企业官网建设流程全解析

简介：基于Python与Shell的YOLOv5花卉识别完整源码，面向有一定深度学习基础的计算机视觉学习者与开发者，可直接用于花卉检测、分类识别项目，以及毕业设计、课程实验或算法二次开发。压缩包共102个文件，大小约1.19MB，其中包含40个YAML配置、32个Python源文件、11个YML模板、5个Shell脚本，以及Dockerfile、Notebook教程、测试图片和说明文档等。配置与源码分离，YAML/YML文件便于按需调整数据集路径、超参数与模型结构；Python代码覆盖数据预处理、模型训练、验证、推理等核心环节；Shell脚本可自动化完成依赖安装、数据准备与训练启动，Dockerfile则有助于快速搭建一致的运行环境。资源另附tutorial.ipynb交互式教程和样例图片，清晰展示从原始数据到识别结果的完整处理链路。目前已有370人学习，整体结构清晰、易于上手，是一款适合快速搭建花卉识别应用的开源参考实现。

1. 先拆源码包：Python 管模型，Shell 管流程，跑通才是硬道理

标题里这个“基于Python与Shell语言的yolov5花卉识别模型设计源码”，说白了就是一个把 YOLOv5 训练和推理封装成两套脚本的项目：Python 负责模型训练、数据转换、推理这些真正吃算力的活，Shell 负责环境安装、目录创建、批量跑任务这些脏活累活。第一次打开这种源码包，最容易踩的第一个坑就是不知道从哪个文件开始执行——先跑训练脚本还是先跑环境脚本？我的答案是：别急着看 train.py，先把 Shell 脚本按顺序过一遍，环境不通后面全是黑匣子。适合谁？手里有花卉图片数据集、想用 YOLOv5 训练一个能识别具体花种的模型、又不满足于只在 Jupyter 里点运行的人。它解决的核心问题不是模型精度，而是“训练流程能不能一键复用”。

2. 从目录到环境：Shell 如何把 YOLOv5 训练前置流程串成一条龙

打开源码包的第一件事，建议先看目录结构，而不是找 train.py。原因很简单：这个项目把 Python 和 Shell 的边界设在“模型逻辑”和“流程编排”上，不搞懂边界位置，后面所有路径都会对不上。常见做法是：

flowers_yolov5/ ├── setup.sh # 环境安装脚本 ├── prepare_data.sh # 数据集划分脚本 ├── train.sh # 一键训练脚本 ├── detect.sh # 推理脚本 ├── data/ │ ├── flower_dataset.yaml # 数据集配置 │ ├── images/ # 原始图片 │ └── labels/ # YOLO格式标签 ├── yolov5/ # 官方YOLOv5源码 └── scripts/ ├── voc_to_yolo.py # Python标注转换 └── verify_data.py # 数据校验脚本

这个目录树里，setup.sh 管环境、prepare_data.sh 管数据、train.sh 管启动训练、detect.sh 管推理，它们都只负责“把命令按顺序跑完”；而 yolov5 目录里的 train.py、val.py、detect.py 才是模型真正的入口。Python 脚本对系统环境不敏感，但对路径和依赖敏感；Shell 脚本刚好反过来，路径错了它会提前暴露，环境缺了它会直接中断。所以源码包把这两类脚本组合在一起，本质是用 Shell 的可读性来降低 Python 项目的落地门槛。

2.1 Python 与 Shell 的分工边界：为什么要用两套语言

我一般会按这个标准来划分：需要条件判断、数据计算、动态生成内容的逻辑放 Python；需要操作文件、调用外部命令、按固定顺序执行的任务放 Shell。YOLOv5 训练流水线里正好有大量后者。比如虚拟环境创建、pip 安装、目录初始化、数据集切分、训练启动、权重备份，这些用 Shell 写出来，任何人拿到源码包都能看得懂执行顺序；而模型结构、损失计算、数据增强、后处理这些，放进 Python 才有办法调试和扩展。

有人觉得 Shell 脚本可有可无，直接在终端敲命令更灵活。真到了把训练任务交给定时任务或者部署到树莓派上的时候，你就明白需要一条可复现的脚本。用 shell 命令行串起来，换一台机器只需要改前几行的路径变量，后面完全不用动。这个源码包设计的合理之处就在于：Shell 不越界去写模型逻辑，Python 不越界去管系统依赖，两类文件各管一段，训练流程才不容易翻车。

