YOLOv5初步认识

2501_93696036

426人浏览 · 2026-05-08 20:52:15

2501_93696036 · 2026-05-08 20:52:15 发布

一、关于yolov5的10个问题

1. YOLOv5 的核心架构由哪几个主要部分组成？

YOLOv5 的架构就像一个 “流水线工厂”，主要由 4 个部分 组成：

输入端 (Input)：
1）作用：接收原始图片，并进行预处理（比如调整图片大小、归一化像素值）。
2）类比：就像工厂的 “原材料入口”，先把食材（图片）洗干净、切好，方便后续加工。
骨干网络 (Backbone)：
1）作用：负责提取图片中的关键特征（比如边缘、纹理、形状）。
2）类比：这是工厂的 “核心加工车间”，使用 CSPDarknet53 结构，像人的眼睛一样，把图片里的重要信息（比如 “这是一个圆形”、“这有四条腿”）都提取出来。
颈部网络 (Neck)：
1）作用：融合不同尺度的特征信息。
2）类比：这是 “信息整合车间”，使用 FPN（特征金字塔）+ PAN（路径聚合）结构。它把刚才提取的 “大特征”（比如大象的身体）和 “小特征”（比如蚂蚁的触须）混合在一起，让模型既能看到大目标，也能看到小目标。
检测头 (Head)：
1)作用：输出最终的检测结果（物体在哪里、是什么物体、置信度有多高）。
2)类比：这是 “最终质检和包装车间”，它把整合好的信息拿过来，在图上画框框（边界框），并贴上标签（比如 “猫”、“狗”）。

2. YOLOv5 是如何进行目标检测的，它的检测流程是怎样的？

YOLOv5 的检测流程非常快，是 “一眼看全图” 的模式，具体步骤如下：

图片输入与缩放：不管你输入的图片是大是小，YOLOv5 会先把它缩放到一个固定尺寸（比如 640x640 像素）。
网格划分 (Grid)：
1）YOLOv5 会把这张图片在逻辑上划分成 S x S 个小格子（比如 20x20）。
2）关键点：如果一个物体的中心落在了某个格子里，就由这个格子负责预测这个物体。
特征提取与融合：图片经过 Backbone 和 Neck，提取并融合特征。
预测 (Head)：
- 每个格子会预测几个 “候选框”（锚框），并对每个框预测三件事：
  1）边界框 (Bounding Box)：框的位置（x, y, w, h）。
  2）置信度 (Confidence)：这个框里 “有物体” 的概率。
  3）类别概率 (Class Probability)：如果有物体，它是 “猫” 还是 “狗” 的概率。
非极大值抑制 (NMS)：
这是最后一步 “去重”。因为可能有好几个格子都框住了同一个物体，NMS 会把重复的框去掉，只保留最准的那一个。

总结：YOLOv5 把图片分成格子，每个格子负责预测自己区域内的东西，最后筛选出最优结果。

3. 在 YOLOv5 中，如何准备自己的数据集进行训练？

要让 YOLOv5 认识你想检测的东西（比如 “外卖餐盒”），你需要教它，这就是 “数据集”。步骤如下：

第一步：收集图片 (Data Collection)
你需要拍很多张包含目标的照片（比如 1000 张不同角度、不同光线的外卖餐盒）。
第二步：标注图片 (Labeling) —— 最累但最重要的一步
1）你需要使用标注工具（比如 LabelImg、Labelme 或 CVAT）。
2）操作：打开图片，用鼠标在你的目标（餐盒）上画一个矩形框，然后给它起个名字（类别名，比如 "food_box"）。
3）输出：标注完成后，每张图片会生成一个对应的 .txt 文件，里面记录了框的坐标和类别。
第三步：数据集划分 (Split)
- 把你的图片和标注文件分成三个文件夹：
  1）train (训练集)：约 70% 的图片，用来让模型学习。
  2）val (验证集)：约 20% 的图片，用来在训练过程中检查模型学得怎么样。
  3）test (测试集)：约 10% 的图片，用来最后考试，看模型到底行不行。
第四步：配置文件 (Config)
- 你需要写一个 .yaml 文件，告诉 YOLOv5：
  1）你的图片文件夹在哪里。
  2）你要检测的物体有几个类别（nc: 1）。
  3）类别名字叫什么（names: ['food_box']）。

