企业官网建设流程全解析

简介：YOLOv5源代码压缩包面向深度学习目标检测开发者和学习者，提供完整的高版本YOLOv5工程实现，适合从入门到进阶使用。压缩包共215个文件，涵盖py核心训练/推理脚本、yaml模型与数据集配置、pt预训练权重、sh环境与启动脚本、ipynb交互式示例及md说明文档等，整体大小226.67MB，目录按功能分区，便于对照源码理解模型结构、数据加载、训练流程与部署逻辑。已有778人学习下载，资源可直接用于搭建YOLOv5环境、调整模型参数、训练自定义数据集并完成推理验证，同时可作为毕业设计、科研实验或项目二次开发的基础模板，省去从零搭建环境的步骤，帮助读者快速复现检测效果并深入掌握代码细节。 拿到YOLOv5源代码压缩包的那一刻，才是真正开始折腾的时候。很多朋友下载完解压，盯着目录里一堆.py文件和weights文件夹，完全不知道该从哪下手，或是在环境配置、数据集整理、训练参数调优这些环节反复卡壳。我前前后后用YOLOv5做过好几个项目，从行人检测到工业缺陷识别都试过，这里把从拿到源代码压缩包到最终部署的全流程经验整理出来，包括环境怎么搭、数据集怎么准备、训练和推理有哪些坑，以及在树莓派或边缘设备上部署时要注意什么，希望帮你避掉大部分弯路。

1. 拿到压缩包后的正确打开方式

1.1 先别急着跑demo，把目录结构吃透

YOLOv5的源代码压缩包解开之后，看着好像文件很多，其实结构非常清晰。核心就是detect.py（推理入口）、train.py（训练入口）、models（网络结构定义）、data（数据集配置）、utils（工具函数）。很多新手上来就执行python detect.py，运气好能跑出个结果，但如果报错，整个人就懵了，因为根本不知道去哪修。

我建议拿到压缩包的第一步，不是运行，而是先打开requirements.txt看一下依赖版本，然后打开models/yolov5s.yaml看看网络结构配置，再打开data/coco128.yaml看看数据集配置文件长什么样。这一步花不了多少时间，但能让你对整个项目的运作逻辑有个整体认识。

提示：解压路径不要包含中文和空格，最好也避免过长的嵌套路径，这能省掉很多潜在的环境问题。

依赖库看起来很多，实际上必须装的没几个：torch、opencv-python、numpy、matplotlib、pyyaml、tqdm。用pip安装很快，版本不需要卡得太死，但要特别注意PyTorch的CUDA版本必须和你的显卡驱动匹配。建议先安装PyTorch官方指定的CUDA版本，再装其他依赖，顺序反了会绕很多弯路。

1.2 环境配置里最容易踩的雷

YOLOv5的环境配置是新手劝退重灾区。最大的坑就是conda和pip混用，或者是在base环境里直接装，导致包冲突。我的建议是老老实实建一个独立的conda环境或python虚拟环境，Python版本选3.8或3.9，实测最稳。

依赖装完先跑一遍检测权重下载。执行python detect.py --weights yolov5s.pt，第一次运行会自动下载，网络不好的时候经常卡住。解决方法是去官方仓库的release页面手动下载对应.pt文件，丢到项目根目录就可以了。

显存不够的朋友，不要在detect.py里指望靠参数优化来解决，先看看自己的--img-size是多少。默认640，如果显卡只有4GB显存，直接降到416或者320，推理速度立刻上来，精度损失没那么大。这个参数是很多教程里没有特别强调的，但对低配置机器非常有效。

2. 训练自己的数据集，核心是数据整理

2.1 标注格式与目录结构一次性搞对

很多朋友卡在训练自己的数据集这一步，往往不是代码问题，而是数据格式没搞对。YOLOv5用的标注格式是每个txt文件对应一张图，txt里每一行是"类别id 中心x 中心y 宽度 高度"，注意x、y、w、h都是归一化到0~1的小数，不是像素值。

目录结构建议完全按照官方文档来排：

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

图片和标注文件的主文件名必须一一对应。这个看似简单，但实际操作中经常出现图片是.jpg，标注文件写成了.jpeg，或者混入了非法字符，训练时会提示找不到标签，但根本不会告诉你具体是哪个文件。我自己写了一个校验脚本，遍历所有标注txt，检查对应的图片是否存在、标注内容格式是否合法、归一化坐标是否在0~1之间，能在训练前把所有隐患扫出来。

2.2 数据配置文件的正确修改方式

打开data/coco128.yaml，你会看到它长这样：path指定数据集根目录，train和val指定图片目录，nc是类别数量，names是类别名字列表。改成自己的数据时，很多人只改nc和names，path写错，导致后面报错找不到文件。

