YOLO-v5目标检测入门：从环境搭建到训练自定义数据集

YOLO-v5目标检测实战：从零搭建到自定义模型训练

在智能监控、工业质检和自动驾驶等应用中，目标检测早已不再是实验室里的概念，而是真正落地的“眼睛”。面对纷繁复杂的视觉任务，开发者需要一个既高效又易用的框架——YOLO-v5 正是当前最受欢迎的选择之一。

它不像某些深度学习项目那样动辄几十行配置文件才能跑通，相反，它的设计哲学是“开箱即用”与“快速迭代”。但即便是这样友好的工具，初学者仍可能在环境配置、数据组织或训练调参时踩坑。本文将带你完整走一遍从安装到部署的全流程，重点解决那些看似简单却常让人卡住的实际问题。

我们使用的硬件平台是一台搭载 RTX 3070 笔记本 GPU 的 Windows 11 设备（i7-11800H + 32GB 内存），开发环境为 PyCharm 配合 Conda 虚拟环境。虽然配置不算顶级，但足以支撑大多数中小型项目的训练需求。如果你只有集成显卡，也不必担心——推理完全可行，只是训练会慢一些。

首先访问 YOLO-v5 官方仓库 获取源码：

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

进入项目目录后，强烈建议创建独立的虚拟环境来管理依赖。Python 版本推荐使用 3.9，避免因版本过高导致兼容性问题：

conda create -n yolov5 python=3.9 conda activate yolov5

接下来安装依赖项。由于官方 PyPI 源速度较慢，建议切换至国内镜像（如清华源）：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

这里有几个关键库需要注意：
-torch==1.13.1+cu117和torchvision==0.14.1+cu117：必须选择带 CUDA 支持的版本以启用 GPU 加速；
- 不要盲目升级到 PyTorch 2.x，部分 YOLO-v5 模块尚未完全适配新 API；
- 若后续出现No module named 'utils'等错误，可能是路径未正确导入，可在根目录下临时添加sys.path.append('./')解决。

安装完成后，下一步是准备预训练权重。在yolov5/根目录新建一个weights文件夹，并从 GitHub Releases 页面 下载轻量级模型yolov5s.pt放入其中。这个模型参数少、速度快，非常适合入门测试。

当然，也可以通过 Hub 自动下载：

import torch model = torch.hub.load('ultralytics/yolov5', 'yolov5s')

这行代码会自动拉取模型并缓存到本地。

现在可以运行一次默认检测验证环境是否正常：

python detect.py --weights weights/yolov5s.pt --source data/images

输入源可以是图片路径、视频文件、摄像头编号（如0）或整个文件夹。执行后结果保存在runs/detect/exp/目录下。打开生成的图像，你会看到人、车、交通标志等对象已被成功框出。

如果一切顺利，说明基础环境已经搭好，接下来就可以开始构建自己的数据集了。

要让模型识别你关心的目标（比如苹果、口罩、车牌），就必须提供标注过的图像数据。LabelImg 是目前最流行的开源标注工具之一，安装非常简单：

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

启动方式也很直接：

labelimg

首次使用时记得设置输出格式为YOLO（快捷键 Ctrl+U → Choose YOLO format）。每张图像标注后会生成一个同名.txt文件，内容如下：

0 0.485 0.512 0.234 0.311

这表示第 0 类目标（例如“apple”），中心坐标位于图像宽高的 48.5% 和 51.2%，边界框宽度和高度分别为图像总尺寸的 23.4% 和 31.1%。这种归一化格式确保了不同分辨率图像都能被统一处理。

实际操作中建议采集不少于 200 张图像，尽量覆盖各种光照条件、拍摄角度和遮挡情况，这样才能提升模型泛化能力。对于单类别任务（如只检测苹果），也要注意样本分布均衡，避免全部集中在某一背景上。

数据收集完成后，需按标准结构组织目录。在项目根目录创建datasets/文件夹，结构如下：

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

通常按照 8:2 的比例划分训练集与验证集。原始图像放入对应images子目录，而.txt标签文件则复制到同名的labels子目录中，保持文件名一致。

特别提醒：
- 图像建议统一转为.jpg格式；
- 每张图必须有且仅有一个对应的.txt文件；
- 单类检测时标签索引只能写0，不能误标为1。

有了数据，下一步就是告诉模型“去哪里找”以及“要识别什么”。YOLO-v5 使用 YAML 配置文件完成这一任务。复制一份模板：

cp data/coco128.yaml data/apple.yaml

编辑data/apple.yaml：

train: ../datasets/images/train val: ../datasets/images/val nc: 1 names: ['apple']

