YOLO-V5从安装到运行：完整流程详解，避免踩坑指南

YOLO-V5从安装到运行完整流程详解避免踩坑指南1. 环境准备与快速部署1.1 系统要求在开始之前请确保你的系统满足以下最低要求操作系统Ubuntu 18.04/20.04 或 Windows 10/11建议使用Linux环境Python版本3.7-3.9不推荐3.10及以上版本CUDA11.1如果使用GPU显存至少4GB运行yolov5s模型1.2 一键安装方法最简单的方式是使用我们提供的预装镜像已经配置好所有依赖# 拉取镜像假设你已经配置好Docker环境 docker pull csdn-mirror/yolo-v5:latest # 运行容器 docker run -it --gpus all -p 8888:8888 csdn-mirror/yolo-v5如果你希望从源码安装可以按照以下步骤git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt常见安装问题解决PyTorch安装失败先确认CUDA版本nvidia-smi到PyTorch官网获取对应安装命令OpenCV导入错误尝试pip uninstall opencv-python opencv-python-headless然后pip install opencv-python-headless权限问题在命令前加sudo或使用虚拟环境python -m venv yolov5_env source yolov5_env/bin/activate2. 基础概念快速入门2.1 YOLO-V5核心特点YOLO-V5之所以广受欢迎主要因为速度快在同样精度下比前代快2-3倍易部署支持导出为ONNX、TensorRT等多种格式模块化设计清晰的结构便于二次开发预训练模型丰富提供s/m/l/x四种尺寸模型2.2 关键术语解释术语解释示例Bounding Box物体检测框[x_center, y_center, width, height]mAP平均精度0.85表示85%的检测准确率Anchor预设检测框尺寸用于匹配不同大小的物体NMS非极大值抑制去除重复检测框的算法3. 分步实践操作3.1 快速测试预训练模型让我们先用官方提供的预训练模型测试一张图片import torch # 加载模型自动下载yolov5s.pt model torch.hub.load(ultralytics/yolov5, yolov5s) # 检测图片 img https://ultralytics.com/images/zidane.jpg results model(img) # 显示结果 results.show()运行后会弹出窗口显示检测结果你会在图片上看到各种物体的边界框和类别标签。3.2 使用自己的图片/视频要检测本地文件只需修改输入路径# 检测本地图片 results model(path/to/your/image.jpg) # 检测视频 results model(path/to/your/video.mp4) # 保存结果 results.save() # 保存到runs/detect/exp目录3.3 常用参数调整通过修改参数可以获得不同效果# 调整置信度阈值默认0.25 model.conf 0.5 # 只显示置信度50%的检测 # 调整IOU阈值默认0.45 model.iou 0.3 # 更宽松的重叠检测过滤 # 只检测特定类别 model.classes [0, 14] # 0人, 14鸟4. 训练自定义模型4.1 准备数据集YOLO-V5需要特定格式的数据集dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/每个图片对应一个.txt标签文件格式为class_id x_center y_center width height4.2 创建数据配置文件在data/目录下新建mydata.yaml# 训练和验证图片路径 train: ../dataset/images/train/ val: ../dataset/images/val/ # 类别数 nc: 3 # 类别名称 names: [cat, dog, person]4.3 开始训练运行训练命令python train.py --img 640 --batch 16 --epochs 100 --data data/mydata.yaml --weights yolov5s.pt关键参数说明--img 640输入图像尺寸--batch 16批次大小根据显存调整--epochs 100训练轮次--weights yolov5s.pt预训练模型4.4 监控训练过程训练时会自动生成以下内容日志在终端输出各项指标曲线图在runs/train/exp目录下模型检查点每轮保存到runs/train/exp/weights5. 模型导出与部署5.1 导出为ONNX格式python export.py --weights runs/train/exp/weights/best.pt --include onnx5.2 导出为TensorRTpython export.py --weights runs/train/exp/weights/best.pt --include engine --device 05.3 部署到生产环境导出的模型可以通过以下方式使用# 加载ONNX模型 import onnxruntime session onnxruntime.InferenceSession(best.onnx) # 准备输入 inputs {session.get_inputs()[0].name: processed_img} # 推理 outputs session.run(None, inputs)6. 常见问题解答6.1 模型加载失败问题RuntimeError: Unable to load model解决检查模型路径是否正确确保PyTorch版本匹配尝试重新下载模型torch.hub._download_url_to_file(url, dst)6.2 训练时显存不足问题CUDA out of memory解决减小--batch-size如从16降到8减小--img-size如从640降到320使用更小的模型如yolov5n6.3 检测结果不准确问题漏检或误检多解决调整--conf-thres如从0.25提高到0.5增加训练数据量检查标签是否正确7. 总结与下一步7.1 关键要点回顾通过本教程你应该已经掌握YOLO-V5环境搭建与安装使用预训练模型进行目标检测训练自定义数据集模型导出与部署常见问题解决方法7.2 进阶学习建议想要更深入掌握YOLO-V5建议阅读源码models/yolo.py理解网络结构尝试修改数据增强策略学习TensorRT加速部署参与官方GitHub社区的讨论获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。