2.2 环境配置脚本：把 Python、PyTorch 和 YOLOv5 依赖一次装齐

如果你按“python安装教程”那套思路先装 Python 再一个个装包，很容易装完 torch 发现版本和 CUDA 对不上，然后又去重装。源码包里一般都会带一个 setup.sh，把环境准备固化成一条命令。下面是我常用的写法：

#!/bin/bash # setup.sh —— 创建虚拟环境并安装 YOLOv5 依赖 set -e ENV_NAME="yolov5" PYTHON_VERSION="3.9" # 1. 创建 conda 虚拟环境 conda create -n $ENV_NAME python=$PYTHON_VERSION -y # 2. 激活虚拟环境，非交互环境下必须用 conda.sh 做初始化 source "$(conda info --base)/etc/profile.d/conda.sh" conda activate $ENV_NAME # 3. 安装 PyTorch 与 YOLOv5 依赖 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install -r yolov5/requirements.txt # 4. 验证关键依赖 python -c "import torch, cv2, PIL; print('env ready')"

这段脚本我一般放在源码包根目录，第一行 set -e 的意思是：只要中间任何一条命令失败，整个脚本立刻停止。实际踩坑点在第 2 步：在脚本里直接写 conda activate 经常会报 command not found，因为 conda 的初始化函数只在交互式 shell 里加载。提前 source conda.sh 是常见解法。至于 PyTorch 版本，要根据服务器 CUDA 版本调整，不熟的话先用 CPU 版跑通流程也行，别让版本选择卡住整个项目。本地用 vscode python环境配置调试时，记得在 vscode 底部选择这个 conda 环境，不要用系统默认解释器。

2.3 数据集切分脚本：用 Shell 在训练前把图片和标签按 8：1：1 拆好

花卉识别数据集不管是从网上下载还是自己拍照，原始文件通常堆在一个目录里。YOLOv5 训练时要求 train/val 分开，而且 images 和 labels 必须成对出现，手工拖文件夹不仅慢还容易漏。prepare_data.sh 就是为这个写的，核心是 Shell 的 find、shuf 和 while 循环：

#!/bin/bash # prepare_data.sh —— 把原始花卉图片和标签按 8:1:1 划分 RAW="data/raw" TRAIN="data/train" VAL="data/val" TEST="data/test" mkdir -p $TRAIN/images $TRAIN/labels mkdir -p $VAL/images $VAL/labels mkdir -p $TEST/images $TEST/labels # 生成随机排序的文件清单，shuf 保证每次划分顺序不同 find $RAW -name "*.jpg" | shuf > _all_images.txt TOTAL=$(wc -l < _all_images.txt) TRAIN_COUNT=$((TOTAL * 8 / 10)) VAL_COUNT=$((TOTAL * 1 / 10)) idx=0 while read -r img; do base=$(basename "$img" .jpg) label="$RAW/${base}.txt" # 没有对应标签的文件直接跳过，避免训练时报警 if [ ! -f "$label" ]; then echo "skip $img : label missing" continue fi if [ $idx -lt $TRAIN_COUNT ]; then dest=$TRAIN elif [ $idx -lt $((TRAIN_COUNT + VAL_COUNT)) ]; then dest=$VAL else dest=$TEST fi cp "$img" "$dest/images/" cp "$label" "$dest/labels/" idx=$((idx + 1)) done < _all_images.txt rm _all_images.txt echo "done. train=$TRAIN_COUNT val=$VAL_COUNT"

逻辑说明：先用 shuf 打乱图片列表，再用 wc -l 统计总数；Shell 的整数除法只有整除，所以 test 集的数量就是总数减去 train 和 val，不会多算。代码里用 basename 取出不带 .jpg 的文件名，拼出同名 txt 路径，这是最容易被忽视的一步。参数可调的是 8 和 1 的比例，如果图片数量不到 1000，我一般改成 8:2:0，把 test 也并入 val，节约标注样本。另外这里用的是 cp 而不是 mv，保留原始数据等于给自己留后悔药。

3. 用 Python 改数据集与超参：YOLOv5 花卉识别训练的入口配置

YOLOv5 源码本身是一个通用目标检测架子，想让它变成“花卉识别模型”，核心工作集中在这几个文件上：数据集配置文件 data/.yaml、超参数文件 data/hyps/.yaml，以及把原始标注转换成 YOLO 格式的 Python 脚本。很多教程只告诉你“改完就能训”，但花点时间搞懂每个字段为什么这么设计，后面调参才不抓瞎。

