Duruofu's blog

Appearance

YOLO 快速入门：从图像到目标检测的第一步 ​

一、YOLO 介绍 ​

1.1 YOLO 是什么？ ​

YOLO，全称 You Only Look Once，是一种实时目标检测算法，它可以在一张图像中快速识别多个目标的位置和类别。YOLO 以其高效和实时性能广泛应用于安防、自动驾驶、智能监控等领域。

1.2 YOLO 的核心思想 ​

传统的目标检测方法通常分为两个阶段：

  1. 先提取候选区域（Region Proposals）；
  2. 再对每个区域进行分类。

而 YOLO 则采用单阶段检测的方式，直接把目标检测当成一个回归问题来处理：

  • 输入一张图像；
  • 网络直接输出每个目标的：
    • 类别（比如：人、狗、车）；
    • 位置信息（边界框坐标）；
    • 置信度（置信评分）。

1.3 YOLO 的演进版本 ​

YOLO 系列已经发展了多个版本：

版本特点
YOLOv1最初版本，速度快但准确度一般
YOLOv3多尺度检测，引入残差结构
YOLOv4性能全面提升，加入大量优化技巧
YOLOv5用 PyTorch 编写，轻量、开源活跃
YOLOv6/7/8不同团队推出，精度和速度进一步优化

💡 新手推荐使用 YOLOv5 或 YOLOv8，文档丰富、社区活跃、支持导出 ONNX 等多种部署格式。

二、尝试使用YOLO(快速入门) ​

以YOLO V5为例，这里我使用uv来管理Python虚拟环境(请自行提前安装uv和python 注意：Python>=3.8.0 )：

克隆 YOLOv5 仓库 并安装依赖环境：

bash
git clone https://github.com/ultralytics/yolov5 
cd yolov5
uv venv
.venv\Scripts\activate
uv pip install -r requirements.txt

如下图：

下载得到的Yolo5文件夹目录如下：

其中重要的文件解释如下、做了解即可：

yolov5/                           # YOLOv5 项目根目录
├── classify/                     # 分类任务相关代码
├── data/                         # 数据集配置文件 (coco128.yaml 等)
├── models/                       # 模型结构定义 (yolov5s.yaml 等)
├── segment/                      # 分割任务相关代码
├── utils/                        # 工具函数 (增强、NMS、日志、绘图等)
├── detect.py                     # 推理脚本 (图片/视频/摄像头检测)
├── train.py                      # 训练脚本
├── val.py                        # 验证脚本 (mAP 等指标)
├── export.py                     # 模型导出脚本 (ONNX, TensorRT, CoreML...)
├── hubconf.py                    # 允许 torch.hub.load 加载模型
├── benchmarks.py                  # 性能基准测试
├── requirements.txt              # Python 依赖库清单
├── pyproject.toml                 # 项目配置 (构建/依赖信息)
├── LICENSE                       # 开源许可证 (AGPL-3.0)
├── README.md                     # 项目说明 (英文)
├── README.zh-CN.md               # 项目说明 (中文)
├── CONTRIBUTING.md               # 贡献指南
├── CITATION.cff                  # 学术引用文件
├── .git/                         # Git 版本控制文件夹
├── .github/                      # GitHub 配置 (CI/CD workflows)
├── .gitignore                    # Git 忽略规则
├── .dockerignore                 # Docker 忽略规则
├── .venv/                        # 虚拟环境 (本地生成，不是源码自带)

下面我们使用推理脚本 detect.py 来进行目标检测的初次尝试，官方文档里给的指令很清晰，有下面这些：

python detect.py --weights yolov5s.pt --source 0                              # webcam
python detect.py --weights yolov5s.pt --source image.jpg                      # image
python detect.py --weights yolov5s.pt --source video.mp4                      # video
python detect.py --weights yolov5s.pt --source screen                         # screenshot
python detect.py --weights yolov5s.pt --source path/                          # directory
python detect.py --weights yolov5s.pt --source list.txt                       # list of images
python detect.py --weights yolov5s.pt --source list.streams                   # list of streams
python detect.py --weights yolov5s.pt --source 'path/*.jpg'                   # glob pattern
python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4' # YouTube video
python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream

