从OpenMV到YOLOv5：我的简易颜色形状识别项目升级踩坑记

从OpenMV到YOLOv5我的简易颜色形状识别项目升级踩坑记去年参加机器视觉比赛时我用OpenMV做了一个颜色和形状识别的原型系统。虽然最终勉强完成了任务但调试过程中那些反复调整颜色阈值、被相似色物体干扰的夜晚至今记忆犹新。当时就意识到传统图像处理方法的局限性但直到最近才有机会尝试用YOLOv5重构这个项目。这篇文章记录了我从基于阈值的识别系统升级到深度学习方案的完整历程希望能给同样遇到识别精度瓶颈的朋友一些参考。1. 为什么OpenMV的阈值识别会力不从心1.1 传统颜色识别的核心痛点OpenMV的find_blobs()函数配合LAB颜色阈值确实能快速实现基础识别但实际部署时会遇到几个典型问题环境光敏感同一物体在不同光照下LAB值波动明显阈值边界模糊红色(27,54,-35,59,3,68)与橙色的参数区间容易重叠形状误判当物体部分遮挡时find_rects()和find_circles()的准确率急剧下降# 典型OpenMV颜色阈值设置 red_threshold [(27,54,-35,59,3,68)] blue_threshold [(37, 74, -80, 6, -100, -5)]1.2 精度瓶颈的量化分析我在实验室环境下用标准色卡做了组对比测试识别对象OpenMV准确率主要误判原因红色矩形78%橙色物体干扰绿色三角形65%反光导致LAB值偏移黄色圆形82%部分遮挡时识别为半圆提示当需要超过3个颜色阈值时传统方法的维护成本会指数级上升2. 转向深度学习的决策过程2.1 方案选型的关键指标评估了三种升级路径后我制作了对比表格方案开发成本硬件要求识别精度适用场景优化OpenMV阈值低OpenMV即可85%简单固定场景传统CV算法组合中需要树莓派90%左右动态光照环境YOLOv5迁移学习高需要GPU训练95%复杂多变场景2.2 YOLOv5的独特优势选择YOLOv5主要考虑这些因素端到端识别同时输出物体位置和类别概率轻量化版本n/s/m/l/x五种预训练模型可选数据增强自动处理光照、遮挡等复杂情况部署灵活支持导出ONNX/TensorRT格式# 安装YOLOv5环境 git clone https://github.com/ultralytics/yolov5 pip install -r requirements.txt3. 数据集构建的实战技巧3.1 高效标注方法使用LabelImg工具时发现几个省时技巧对相似物体使用批量标注功能设置快捷键加速标注过程采用YOLO格式保存标注文件# 标注文件示例 0 0.5 0.5 0.2 0.3 # 类别 中心x 中心y 宽度 高度3.2 数据增强策略通过修改data/hyps/hyp.scratch-low.yaml实现# 关键增强参数 hsv_h: 0.015 # 色相抖动 hsv_s: 0.7 # 饱和度增强 fliplr: 0.5 # 水平翻转概率4. 模型训练与部署的踩坑记录4.1 训练参数调优在Colab上训练时需要注意学习率初始设为0.01batch32时可适当增大早停机制设置patience100避免过早终止冻结层数迁移学习时建议先冻结backbone# 启动训练示例 python train.py --img 640 --batch 16 --epochs 300 --data shapes.yaml --weights yolov5s.pt --cache --device 04.2 边缘设备部署方案将模型部署到树莓派OpenMV组合时使用export.py导出ONNX格式通过TensorRT加速推理OpenMV只负责图像采集注意树莓派4B上推理速度约2-3FPS实时性要求高需改用Jetson Nano5. 新旧方案效果对比5.1 精度提升实测在相同测试集上的表现指标OpenMV方案YOLOv5方案提升幅度mAP0.50.710.9432%推理速度25FPS8FPS-68%抗干扰性差优秀-5.2 典型场景示例案例1光照变化环境OpenMV阈值需要动态调整YOLOv5自动适应不同光照条件案例2部分遮挡物体OpenMV形状特征提取失败YOLOv5仍能保持80%以上识别率6. 给进阶开发者的实用建议混合方案简单场景仍可用OpenMV预处理模型裁剪使用--prune参数减小模型体积主动学习针对识别错误的样本重点标注# 混合方案示例代码 if simple_case: openmv_detect() else: yolov5_detect()从OpenMV到YOLOv5的升级过程中最大的收获不是精度提升本身而是理解了不同技术方案的适用边界。现在回看当初那个在宿舍调试阈值到凌晨的自己反而感谢那段经历打下的基础——正是清楚传统方法的局限才更懂得如何发挥深度学习的优势。