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：
  1. python --version  # 确认 3.9.x

  复制代码
• 建虚拟环境：
  1. python -m venv venv
  2. venv\Scripts\activate

  复制代码
• 装依赖：
  1. pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

  复制代码
• PyTorch：
  
  
  
  • GPU：
    1. pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

    复制代码
  • CPU：
    1. pip install torch torchvision torchaudio

    复制代码
  • 检查：
    1. python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

    复制代码
  
  

数据集准备

• 打标工具：用 labelImg
  
  
  
  • 安装：
    1. pip install labelImg

    复制代码
  • 运行：
    1. labelImg

    复制代码
  • 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：
  1. D:\YOLOv5\data\
  2.   images\
  3.     train\
  4.     val\
  5.   labels\
  6.     train\
  7.     val\

  复制代码
• 配置 data.yaml：
  1. train: D:/YOLOv5/data/images/train
  2. val: D:/YOLOv5/data/images/val
  3. nc: 2
  4. names: ['cat', 'dog']

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

训练

• 跑训练：
  1. python train.py --img 640 --batch 16 --epochs 50 --data data/data.yaml --weights yolov5s.pt

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

TensorBoard 配置

• 安装：
  1. pip install tensorboard

  复制代码
• 运行：
  1. tensorboard --logdir runs/train

  复制代码
• 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

• 命令行推理：
  1. python detect.py --weights runs/train/exp/weights/best.pt --img 640 --conf 0.25 --source data/images/test

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

WebUI 配置（Gradio）

• 安装：
  1. pip install gradio

  复制代码
• 新建 webui.py（放 D:\YOLOv5 下）：
  1. import torch
  2. import gradio as gr
  4. model = torch.hub.load("./", "custom", path="./runs/train/exp/weights/best.pt", source="local")
  6. title = "基于Gradio的YOLOv5演示项目"
  7. desc = "这是一个基于Gradio的YOLOv5演示项目"
  9. gr.Interface(inputs=[gr.Image()],
  10.              outputs=["image"],
  11.              title=title,
  12.              description=desc,
  13.              fn=lambda img: model(img).render()[0]
  14.              ).launch()

  复制代码
• 运行：
  1. python webui.py

  复制代码
• 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

<ul>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