准备好这些，就可以开始训练了！

4. 怎样调整 YOLOv5 的超参数来优化检测效果？

“超参数” 就是你在训练前需要手动设置的 “旋钮”，用来控制模型的学习过程。最关键的几个旋钮如下：

学习率 (Learning Rate, lr)：
（1）作用：控制模型学习的 “步子大小”。
（2）调整：
- 技巧：YOLOv5 有自动学习率衰减（Cosine LR），通常默认的就不错，如果你觉得训练不动，可以稍微调大一点点初始 lr。
- 太小会导致模型 “学太慢”，像蜗牛爬，很久都学不会。
- 太大会导致模型 “学疯了”，来回震荡，不收敛。
批次大小 (Batch Size)：
（1）作用：控制模型一次看几张图片。
（2）调整：
- 技巧：在显存不爆的前提下，尽量设大一点（比如 16 或 32）。
- 越大，训练越稳定，但也越吃显存（GPU 内存）。
迭代次数 (Epochs)：
1）作用：模型把整个数据集完整看多少遍。
2）调整：通常设 100-300 轮。如果看到验证集损失（val loss）不再下降了，就可以提前停止。
输入图片尺寸 (Img Size)：
1）作用：图片分辨率。
2）调整：
- 设得小（如 320）：速度飞快，但可能看不清小东西。
- 设得大（如 1280）：小目标检测更准，但速度变慢。
数据增强 (Augmentation)：
YOLOv5 自带很强的数据增强（Mosaic、MixUp）。如果你的数据集很少，千万不要关掉它们；如果你的数据很多且模型过拟合了，可以适当调低增强的概率。

5. YOLOv5 中的损失函数是如何计算的，有什么作用？

损失函数 (Loss Function) 就是模型的 “考试成绩单”。

模型每预测一次，我们就计算一下 “它预测的框和真实的框差了多少”，这个差值就是 Loss。Loss 越小，说明模型考得越好。

YOLOv5 的 Loss 由 3 部分 组成：

边框位置损失 (Box Loss)：
1）计算：使用 GIoU（Generalized Intersection over Union）。
2）作用：衡量 “模型画的框” 和 “人工标注的真实框” 离得有多远，重叠得够不够多。
置信度损失 (Objectness Loss)：
1）计算：二元交叉熵。
2）作用：衡量模型 “有没有把握”。如果这个格子里有物体，置信度要接近 1；如果没物体，置信度要接近 0。
分类损失 (Class Loss)：
1）计算：二元交叉熵。
2）作用：衡量模型 “认不认得”。如果框里是猫，模型预测 “猫” 的概率要最高。

总损失 = 边框损失 + 置信度损失 + 分类损失

模型通过反向传播，根据这个总损失来调整内部的参数，一点点变得更聪明。

6. 如何评估 YOLOv5 模型的性能，有哪些常用的评估指标？

训练完了，怎么知道模型好不好用？我们需要用以下几个指标来打分：

精确率 (Precision)：
1）含义：“查准率”。
2）解释：模型说 “我找到 100 个餐盒”，其中真的有多少个是餐盒？
3）场景：如果你不想误报（比如把一个纸团当成餐盒），就要看这个指标。
召回率 (Recall)：
1）含义：“查全率”。
2）解释：图片里实际上有 100 个餐盒，模型找到了多少个？
3）场景：如果你不想漏检（比如必须把所有餐盒都找出来），就要看这个指标。
AP (Average Precision)：
1）含义：平均精度。
2）解释：它是 Precision 和 Recall 综合起来的一个分数。
mAP (mean Average Precision)：
1）含义：各类别 AP 的平均值。
2）解释：如果你检测 20 个类别的物体，mAP 就是这 20 个类别的平均分。
3）行业标准：通常说的 mAP@0.5，意思是当 IoU（交并比）大于 0.5 时就算检测正确。这是最常用的评估指标。

7. 怎样在 YOLOv5 中处理小目标检测的问题？

小目标（比如远处的一只鸟，或者图片里的一个螺丝）一直是检测难题，因为它们像素少，特征不明显。YOLOv5 可以通过以下方法优化：

提高输入分辨率 (--img-size)：
把 640 改成 1280 或更高。图片变大了，小目标在图上也就变大了，特征更清楚。
多尺度训练 (Multi-scale Training)：
YOLOv5 默认开启了这个功能。它会在训练时随机改变图片大小，强迫模型学习如何看清不同大小的物体。
调整锚框 (Anchors)：
YOLOv5 会根据你的数据集自动聚类生成锚框。如果你的目标特别小，可以手动把默认的锚框尺寸改小一点，或者重新运行聚类命令。
使用更多的检测层 (P3, P4, P5)：
1）YOLOv5 的 Head 输出 3 个不同尺度的特征图。
2）P2 层（如果有的话）：专门用来检测最小的目标（浅层特征，分辨率高）。
3）你可以修改配置文件，让模型输出更小的特征层。
数据增强 (Tiling)：
把一张大图切成好几张小图来训练和推理，这样小目标在小图里就变成了 “大目标”。
关注损失函数：
有时候小目标在总 Loss 里占比太小，模型不重视。可以适当增加小目标 Loss 的权重。