3.1 数据集 YAML 配置：nc 和 names 写错，训练立刻崩

用 yolov5 训练自己的数据集，最典型的就是先写数据集 yaml。这个文件告诉训练脚本去哪里找图片、有哪些类别。以五种常见花卉为例：

# data/flower_dataset.yaml path: /home/user/flowers_yolov5/data # 数据集根目录，建议用绝对路径 train: images/train val: images/val test: images/test nc: 5 names: 0: rose 1: sunflower 2: tulip 3: daisy 4: dandelion

参数说明：path 是根目录，train 和 val 是相对 path 的路径。YOLOv5 会根据 train 自动推导 labels 目录——如果 train 指向 images/train，那么 labels 必须放在 labels/train，两个目录呈同级关系。把这个结构理解透，后面遇到 “No labels found” 就能秒定位。nc 是类别总数，必须和 names 的长度一致；names 的索引顺序决定模型输出的数字对应哪朵花，这个顺序从训练到推理都要统一。

常见翻车点是相对路径。如果 path 写成 data/，而当前目录不在 data 上一级，训练时大概率找不到图片。我习惯把 path 写死成绝对路径，或者用 readlink -f 在 Shell 里动态解析，这样不管在哪个目录执行脚本都不会漂。

3.2 超参文件里最值得调的参数：lr0、mosaic、mixup

YOLOv5 源码里的 yolov5超参数 文件叫 hyp.scratch-low.yaml，控制着学习率、动量、数据增强强度。花卉识别任务视觉上靠颜色和纹理区分，和 COCO 那种通用检测不一样，所以超参必须改。下面是几个我在花卉任务里经常动的参数：

# data/hyps/hyp.scratch-low.yaml 中修改 lr0: 0.005 # 初始学习率，花卉数据量不大时从 0.01 降到 0.005 更稳 lrf: 0.2 # 最终学习率为 lr0 * lrf momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0 # 数据增强 mosaic: 0.8 # mosaic 增强概率，小数据集建议调低或关闭 mixup: 0.2 # 混合增强概率，类别间重叠多时才建议调高 fliplr: 0.5 # 左右翻转 hsv_h: 0.015 # 色调增强范围 hsv_s: 0.7 # 饱和度增强范围 hsv_v: 0.4 # 明度增强范围

参数说明：lr0 默认 0.01 是 COCO 百亿级样本的经验值，花卉数据集通常只有几千张，学习率太大会导致 loss 震荡；我一般先用 0.005 或者 0.003。mosaic 默认 1.0，意思是每张训练图都由四张图拼接生成，这对小目标和遮挡有帮助，但花卉识别更依赖整体颜色分布，四图拼接后经常出现一朵花被切一半、颜色混杂的情况，所以降到 0.8 甚至 0.5 更合理。mixup 是两张图混合，在类间比较像的 rose 和 tulip 之间有正效果，但如果数据量小，效果不稳定。hsv 增强参数要保守，后面避坑章节会单独说。

判断超参是否合适，最直接的做法是先用 20 个 epoch 跑一轮，观察训练集和验证集的 loss 曲线。如果训练 loss 下降而验证 loss 回升，说明增强不够或者模型过拟合；如果两条曲线都平着走，可能是学习率过小。

3.3 用 Python 把原始标注转成 YOLO 格式：XML 到 txt 的完整脚本

很多花卉数据集来自公开的 VOC 格式标注，也就是每个文件对应一个 XML。而 YOLOv5 只需要一个 txt，每行内容为：类别索引 中心点x 中心点y 宽度 高度。转换脚本是源码包里最标准的 Python 工具脚本，下面是我平时直接抄过来改的版本：

# scripts/voc_to_yolo.py # 把 Pascal VOC 格式的 XML 标注转成 YOLOv5 的 txt，输出归一化坐标 import os import xml.etree.ElementTree as ET # 类别名到索引的映射，必须和 flower_dataset.yaml 的 names 顺序一致 CLASS_MAP = {"rose": 0, "sunflower": 1, "tulip": 2, "daisy": 3, "dandelion": 4} def convert_annotation(xml_path, out_dir, img_w, img_h): tree = ET.parse(xml_path) root = tree.getroot() out_lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in CLASS_MAP: print(f"skip unknown class: {name}") continue xml_box = obj.find("bndbox") x_min = float(xml_box.find("xmin").text) y_min = float(xml_box.find("ymin").text) x_max = float(xml_box.find("xmax").text) y_max = float(xml_box.find("ymax").text) # 归一化到 [0, 1]，YOLO 格式是 center_x center_y width height x_center = (x_min + x_max) / 2.0 / img_w y_center = (y_min + y_max) / 2.0 / img_h w = (x_max - x_min) / img_w h = (y_max - y_min) / img_h out_lines.append( f"{CLASS_MAP[name]} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}" ) if out_lines: txt_name = os.path.splitext(os.path.basename(xml_path))[0] + ".txt" with open(os.path.join(out_dir, txt_name), "w") as f: f.write("\n".join(out_lines))