这里的nc表示类别数量，names是类别名称列表。注意索引从 0 开始，所以第一个类别就是names[0]。

接着调整模型结构。虽然yolov5s原生支持 80 类（COCO 数据集），但我们可以通过迁移学习重用其主干网络（Backbone）和特征金字塔（FPN），仅替换最后的检测头。幸运的是，YOLO-v5 已内置此机制：只要.yaml中nc设置正确，加载预训练权重时会自动截断原有分类层并重新初始化。

因此无需手动修改网络结构，只需在训练命令中引用新的配置即可：

python train.py \ --img 640 \ --batch 16 \ --epochs 100 \ --data data/apple.yaml \ --weights weights/yolov5s.pt \ --cfg models/yolov5s.yaml \ --name apple_exp

参数说明：
---img：输入图像大小，常用 640×640，更高分辨率有助于小目标检测，但显存消耗更大；
---batch：根据 GPU 显存调整，RTX 3070 可尝试 16~32；
---epochs：一般设为 50~300，太少容易欠拟合，太多可能过拟合；
---name：实验名称，结果保存在runs/train/apple_exp/。

训练过程中终端会实时显示损失值（box_loss, obj_loss, cls_loss）和评估指标（precision、recall、mAP@0.5）。这些数字的变化趋势比绝对值更重要：理想情况下，loss 应逐渐下降，mAP 缓慢上升。

所有日志和模型都会自动保存在runs/train/apple_exp/目录中，包括：
-weights/best.pt：验证集 mAP 最高的模型；
-weights/last.pt：最后一个 epoch 的模型；
-results.png：训练曲线图；
-confusion_matrix.png：各类别识别准确率可视化。

如果你想更细致地观察训练动态，可以使用 TensorBoard：

tensorboard --logdir=runs

浏览器访问http://localhost:6006即可查看各项指标随时间变化的趋势图。

训练结束后，最重要的一步是验证效果。使用最佳模型对新图像进行推理：

python detect.py \ --weights runs/train/apple_exp/weights/best.pt \ --source data/images/test_apple.jpg \ --conf 0.5

--conf控制置信度阈值，默认 0.25，设高些可减少误检。检测结果保存在runs/detect/expN/，打开图像检查识别效果。

在我的测试中，经过 100 轮训练后，苹果识别准确率超过 95%，支持多目标同时检测，在 RTX 3070 上推理速度达 50+ FPS。即使拿手机拍摄的真实场景照片也能稳定识别。

当然，实战中难免遇到各种问题，以下是几个高频“坑点”及解决方案：

1. 报错提示 GitPython 未安装

某些系统环境下运行train.py会出现警告：

UserWarning: GitPython is not installed: ...

虽然不影响运行，但频繁刷屏很烦人。解决方法是在train.py开头添加：

import os os.environ["GIT_PYTHON_REFRESH"] = "quiet"

2. CUDA Out of Memory

显存不足是最常见的训练中断原因。应对策略包括：
- 降低--batch批次大小；
- 减小--img尺寸至 320 或 416；
- 使用梯度累积模拟大批次训练：

--batch-size 8 --accumulate 4 # 相当于 batch=32

3. 标签越界错误（Invalid YOLO label）

报错信息如Class label = 1 exceeds nc=1，说明.txt文件中写了1，但配置文件中nc=1，合法索引应为0。务必检查所有标签文件，确保类别索引不超过nc-1。

除了避坑，还有一些技巧能进一步提升性能：
-数据增强：YOLO-v5 默认开启 Mosaic 和 MixUp，显著增强模型鲁棒性；
-多尺度训练：加入--multi-scale参数，让模型适应不同尺寸输入；
-更强模型：若追求精度而非速度，可换用yolov5l或yolov5x；
-导出 ONNX：使用export.py将模型转换为 ONNX 格式，便于部署到边缘设备或 Web 应用。

这套流程不仅适用于识别苹果，也完全可以迁移到其他场景：工业零件缺陷检测、行人安全帽佩戴识别、农业作物病虫害诊断……只要你能采集到足够多样化的图像数据，YOLO-v5 就有能力学会“看懂”它们。

更重要的是，掌握这样一个成熟框架意味着你已经掌握了现代计算机视觉工程落地的核心能力：数据驱动建模、快速原型验证、模型优化与部署。下一步，不妨尝试训练一个多类别模型（如猫狗分类），或将模型部署到树莓派实现离线检测，甚至结合 Flask 构建一个简单的 Web 接口供他人调用。

技术的价值不在于复杂，而在于实用。YOLO-v5 的强大之处，正是它把复杂的深度学习变成了“人人都能动手”的工具。