8. YOLOv5 中的多尺度训练是如何实现的，有什么好处？

实现原理：在 YOLOv5 训练过程中，并不是每一轮都用同样大小的图片。

它会设定一个范围（比如 320 到 640）。
每隔一定的迭代次数（比如 10 个 batch），它就会随机在这个范围内选一个新的尺寸（比如 416、512），把图片 resize 成这个尺寸再喂给模型。

好处：

鲁棒性强：模型不会只认 “特定大小” 的物体。比如它既认得镜头前的大狗，也认得远处的小狗。
泛化能力好：在实际应用中，用户拍的照片有远有近，多尺度训练能让模型适应各种真实场景。

9. 如何将训练好的 YOLOv5 模型部署到实际应用场景中？

训练好的模型是一个 .pt 文件（PyTorch 格式），要把它放到手机、摄像头或服务器上跑，需要以下几步：

第一步：模型导出 (Export)
（1）你需要把 .pt 转换成不同格式，以适应不同的设备：
- OpenVINO：英特尔 CPU 专用。
- NCNN / MNN：手机端（安卓 /iOS）专用，轻量级。
- TensorRT：英伟达 GPU 专用，速度最快（用于服务器）。
- ONNX：通用格式，大多数平台都支持。
第二步：选择部署平台
1）云端 / 服务器：如果是视频监控分析，建议用 TensorRT 加速，通过 Python 或 C++ 调用。
2）边缘设备 (树莓派 / Jetson Nano)：如果是放在外卖柜上，建议用 ONNX Runtime 或 TensorRT Lite。
3）手机 APP：如果是做手机扫码，导出成 NCNN 或 TFLite，集成到 Android/iOS 代码里。
第三步：编写推理代码
写一段简单的代码：读取摄像头画面 -> 喂给模型 -> 拿到框框 -> 画在屏幕上显示。

10. YOLOv5 相比之前的 YOLO 版本有哪些改进之处？

YOLOv5 并不是官方 YOLOv4 的直系后代（它是 Ultralytics 公司用 PyTorch 重写的），但它非常受欢迎，因为它做了以下关键改进：

工程化极强，极易上手：
1)YOLOv3/v4：用 Darknet 框架写的，配置复杂，编译麻烦，新手很容易劝退。
2)YOLOv5：用 PyTorch 写的，代码结构清晰，pip install 就能用，文档友好。
灵活的模型缩放 (Scalability)：
1）YOLOv5 提供了 s, m, l, x 四个版本（小、中、大、超大）。
2）你要速度快，就用 YOLOv5s；你要精度高，就用 YOLOv5x。不用改网络结构，直接换配置文件就行。
强大的数据增强 (Data Augmentation)：引入了 Mosaic（四张图拼在一起）和 MixUp（两张图混合）增强，极大地丰富了数据集，即使你图片少也能训得不错。
更优秀的 Backbone 和 Neck：
1)使用了 CSP (Cross Stage Partial) 结构，让特征提取更高效，计算量更小。
2)使用了 PANet 加强特征融合，比 YOLOv3 的 FPN 更能打。
自动锚框聚类 (Auto Anchors)：你只要把数据集准备好，YOLOv5 会自动分析你的目标大小，帮你生成最合适的锚框，非常贴心。