这里我们使用第一种来加载我们的电脑摄像头：

使用命令（这里的--source 0 值摄像头编号，这里我有多个摄像头，我使用1号）：

bash
python detect.py --weights yolov5s.pt --source 1

运行后效果如下：

这样我们就完成了一次目标检测的尝试，我们也可以使用本地图片进行检测，将--source 的参数改为本地图片路径即可，比如--source img.jpg, 检测完成的结构会输出在目录下面的runs文件夹内，便于再次查看。

到这里我们就完成了Yolo的基本使用，下面我们尝试自行训练模型，来识别真正想识别的东西。

二、获取一个可以用于训练的数据集 ​

2.1 什么是目标检测数据集？ ​

目标检测数据集包含两个核心部分：

  • 图像文件：包含待检测目标的图片
  • 标注文件：描述图像中目标的位置和类别信息

2.2 常见数据集格式 ​

COCO 格式 ​

  • 特点：JSON 格式，适合复杂场景
  • 结构：
    dataset/
├── images/          # 图像文件夹
│   ├── train/
│   └── val/
└── annotations/     # 标注文件夹
    ├── instances_train.json
    └── instances_val.json

YOLO 格式 ​

  • 特点：每张图片对应一个 txt 标注文件
  • 结构：
    dataset/
├── images/
│   ├── train/
│   └── val/
└── labels/
    ├── train/
    └── val/
  • 标注格式：class_id center_x center_y width height
    • 所有坐标都是相对于图像尺寸的比例值（0-1）

Pascal VOC 格式 ​

  • 特点：XML 格式，结构清晰
  • 结构：
    dataset/
├── JPEGImages/      # 图像文件
├── Annotations/     # XML标注文件
└── ImageSets/       # 数据集划分信息

2.3 常用公开数据集 ​

数据集名称类别数图像数量特点
COCO80330K复杂场景，多目标
Pascal VOC2020K经典数据集，入门首选
Open Images600+9M大规模，类别丰富
ImageNet1000+14M主要用于分类，也有检测版本

2.4 获取开源数据集用于训练 ​

网上有很多公开的数据集可以选择，这里我使用 https://universe.roboflow.com/ 这个网站：

这里可以下载众多开源数据集，甚至是训练好的模型，为了快速上手，我们从一个现成的数据集开始：

这里我们使用这个： https://universe.roboflow.com/selma-vurgun/gul/dataset/1 这个数据集，一个玫瑰花识别的数据集

下载YOLOV5格式：

下载所有图像到本地：

下载好后如下：

可以查看data.yaml的内容如下：

train: ../train/images
val: ../valid/images

nc: 1
names: ['Rose']

主要用于标明对应训练集，验证集的位置，物品种类1，名称为玫瑰。

将数据集放到YOLO5文件夹里，命名为dataset (放其他地方也行)，如下：

三、通过数据集训练模型 ​

3.1 准备 ​

首先修改数据集里的data.yaml文件

train: ./dataset/train/images
val: ./dataset/valid/images

nc: 1
names: ['Rose']

确认好文件的位置，labels的目录不用写进去，会自动识别

如果有GPU，可以使用下面的命令确认GPU是否可用：

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

如下：

如果输出 True，说明可以用 GPU 训练。反之，可能是需要按照GPU版本的PyTorch，具体如何安装，请教AI即可。

3.2 进行训练 ​

在 YOLOv5 根目录运行以下命令：

bash
.venv\Scripts\activate
python train.py --img 416 --batch 8 --epochs 100 --data dataset/data.yaml --weights yolov5s.pt --device 0 --cache