逻辑说明：YOLO 格式不接受左上角和右下角坐标，必须转成中心点加宽高，并且都除以图片宽高做归一化。img_w 和 img_h 不要从 XML 里读，因为很多 XML 里写的是标注时的尺寸而不是实际原图尺寸，正确做法是用 PIL 读取真实图片大小。类别名映射这里是简单字典，如果遇到不在映射里的类名，脚本会跳过并打印，这就是一种留痕，方便后续检查。这个脚本可以配合 Shell 的 for 循环批量执行：

for xml in data/raw/*.xml; do python scripts/voc_to_yolo.py "$xml" data/raw/labels 640 480 done

如果数据集是 csv 或 json 标注，转换思路完全一样，只是解析部分换成对应库。核心原则不变：输出一定是“类别索引 + 归一化中心点 + 归一化宽高”，且类别索引顺序和 yaml 完全一致。这个一致性一旦破坏，模型训练不报错，但推理结果会张冠李戴。

4. 启动训练并读验证指标：从命令行参数到 mAP 的完整闭环

数据集准备好了，下一步是把 YOLOv5 跑起来。这一步最容易翻车的不是模型结构，而是命令行参数设置。很多人习惯直接 python train.py 不带任何参数，结果用默认 COCO 的 80 类配置训练花卉模型，跑了两天发现类别数对不上。我的做法是先把一条最小可用的训练命令固定成 Shell 脚本，后面只改参数。

4.1 train.sh 里的参数逐个拆解：epochs、batch-size、imgsz、device

train.sh 是源码包里最核心的入口脚本。环境配置到位后，参数就是唯一的变量。下面这条命令可以覆盖绝大多数花卉识别训练需求：

#!/bin/bash # train.sh —— 一条命令启动花卉识别训练 set -e source "$(conda info --base)/etc/profile.d/conda.sh" conda activate yolov5 python yolov5/train.py \ --weights yolov5s.pt \ --data data/flower_dataset.yaml \ --epochs 100 \ --batch-size 16 \ --imgsz 640 \ --device 0 \ --workers 4 \ --project runs/flowers \ --name experiment_01

参数说明：--weights yolov5s.pt 是 COCO 预训练权重，花卉虽然不是 COCO 里的类别，但底层边缘、纹理特征通用，用迁移学习能让 loss 起点低一大截。如果下载困难，可以去掉这个参数从零训练，但收敛会慢很多，不建议。--epochs 先给 100，一个小规模花卉数据集通常 50 到 80 个 epoch 就收敛，多了容易过拟合。--batch-size 按显存定，8GB 显存跑 16 比较稳，24GB 可以上 32，爆显存时直接减半。--imgsz 是训练分辨率，640 是默认值，如果图片里花朵很小，可以试 1280，但显存和时间翻倍，先别冲动。--device 0 表示用第一张 GPU，树莓派上改成 --device cpu。--workers 默认 4，Windows 下如果报 DataLoader 相关错误，改成 0 可以绕过去。

还有一个容易被忽略的参数是 --cache。YOLOv5 会每次迭代都读图片，磁盘慢时训练速度被 IO 卡住，加上 --cache 可以把图片预加载到内存里，对文件数量大的花卉数据集效果明显，前提是内存足够。这个参数不会改变精度，只影响训练速度。

4.2 训练日志与结果文件：怎么判断模型在正常收敛而不是原地打转

训练结束后，所有结果在 runs/flowers/experiment_01 目录里。我一般先看三个东西：weights 目录下的 best.pt 和 last.pt、results.png、confusion_matrix.png。

results.png 是训练曲线的总览，包含 box_loss、obj_loss、cls_loss、precision、recall、mAP 六条曲线。判断标准很简单：训练 loss 应该整体下行，偶尔震荡正常；验证集的 precision 和 mAP 如果一路往上，说明模型在学；如果 loss 下降但 mAP 不涨，先看是不是类别不平衡，某种花占了八成样本，模型学成了“看到花就猜那一种”。

best.pt 是按验证集 mAP 自动保存的最优权重，last.pt 是最后一个 epoch 的权重。epochs 没跑够被中断时，可以用 last.pt 加 --resume 恢复训练，这就是后悔药。我自己习惯每隔几个 epoch 看一眼 runs/flowers/experiment_01/weights，如果 last.pt 的文件修改时间正常跳着走，说明训练进程没挂。