总结：YOLOv5 不是在理论上有惊天动地的突破，而是在工程化体验上做到了极致，让 “目标检测” 从一个博士课题变成了普通人也能玩的工具。

二、YOLOv5 训练结果图全解析

图 1：混淆矩阵（Confusion Matrix）

对应问题：问题 6（模型性能评估 & 常用指标）、问题 2（检测结果判断）

这张图是模型在验证集上的「对错统计表」，是评估分类准确性的核心工具，和你之前学的精确率、召回率直接相关。

坐标轴规则：
1）横轴True：人工标注的真实类别（标准答案）
2）纵轴Predicted：模型预测的类别（模型的答案）
3）最右侧 / 最下侧的background：代表「背景」，对应漏检（把目标当成背景）和误检（把背景当成目标）
4）颜色越深、数值越接近 1，代表该情况的占比越高
核心解读：
1）对角线的数值：模型预测正确的比例。比如pw类对角线数值 1.00，代表所有真实是 pw 的目标，模型 100% 预测正确；st、ac、tr类也接近 1，表现极佳。
2）非对角线的数值：模型认错 / 漏检的情况。比如right类，真实是 right 的目标，模型仅 40% 预测正确，42% 认错成了 left，还有 20% 漏检成了背景，说明left和right是模型最容易混淆的短板类别。
知识点关联：这张图直接帮你定位模型的缺陷，对应问题 3 的数据集优化（补充混淆类别的样本）、问题 4 的超参数调整（给短板类别增加损失权重）。

图 2：F1-Confidence Curve（F1 分数 - 置信度曲线）

对应问题：问题 6（评估指标）、问题 2（检测流程的置信度 & NMS 环节）、问题 4（推理超参数优化）、问题 9（模型部署）

F1 分数是精确率和召回率的调和平均数，是综合衡量模型「准不准」和「全不全」的核心指标，越接近 1 越好。

坐标轴规则：
1）横轴Confidence：置信度阈值（模型预测时，「我有多确定这个框里有目标」的最低标准，对应问题 2 里的置信度预测、问题 5 里的置信度损失）
2）纵轴F1：对应阈值下的 F1 分数
3）彩色细线：每个类别的单独曲线，最粗的蓝色线：所有类别的平均表现
核心解读：蓝色线标注all classes 0.91 at 0.490，意思是当你把推理时的置信度阈值设为 0.49 时，模型的综合 F1 分数最高，能达到 0.91，这是你部署模型时的最优通用阈值。同时能看到left、right的 F1 峰值远低于其他类别，和混淆矩阵的结论完全一致，再次印证这两个类是模型短板。
知识点关联：这张图直接决定你部署模型时的核心参数，对应问题 9 的落地应用；同时能帮你定位表现差的类别，反向优化数据集和训练超参数。

图 3：数据集统计分析图（labels.jpg）

对应问题：问题 3（自定义数据集准备）、问题 7（小目标检测优化）、问题 8（多尺度训练）、问题 10（YOLOv5 自动锚框改进）

这是你训练前数据集的「全貌体检报告」，是决定模型上限的核心，完全对应数据集准备的全流程知识点。

四个子图拆解：
1）左上角：类别样本数量柱状图。横轴是你的 11 个检测类别，纵轴是标注的样本数量。能看到st类样本最多（近 700 个），red、gree类样本最少（仅 200 个左右），存在明显的样本不均衡问题。
2）右上角：标注框形状分布。所有标注框叠加展示，能看到你的目标全是「高瘦的竖长方形」，宽极窄、高很长，是典型的长条状目标。
3）左下角：目标中心点位置分布。x/y 是归一化的图片宽高，能看到目标中心点在整张图里分布均匀，没有集中在某个区域，数据集位置分布很健康。
4）右下角：目标宽高分布。能看到目标宽度集中在 0.05-0.2 之间，高度集中在 0.2-0.5 之间，属于窄长型小目标。
知识点关联：
1）样本不均衡对应问题 3 的数据集优化，需要给少样本类别补充数据；
2）目标的宽高形状对应问题 10 里 YOLOv5 的自动锚框聚类改进，模型会根据这个形状生成适配的锚框；
3）小目标属性对应问题 7 的小目标检测优化、问题 8 的多尺度训练（多尺度训练能帮模型更好适配小尺寸目标）。

图 4：数据集标注相关系数图（labels_correlogram.jpg）

对应问题：问题 3（自定义数据集准备 & 质量把控）

这是数据集标注的「深度质检图」，用来分析标注数据的分布合理性，排查标注错误。

核心规则：这是相关系数矩阵的可视化，四个变量分别是x（目标中心点 x 坐标）、y（目标中心点 y 坐标）、width（目标宽度）、height（目标高度）。
1）对角线：每个变量的分布直方图，和上一张图的结论一致，x/y 分布均匀，宽高集中在窄长区间；
2）非对角线：两个变量的相关性散点图，比如width和height的散点图，能看到宽高呈明显正相关，符合长条目标的特点；x/y 和宽高无明显相关性，说明目标位置和大小无关，数据集分布健康，无明显标注错误。
知识点关联：这张图是问题 3 里数据集准备的最后一步质检，帮你排查异常标注、分布偏差，确保数据集质量，避免模型学错特征。

