数据准备到模型部署的全流程都做了深度优化。举个例子，同样的RTX 3060显卡，YOLOv5s模型训练COCO数据集只需要2天，而其他框架可能需要3-4天。在部署阶段，YOLOv5提供的export.py能一键转换成ONNX/TensorRT格式，这对嵌入式设备特别友好。

不过要注意的是，YOLOv5有多个版本（v6.0/v6.1/v7.0等），不同版本之间有些API不兼容。我建议新手直接从最新的v7.0开始，因为它的文档最全，社区支持也最好。另外，YOLOv5有四种预训练模型：

• YOLOv5n（Nano）：2.6M参数
• YOLOv5s（Small）：7.2M参数
• YOLOv5m（Medium）：21.2M参数
• YOLOv5l（Large）：46.5M参数

对于大多数应用场景，YOLOv5s已经足够用了。只有在需要检测特别小的物体时（比如遥感图像中的车辆），才需要考虑更大的模型。

2. 环境搭建与数据准备

2.1 快速搭建开发环境

我习惯用conda管理Python环境，这样可以避免包冲突。以下是具体步骤：

conda create -n yolov5 python=3.8 conda activate yolov5 pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113 pip install yolov5

这里有个坑要注意：PyTorch的CUDA版本必须和本地显卡驱动匹配。可以用nvidia-smi查看驱动支持的CUDA版本。如果装错了版本，训练时会报"CUDA out of memory"的错误。

2.2 数据标注实战技巧

LabelImg是最常用的标注工具，但我更推荐使用CVAT（Computer Vision Annotation Tool）。它不仅支持本地使用，还能团队协作。安装方法：

docker run -d -p 8080:8080 --name cvat openvino/cvat_server

标注时要注意几个细节：

1. 标注框要紧贴物体边缘，但不要重叠
2. 对于遮挡物体，按可见部分标注
3. 每个类别至少准备200张图片（实际项目建议500+）
4. 保持长宽比，避免极端尺寸（如1000x10）

标注完成后，数据目录应该这样组织：

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

3. 模型训练与调优

3.1 训练参数详解

YOLOv5的train.py有30多个参数，但新手只需要关注这几个：

python train.py \ --weights yolov5s.pt \ --data data/custom.yaml \ --epochs 100 \ --batch-size 16 \ --img 640 \ --device 0 \ --hyp data/hyps/hyp.scratch-low.yaml

重点参数说明：

• --img 640：输入图像尺寸，越大精度越高但速度越慢
• --batch-size：根据显存调整（RTX 3090可以设到32）
• --hyp：超参数文件，控制学习率、数据增强等

训练过程中可以用TensorBoard监控：

tensorboard --logdir runs/train

3.2 数据增强策略

YOLOv5默认会启用Mosaic增强，这对小数据集特别有效。如果想自定义增强策略，修改data/hyps/hyp.scratch-low.yaml：

hsv_h: 0.015 # 色调增强幅度 hsv_s: 0.7 # 饱和度增强幅度 hsv_v: 0.4 # 明度增强幅度 degrees: 10.0 # 旋转角度范围 translate: 0.1 # 平移范围 scale: 0.5 # 缩放范围

有个实用技巧：当发现模型对某些角度识别不好时，可以增大degrees值；如果颜色变化影响识别，就降低hsv_h。

4. 模型评估与部署

4.1 关键指标解读

训练完成后，在runs/train/exp目录下会生成results.png：

• mAP@0.5：IoU阈值为0.5时的平均精度
• mAP@0.5:0.95：IoU阈值从0.5到0.95的平均精度
• precision：查准率（预测正确的比例）
• recall：查全率（实际被检出的比例）

一般来说：

• mAP@0.5 > 0.9 说明模型优秀
• mAP@0.5 < 0.5 需要重新调整数据或参数

4.2 模型部署实战

部署到生产环境推荐用TensorRT加速：

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

部署时常见问题解决方案：

1. 如果推理速度慢，尝试启用--half使用FP16精度
2. 出现"Unable to load model"，检查CUDA/cuDNN版本
3. 内存不足时，减小--img-size

对于视频流处理，可以用这个模板代码：

import cv2 from yolov5 import YOLOv5 model = YOLOv5("yolov5s.engine") cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() results = model.predict(frame) rendered = results.render()[0] cv2.imshow("YOLOv5", rendered) if cv2.waitKey(1) == ord('q'): break

5. 进阶优化技巧

5.1 模型剪枝与量化

当需要在边缘设备部署时，可以对模型进行优化：

python -m yolov5.export \ --weights yolov5s.pt \ --include onnx \ --dynamic \ --simplify

然后用ONNX Runtime量化：

python -m onnxruntime.tools.convert_onnx_models_to_ort yolov5s.onnx

实测在Jetson Nano上，量化后的模型推理速度能提升2-3倍。

5.2 解决常见问题

问题1：过拟合症状：训练集mAP很高但验证集很低 解决方法：

• 增加数据增强
• 减小模型尺寸（换yolov5n）
• 添加Dropout层

问题2：漏检症状：某些类别recall很低 解决方法：

• 检查标注质量
• 增加该类别样本数量
• 调整anchor boxes

问题3：误检症状：出现大量错误预测 解决方法：

• 提高confidence阈值
• 增加负样本（不包含目标的图像）
• 使用更复杂的模型（yolov5m/l）