4.3 用 Python 验证脚本计算 mAP：一个可靠的判断标准

训练完成不等于模型能用。best.pt 在验证集上的表现才是可信的。YOLOv5 里验证入口是 val.py：

python yolov5/val.py \ --weights runs/flowers/experiment_01/weights/best.pt \ --data data/flower_dataset.yaml \ --task val \ --conf-thres 0.25 \ --iou-thres 0.45

参数说明：--task val 表示只跑验证集；--conf-thres 0.25 是置信度阈值，低于 0.25 的框不纳入计算；--iou-thres 0.45 是 NMS 的 IoU 阈值，两个框重叠超过 0.45 会被合并。val.py 会打印 P、R、mAP@0.5、mAP@0.5:0.95 四项核心指标。

mAP@0.5 是 IoU 阈值 0.5 下的平均精度，花卉检测任务里我一般要求它到 0.9 以上才算能用；mAP@0.5:0.95 是更严格的指标，取多个 IoU 阈值的平均，通常比 mAP@0.5 低十几个点，不用强求。验证完后还会生成 confusion_matrix.png，这个图非常重要：如果 rose 和 tulip 互相混，说明这两个类在模型眼里太像，需要从数据层补样本或者调整增强参数；如果某个类别 precision 高但 recall 低，说明框太紧或者漏检多，可以适当调低置信度阈值。

5. 花卉识别训练与部署避坑：五个高频故障的排查路径

YOLOv5 训练花卉模型，坑很少出现在模型结构上，大多藏在数据路径、标注格式、Shell 环境这类看起来不起眼的地方。下面五条是我在多个项目里反复遇到的，每条都按现象、原因、解决的顺序说清楚。

5.1 “No labels found”警报：标签路径对不上

现象：train.py 启动后终端反复输出 WARNING，提示 No labels found in data/train/images，但目录里明明有 txt 文件。原因：YOLOv5 会根据 train 路径推断 labels 路径，train 是 images/train，它就去 labels/train 找同名文件，不会扫描整个 data 目录。解决：确认 images 和 labels 是同级目录，即 data/train/images 与 data/train/labels，不是 data/images/train。训练前先用一段 Python 校验脚本扫一遍：

import os root = "data/train" img_dir = os.path.join(root, "images") lab_dir = os.path.join(root, "labels") imgs = os.listdir(img_dir) missing = [ f for f in imgs if os.path.splitext(f)[0] + ".txt" not in os.listdir(lab_dir) ] print(f"missing labels: {len(missing)}") if missing: print("\n".join(missing[:10]))

这个脚本的逻辑很简单：遍历 train images 目录下每张图，检查 labels 目录里是否存在同名 txt，最后把缺失列表打印出来。我每次训练前都会跑一遍，能把“训练到一半发现标注丢了几百个”这种事消灭在启动前。

5.2 CUDA out of memory：batch-size 与 imgsz 的妥协

现象：训练刚开始几十个迭代就崩，日志最后一行是 CUDA out of memory，有时在验证阶段才爆。原因：batch-size 和 imgsz 的乘积超过显存大小。解决：先把 batch-size 降到 8，imgsz 保持 640；如果还是爆，imgsz 降到 512，或者换更小的模型权重 yolov5n.pt。不要一上来就换大模型，花卉识别的目标不算极端小，yolov5s 训练到 95% 的 mAP 完全有可能。如果显存只有 4GB，可以试试 batch-size 4 加 --cache，用内存换显存。注意推理阶段同样会爆，部署到嵌入式设备时，imgsz 和 batch-size 都要按设备算力重设。

5.3 混淆矩阵里两个花种永远分不开：类名顺序与数据不均衡

现象：训练 loss 正常收敛，验证 mAP 也不低，但打开混淆矩阵发现 rose 和 tulip 互相错分，精度损失集中在这两个类上。原因有两个：第一是转换脚本里 CLASS_MAP 的顺序和 yaml names 顺序不一致，导致索引错乱；第二是这两个类别在图像上本身相似，且样本量差距大。解决：先检查分类映射，手动找出 rose 的标注在训练 txt 里是不是 0，如果不对应，立刻重新生成标注；确认映射无误后，对易混类增加训练样本，或者把这两个类的 fliplr 关闭——因为有些花旋转后形态确实会变，垂直翻转更少见。数据不均衡时，可以在数据切分时用占比而不是绝对数量来取样，让每个 class 都参与训练。