命令说明：

uv run python train.py
用 uv 运行虚拟环境里的 Python，执行 YOLOv5 的训练脚本 train.py。

--img 416
输入图像的大小，训练时所有图片会被缩放到 416x416。
默认是 640，但你显卡只有 4GB 显存，所以改小一点，能省显存。

--batch 8
每个训练批次处理 8 张图片。
批次越大，训练越稳定，但显存占用也更高。
在 4GB 显卡上，8 是比较稳妥的选择。

--epochs 100
训练 100 个完整的迭代周期（epoch = 数据集完整走一遍）。
一般小数据集几十个 epoch 就够，大数据集可能要上百。

--data dataset/data.yaml
指定数据集配置文件（类别数量、类别名、训练/验证图片路径等都在里面）。
你之前修改过的 data.yaml 就是这个。

--weights yolov5s.pt
预训练模型权重，yolov5s.pt 是 YOLOv5 最小的轻量化版本（s = small）。
用预训练权重做迁移学习，能加快收敛速度，效果也更好。

--device 0
指定使用第 0 号 GPU（如果你有多块 GPU，可以用 --device 1、--device 0,1 等）。
如果写成 cpu，就是强制用 CPU。

训练显示如下，总耗时大概 45 分钟：

可以看到对应的模型已经保存到了:

Optimizer stripped from runs\train\exp14\weights\last.pt, 14.3MB
Optimizer stripped from runs\train\exp14\weights\best.pt, 14.3MB

其中：

  • last.pt：最后一次训练迭代的权重
  • best.pt：在验证集上效果最好的权重（通常推理时用这个）

3.2 查看训练结果 ​

训练完成后，输出目录会有：

  • weights/last.pt 和 weights/best.pt ：模型权重文件
  • results.png ：训练过程的损失曲线和 mAP
  • confusion_matrix.png ：混淆矩阵

在训练结束后，可以使用 detect.py 脚本对图片、视频或摄像头进行推理测试。

常用参数说明：

  • --weights ：指定模型权重路径（通常用 best.pt）
  • --source ：输入源，可以是图片、视频、文件夹，甚至是摄像头
    • img.jpg → 单张图片
    • data/images/ → 文件夹下所有图片
    • 0 → 默认摄像头
    • video.mp4 → 本地视频
  • --conf-thres ：置信度阈值（默认 0.25）
  • --iou-thres ：NMS 的 IOU 阈值（默认 0.45）
  • --device ：推理设备（0 表示 GPU0，cpu 表示用 CPU）

这里我们从测试集里找一张图片检验模型：

bash
.venv\Scripts\activate
python detect.py --weights runs/train/rose_exp/weights/best.pt --source dataset/test/images/183_jpg.rf.1944a2a60202aa6f151acaf4bd413480.jpg

运行结果如下：

可以看到已经成功运行了，并且输出结果到目录下了，我们也可以使用摄像头进行检测：

bash
.venv\Scripts\activate
python detect.py --weights runs/train/rose_exp/weights/best.pt --source 2

效果如下：

三、在树莓派部署模型 ​

3.1 直接用 PyTorch 部署（最简单，但性能一般） ​

在树莓派上安装下载并安装YOLO5:

git clone https://github.com/ultralytics/yolov5.git
cd yolov5

sudo apt install python3-venv -y
python3 -m venv yolov5-venv
source yolov5-venv/bin/activate
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

然后把 PC 上训练好的 best.pt 复制到树莓派 yolov5 目录下。

运行推理:

source yolov5-venv/bin/activate
python3 detect.py --weights best.pt --source 0 --device cpu

这个时候可能会报错：

NotImplementedError: cannot instantiate 'WindowsPath' on your system

我们可以修改detect.py,在文件最起前面添加：

python
import platform
import pathlib

if platform.system() != 'Windows':
    pathlib.WindowsPath = pathlib.PosixPath

把 pathlib.WindowsPath 替换成 pathlib.PosixPath。 运行效果如图所示：

但是可以看到，每次推理的耗时在1.2 秒左右，实在是太慢了，如何进一步提升速度呢。

我们使用使用更轻量的模型 yolov5n，重新训练一个模型：

.venv\Scripts\activate
python train.py --img 416 --batch 8 --epochs 100 --data dataset/data.yaml --weights yolov5n.pt --device 0 --cache

这样推理时间就减小一半，来到了500ms：

参考： ​