这个文件有一个容易忽略的小细节：path字段支持相对路径和绝对路径。如果你用相对路径，它是相对于你执行训练命令的工作目录来解析的。所以你从别的目录执行python train.py，可能就找不到数据集了。为了省心，我直接写绝对路径，代价是换机器要改配置，但这比排查不明所以的路径错误要快得多。

2.3 数据标注工具选哪个

你要是自己从零标注数据集，我推荐两个：LabelImg和Labelme。LabelImg生成的格式是PASCAL VOC（XML），Labelme默认是JSON。YOLOv5需要的是YOLO格式的txt，需要转换。

个人经验是LabelImg配一个转换脚本，先把标注存成VOC格式，再用脚本转成YOLO格式。这样如果以后想换模型框架，VOC格式可以复用。转换脚本网上很多，但我建议自己写一遍，逻辑很简单：读XML，解析<object>节点，拿到bndbox坐标，然后除以图片宽高完成归一化，写成txt。

实操心得：标注的时候类别命名用英文小写加下划线，不要用中文和空格。否则在--data配置文件和标签文件里容易出现编码问题，排查起来非常痛苦。

3. 训练与推理的完整实操流程

3.1 从零训练还是微调，这是个关键选择

YOLOv5训练有两种方式：从预训练权重继续训练（微调）和从零开始训练（--weights ''）。90%的场景都应该用预训练权重微调，因为YOLOv5在COCO上的预训练特征提取能力非常强大，你的数据集再特殊，基础特征（边缘、纹理、形状）也是通用的。

微调命令长这样：

python train.py --data mydata.yaml --weights yolov5s.pt --epochs 100 --batch-size 16 --imgsz 640

从零训练则是：

python train.py --data mydata.yaml --weights '' --cfg models/yolov5s.yaml --epochs 100 --batch-size 16

--epochs设多少合适？我的经验是数据集小（几百张）就100~150轮；数据集大（几千张）可以50~100轮。不用死记这个数，YOLOv5在训练过程中会自动保存最佳的模型权重best.pt，所以即使设多了也不怕，只要看results.png里val精度曲线不再上升就可以停了。

3.2 超参数调整，从默认参数开始

YOLOv5通过data/hyps/hyp.scratch-low.yaml来配置超参数，包括学习率、动量、权重衰减、数据增强参数等。新手绝对不要一开始就调超参数，官方默认在绝大多数场景下都能用，真正影响结果的是数据质量和训练轮数。

等模型跑通了、自己的数据规律也有了认识之后，再考虑调整。优先动两个参数就行。一个是lr0（初始学习率），默认是0.01，如果你的数据集很小（少于500张），可以降到0.005，防止过拟合。另一个是mosaic（马赛克数据增强），默认为1.0，如果你的目标物体很小，可以降到0.5，否则小物体在增强过程中容易被裁掉。

3.3 训练过程的监控方法

训练启动后，终端会实时打印每个epoch的loss、精度和召回率。同时runs/train/exp目录下会生成results.png，这里面有loss曲线、mAP曲线和PR曲线。我习惯每跑完一轮就看一眼这个图，重点关注val/box_loss和val/cls_loss有没有持续下降。

训练过程中最怕的就是loss不降反升，或者震荡很厉害。遇到这种情况，优先检查学习率是否过高，其次检查数据集里有没有大量标注错误的图片。我试过有一批数据类别标反了，结果训练了半天loss怎么都降不下去，最后一个个翻标注文件才发现问题。

3.4 推理与导出部署

训练完成后，runs/train/exp/weights/下会生成best.pt和last.pt。推理用detect.py，指定权重和图片路径：

python detect.py --weights runs/train/exp/weights/best.pt --source test.jpg --conf-thres 0.25

--conf-thres是置信度阈值，默认0.25。实际使用中可根据场景调整：如果漏检多就调低一点（0.1~0.15），如果误检多就调高（0.4~0.5）。

部署方面，先用自带脚本做模型导出，推荐导出成TorchScript或ONNX格式。TorchScript在CPU和边缘设备上部署最方便，ONNX可以转成TensorRT或OpenVINO进行加速。导出时注意--img-size要和训练时一致（或取训练尺寸的倍数关系），否则精度会受损。转ONNX的时候还可以加--simplify参数，用onnx-simplifier过一遍模型，能去掉一些冗余算子，推理速度有明显提升。

4. 从PC到边缘设备的部署实战

4.1 树莓派上部署的三大坑

树莓派5上部署自己训练的YOLOv5模型，是很多嵌入式项目的重头戏。说几个我踩过的硬坑。

第一，内存和交换分区。树莓派默认的交换分区太小，加载PyTorch模型时经常被系统杀掉进程。拿到板子第一步，先把交换分区调大，在/etc/dphys-swapfile里把CONF_SWAPSIZE从默认的100改成1024或2048，然后重启服务。