5.4 Shell 脚本报 command not found：CRLF 换行和 conda 环境

现象：执行 setup.sh 报 conda: command not found，或者报 /bin/bash^M: bad interpreter。原因：conda 的初始化函数只写在 .bashrc 里，非交互式 shell 默认不加载；脚本如果在 Windows 上用记事本改过，换行符是 CRLF，Linux 下会把 \r 当成命令名的一部分。解决：脚本开头加上 source 那两行，见第 2 章；换行问题用 sed 直接处理：

sed -i 's/\r$//' setup.sh

这是 shell 中常见坑里最典型的两个。我每次拿到源码包第一件事是把所有 .sh 跑一遍 sed 换行清洗，避免后面被这种低级错误卡半天。另外在 Linux 系统安装 Python 时不要覆盖系统自带的 python3，优先用 conda 虚拟环境隔离，避免污染系统环境。

5.5 训练 loss 很低但真实照片识别差：数据增强把颜色改没了

现象：训练集和验证集 mAP 都很高，拿手机拍一张真实花卉测试，要么漏检要么错检。原因：数据增强里的 HSV 参数范围过大，模型在训练时看到大量颜色被扭曲的“假花”，反而把颜色当成了噪声。花卉识别和行人检测不一样，颜色是最重要的特征之一。解决：把 hyp 文件里的 hsv_h 从 0.015 降到 0.005，hsv_s 从 0.7 降到 0.3，hsv_v 从 0.4 降到 0.2；同时把 mosaic 概率调回 0.8。如果想验证是不是增强的问题，可以临时把 mosaic 和 hsv 全部关掉，重新训练 20 个 epoch，对比同一批真实图片的检测结果。注意部署时的图像预处理要和训练时一致，YOLOv5 的 detect.py 会统一做归一化，不要自己在外面再套一层预处理。

6. 把推理封装成 Shell 一键脚本：批量验证与树莓派部署技巧

训练完 best.pt，不能只在验证集上看指标，要拿真实图片走一遍完整推理流程。YOLOv5 的 detect.py 本身支持单张和目录输入，但真正落地时我习惯用 Shell 脚本把批量推理和后处理串起来。

6.1 用 shell 脚本 for 循环批量跑 detect.py

#!/bin/bash # detect.sh —— 遍历本地图片目录，逐张执行 yolov5 推理 source "$(conda info --base)/etc/profile.d/conda.sh" conda activate yolov5 RESULT_DIR="runs/inference" mkdir -p $RESULT_DIR for img in data/test/images/*.jpg; do echo "process: $img" python yolov5/detect.py \ --weights runs/flowers/experiment_01/weights/best.pt \ --source "$img" \ --conf-thres 0.25 \ --project "$RESULT_DIR" done

这里的 shell 脚本 for 循环负责把每个文件路径传给 Python，避免在 Python 里手动拼接系统路径。detect.py 每次运行都会新建一个 exp 目录，所以如果不想让结果散落，可以在 --name 上指定统一名称。detect.py 输出目录里每张图会生成对应的 txt，内容是类别索引、置信度和归一化框坐标，这个 txt 就是 yolov5 后处理阶段最常读取的产物，后续做数量统计或者温度上报都从这里取数据。

6.2 导出 ONNX 并在树莓派 5 上验证推理速度

如果想把训练好的模型部署到树莓派 5 上跑实时识别，常见做法是先把 best.pt 导出成 ONNX，再交给 onnxruntime 加载。命令很简单：

python yolov5/export.py \ --weights runs/flowers/experiment_01/weights/best.pt \ --include onnx \ --dynamic

导出后用一段 Python 读取：import onnxruntime，session.run 输出检测框。树莓派 5 上 CPU 跑 yolov5s 的 ONNX，输入 640 分辨率大约几百毫秒级别，做静态图片识别够用。如果追求更快，可以继续量化或者缩减 imgsz，但至少先确认 ONNX 的推理和 PyTorch 原版结果对齐。我自己现在每次训练前都会先跑一遍 5.1 的标签校验脚本，确认每张训练图都有对应 txt，再执行 train.sh。这个习惯救过我很多次，因为很多训练翻车并不是模型结构问题，而是上游某个 label 文件悄悄丢了。希望帮到你。

本文还有配套的精品资源，点击获取