YOLOv5 配置与训练笔记

自用备份，Windows 端 YOLOv5 配置和训练为主，代码为核心，记录踩坑和关键点。

环境准备

• 系统：Windows 10/11
• Python：3.9（其他版本容易崩）
• GPU（可选）：NVIDIA + CUDA 11.8（CPU 也能跑，慢点）
• FFmpeg：解压后放根目录（视数据集需求）

下载与安装

直接去 YOLOv5 项目页，点“Code”按钮，选“Download ZIP”。解压到 D:\YOLOv5（路径自定）。

进目录，双击 detect.py 检查环境，或者手动装：

• Python 3.9：

  python --version  # 确认 3.9.x
  

• 建虚拟环境：

  python -m venv venv
  venv\Scripts\activate
  

• 装依赖：

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

• PyTorch：

  • GPU：

    pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
    

  • CPU：

    pip install torch torchvision torchaudio
    

  • 检查：

    python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"
    

数据集准备

• 打标工具：用 labelImg
  • 安装：

    pip install labelImg
    

  • 运行：

    labelImg
    

  • 注意：保存格式选 YOLO，生成 .txt，每行 class x_center y_center width height（归一化）。
• 目录结构：

  D:\YOLOv5\data\
    images\
      train\
      val\
    labels\
      train\
      val\
  

• 配置 data.yaml：

  train: D:/YOLOv5/data/images/train
  val: D:/YOLOv5/data/images/val
  nc: 2
  names: ['cat', 'dog']
  

• 注意：训练集每类至少 50-100 张，验证集 10-20%，太少过拟合。

训练

1. 跑训练：

   python train.py --img 640 --batch 16 --epochs 50 --data data/data.yaml --weights yolov5s.pt
   

   • 参数：--img 图片大小，--batch 批次，--epochs 轮数，--weights 预训练模型。
2. 输出：runs\train\exp\weights\best.pt（最佳权重），runs\train\exp\results.txt（日志）。

TensorBoard 配置

• 安装：

  pip install tensorboard
  

• 运行：

  tensorboard --logdir runs/train
  

• 浏览器打开：http://localhost:6006，看 loss、mAP 等曲线。
• 注意：训练时日志默认存 runs/train，多实验会分 exp, exp2。

推理

1. 命令行推理：

   python detect.py --weights runs/train/exp/weights/best.pt --img 640 --conf 0.25 --source data/images/test
   

   • --source 常用：
     • data/images/test：文件夹
     • image.jpg：单图
     • video.mp4：视频
     • 0：摄像头
2. 结果：runs\detect\exp。

WebUI 配置（Gradio）

• 安装：

  pip install gradio
  

• 新建 webui.py（放 D:\YOLOv5 下）：

  import torch
  import gradio as gr
  
  model = torch.hub.load("./", "custom", path="./runs/train/exp/weights/best.pt", source="local")
  
  title = "基于Gradio的YOLOv5演示项目"
  desc = "这是一个基于Gradio的YOLOv5演示项目"
  
  gr.Interface(inputs=[gr.Image()],
               outputs=["image"], 
               title=title,
               description=desc,
               fn=lambda img: model(img).render()[0]
               ).launch()
  

• 运行：

  python webui.py
  

• 浏览器打开弹出的地址（默认 http://127.0.0.1:7860），上传图片，显示检测结果。
• 注意：权重路径改成自己的（比如 runs/train/exp/weights/best.pt）。

属性介绍

• 模型变体：
  • yolov5s：快，低精度
  • yolov5m：平衡
  • yolov5l：高精度，显存多
  • yolov5x：最强，慢
• 超参数（data/hyp.scratch.yaml）：
  • lr0：学习率，默认 0.01
  • momentum：动量，默认 0.937
  • box：框损失，默认 0.05
• 数据增强：默认开 mosaic。

注意

• 显存不足：调小 --batch 或用 yolov5s。
• 推理慢：加 --half 半精度。
• 标签错：检查 data.yaml 和 .txt 一致。
• 数据集小：每类 <50 张精度差。

问题

• 训练卡住：换源或手动下权重。
• 检测不出：路径错或 --conf 太高。
• CUDA 报错：版本不匹配。
• TensorBoard 空白：确认 runs/train 有日志。
• WebUI 报错：检查权重路径或 Gradio 版本。

补充

• 数据集：可用 Roboflow 导出 YOLO 格式。
• 调试：训练加 --nosave。