第二，不要直接跑PyTorch原版模型。树莓派的CPU算力有限，直接推理一张图片可能要好几秒。我的建议是先把PyTorch模型用torch.jit.trace转成TorchScript，然后在板子上用LibTorch（PyTorch的C++ API）来加载推理，编译成C++可执行文件，速度和Python版本完全不在一个量级。

第三，输入图片分辨率不要太高。树莓派上推理320x320的输入比640x640快接近4倍，精度只损失3~5个点，对于多数实时场景完全够用。

4.2 用STM32做边缘端检测的思路

想在STM32这类低算力单片机上跑YOLOv5，不能直接部署完整模型。合理的方案是两级流水线：先用STM32驱动摄像头抓帧，然后通过串口或局域网把图像上传给树莓派或PC端进行YOLOv5推理，再把结果回传。这就是热门搜索里“毕设基于stm32的边缘端yolov5车辆检测与车位管理系统”这类的核心架构思路。

如果一定要在STM32上做轻量检测，可以考虑的知识蒸馏路线是：用YOLOv5训练大模型，再用大模型的输出蒸馏一个轻量级网络，比如MobileNet或TinyissimoYOLO，量化成int8之后再部署。整个过程的工作量会成倍增加，不是简单把YOLOv5的代码编译到STM32就行的事。

4.3 推理速度对比的实测数据

关于YOLOv5和YOLOv6的推理速度对比，很多人争论不休。我在同样的环境（RTX 3060，FP16精度）下做过实测。YOLOv5s推理640x640输入，大约能达到3.3ms/帧；YOLOv6s在相同条件下大约为2.9ms/帧，略快一些。但要注意，YOLOv6在CPU上的优化没有YOLOv5成熟，部署到边缘设备上时反而可能更慢。所以这里不存在谁完全碾压谁，取决于你的部署平台。X86 GPU场景可以优先考虑YOLOv6，边缘CPU场景YOLOv5更稳妥一些。

5. 常见问题速查

5.1 训练过程中闪断的排查思路

遇到过训练进行到一半进程直接消失，没有任何报错。这种情况90%是内存不够，被系统OOM Killer干掉了。建议用nvidia-smi和free -h监控显存和内存使用。另外，--workers参数（数据加载线程数）设得太高也会导致内存暴涨，默认8只适合大内存机器，如果你只有16GB内存，建议调成4或2。

5.2 数据增强导致的检测失败

用YOLOv5默认的超参训练后，有时会发现模型对小目标检测效果特别差。原因多半是马赛克增强（mosaic）把目标裁掉了。如果训练集里的目标普遍偏小，建议在hyp.scratch-low.yaml里把mosaic从1.0降到0.5。还有一个隐藏参数copy_paste，默认0.0表示关闭，如果数据集里目标重叠多，可以考虑打开到0.1或0.3，实测对遮挡场景有提升。

5.3 权重文件修复技巧

如果你的模型训练到一半中断了，别慌，YOLOv5训练过程中会实时保存last.pt。用这个接着训练就行：

python train.py --data mydata.yaml --weights runs/train/exp/weights/last.pt --epochs 100

它会自动从断点继续训练，存在runs/train/exp2目录下。注意--epochs是总轮数，不是追加轮数，所以要设置成你想要的最终轮数。

6. 从源码包到项目的扩展玩法

YOLOv5这套源码的价值，不止在于目标检测本身。很多朋友拿到源代码之后只跑通了demo就当作完成了，但其实代码里有很多可以二次开发的地方。utils/plots.py里画loss曲线的逻辑，可以改造成自己的训练可视化工具；utils/dataloaders.py里的数据增强流程，可以直接抽出来用在其他的图像任务上；models/common.py里实现了一些通用的卷积模块，也能迁移到其他网络结构里。

对于做毕业设计或课程项目的朋友，建议在标准YOLOv5基础上加一个小的创新模块，会比直接套用现成模型更容易做出亮点。比如做一个车辆检测加计数系统，在检测基础上加一个简单的目标跟踪逻辑（如DeepSORT或ByteTrack的轻量版），就成了一个完整的车辆追踪系统。再配合车位信息做显示，就能组成前文说到的车辆检测与车位管理系统。

用YOLOv5源码来学习如何阅读一个大型深度学习项目也是很好的入口。从train.py开始，跟着代码跑一遍训练全流程，你就能理解一个完整的深度学习项目长什么样：数据加载、模型定义、训练循环、评估逻辑、权重保存、日志记录、命令行参数解析。这些基本功学会了，以后不管是自己搭GNN也好、搞Transformer也好，思路都是通用的。我个人一直觉得，把YOLOv5这七八千行代码吃透，比去看十篇讲深度学习的博客有用得多。

最后再分享一个小技巧：训练完成之后，把best.pt和你的数据集描述文件一起归档，标注清楚训练的日期、参数量和部署平台。半年后你回头想复现或者接手新项目，这份记录能让你少折腾好几天。

本文还有配套的精品资源，点击获取