YOLOv5实战教程：从环境搭建到模型训练完整指南

YOLOv5 是一种基于深度学习的目标检测框架，因其高效性和灵活性而受到广泛欢迎。本文将详细介绍如何从零开始搭建 YOLOv5 的开发环境，并完成模型训练的全过程。

一、YOLOv5 简介

YOLO（You Only Look Once）是一种实时目标检测算法，其核心思想是将目标检测问题转化为一个回归问题。相比传统的两阶段检测方法（如 Faster R-CNN），YOLO 的速度更快，适用于需要实时处理的应用场景。YOLOv5 是该系列的一个改进版本，支持多种硬件平台，同时具备良好的扩展性。

二、环境搭建

在开始训练之前，我们需要搭建适合 YOLOv5 的开发环境。

1. 硬件要求

• GPU：建议使用 NVIDIA GPU，支持 CUDA 和 cuDNN。
• CPU：如果仅用于推理或轻量级任务，也可以使用 CPU。

2. 软件依赖

以下是运行 YOLOv5 所需的主要软件和库：

• Python >= 3.8
• PyTorch >= 1.7.0
• CUDA Toolkit（可选，取决于是否使用 GPU）
• cuDNN（可选）

3. 安装步骤

(1) 克隆 YOLOv5 仓库

git clone https://github.com/ultralytics/yolov5.git
cd yolov5

(2) 创建虚拟环境并安装依赖

python -m venv yolov5_env
source yolov5_env/bin/activate  # Windows 用户请运行 `yolov5_env\Scripts\activate`
pip install -r requirements.txt

(3) 验证安装

运行以下命令以验证环境是否正确配置：

python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/

如果一切正常，脚本会加载预训练模型并在测试图像上进行目标检测。

三、数据准备

YOLOv5 使用 COCO 格式的标注数据集。以下是数据准备的基本步骤：

1. 数据集格式

YOLOv5 支持的数据集格式为：

• 图像文件存储在 images 文件夹中。
• 标注文件存储在 labels 文件夹中，每个标注文件是一个 .txt 文件，内容格式如下：

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

  • class_id：目标类别索引。
  • <x_center>, <y_center>：目标框中心点坐标，归一化到 [0, 1]。
  • <width>, <height>：目标框宽高，归一化到 [0, 1]。

2. 数据集划分

创建 data.yaml 文件，定义数据集路径和类别信息：

train: ./data/train/images
val: ./data/val/images

nc: 3  # 类别数量
names: ['cat', 'dog', 'person']  # 类别名称

四、模型训练

1. 修改配置文件

YOLOv5 提供了多个预定义的配置文件（位于 models/ 目录下）。根据需求选择合适的配置文件（如 yolov5s.yaml），并调整超参数。

2. 开始训练

运行以下命令开始训练：

python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt

参数说明：

• --img：输入图像大小。
• --batch：批量大小。
• --epochs：训练轮数。
• --data：数据集配置文件路径。
• --cfg：模型配置文件路径。
• --weights：初始化权重路径（可以是预训练模型或自定义权重）。

3. 训练过程监控

YOLOv5 提供了 TensorBoard 支持，可以实时监控训练过程：

tensorboard --logdir runs/train

打开浏览器访问 http://localhost:6006 查看训练曲线。

五、模型评估与优化

1. 模型评估

训练完成后，YOLOv5 会自动保存最佳权重文件（best.pt）。可以通过以下命令对模型进行评估：

python val.py --weights runs/train/exp/weights/best.pt --data data.yaml --img 640

2. 模型优化

• 调整超参数：如学习率、批量大小等。
• 数据增强：通过随机裁剪、翻转等方式增加数据多样性。
• 迁移学习：使用更复杂的预训练模型（如 YOLOv5l 或 YOLOv5x）。

六、部署模型

训练好的模型可以通过 ONNX、TensorRT 等工具进行优化和部署。以下是导出 ONNX 模型的示例：

python export.py --weights runs/train/exp/weights/best.pt --img 640 --batch 1 --include onnx