图 5：Precision-Confidence Curve（精确率 - 置信度曲线）

对应问题：问题 6（评估指标）、问题 9（模型部署）

精确率就是你之前学的「查准率」：模型说 “这是目标” 的结果里，到底有多少是真的目标，核心是不误检。

核心解读：横轴是置信度阈值，纵轴是精确率。蓝色线标注all classes 1.00 at 0.877，意思是当置信度阈值设为 0.877 时，模型的整体精确率能达到 100%—— 这个阈值下，模型预测的所有目标全是对的，零误检。同时能看到right类的精确率曲线掉得极快，置信度到 0.6 时就跌到 0.2，说明这个类极易出现误检，和之前的结论一致。
知识点关联：这张图直接服务于落地部署：如果你的应用场景不能接受误检（比如工业质检、交通标志识别），就把置信度阈值设高，牺牲少量召回率，保证零误检。

图 6：Precision-Recall Curve（PR 曲线，精确率 - 召回率曲线）

对应问题：问题 6（模型性能评估核心指标）、问题 4（超参数优化）

这是 YOLOv5最核心的性能评估图，你之前学的 AP、mAP 指标，就是从这张图里计算出来的。

核心规则：
1）横轴Recall：召回率（查全率），所有真实目标里，模型找到了多少，核心是不漏检；
2）纵轴Precision：精确率（查准率）；
3）曲线越贴紧右上角，代表模型越好；曲线围起来的面积，就是该类别的AP 值；所有类别 AP 的平均值，就是mAP@0.5。
核心解读：蓝色线标注all classes 0.932 mAP@0.5，说明你的模型整体 mAP@0.5 达到 0.932，属于非常优秀的水平。单类别表现：st(0.995)、pw(0.994)、ac(0.994) 表现接近完美；right类 AP 仅 0.532，是绝对的短板，PR 曲线几乎平直，说明召回率提升时，精确率直接暴跌，模型对这个类的特征学习严重不足。
知识点关联：mAP 是 YOLO 系列最核心的评估指标，对应问题 6 的知识点；同时这张图能帮你定位短板类别，反向优化数据集和训练超参数，对应问题 3、问题 4 的知识点。

图 7：Recall-Confidence Curve（召回率 - 置信度曲线）

对应问题：问题 6（评估指标）、问题 9（模型部署）

召回率就是你之前学的「查全率」：所有真实的目标里，模型能找到多少，核心是不漏检。

核心解读：横轴是置信度阈值，纵轴是召回率。标注all classes 1.00 at 0.000，意思是当置信度阈值设为 0 时，模型召回率能达到 100%—— 所有目标都能被找到，但此时误检会非常多，模型会把所有疑似目标都报出来。随着置信度升高，召回率持续下降，因为模型会越来越 “谨慎”，只报自己非常确定的目标。同样，left、right的召回率掉得最快，表现最差。
知识点关联：这张图服务于特殊场景的部署：如果你的场景不能接受漏检（比如安防监控、违禁品检测），就把置信度阈值设低，牺牲少量精确率，保证高召回率。

图 8：训练过程损失 & 指标曲线（results.png）

对应问题：问题 4（超参数调整优化）、问题 5（损失函数计算）、问题 6（性能评估）

这是整个训练过程的完整日志图，能完整看到模型从 0 到收敛的全过程，判断模型是否训好、有没有过拟合、超参数是否合理。整张图分为两大模块，和你之前学的知识点完全对应：

第一部分：损失函数曲线（左侧 6 个图，对应问题 5）

YOLOv5 的损失函数分为 3 部分，和你之前学的完全一致，每个损失都有训练集（train）和验证集（val）的曲线：

box_loss（边框位置损失）：衡量模型画的框和真实框的重合度，曲线持续下降并平稳，说明模型不断学会把框画准；
obj_loss（置信度损失）：衡量模型判断 “框里有没有目标” 的能力，曲线持续下降收敛，说明模型学会了区分目标和背景；
cls_loss（分类损失）：衡量模型区分类别的能力，曲线持续下降收敛，说明模型学会了识别不同的目标。

关键结论：训练集和验证集的损失曲线同步下降，最终平稳，没有出现「训练集损失一直降，验证集损失先降后升」的情况，说明模型没有过拟合，训练过程非常健康，学习率、训练轮数、批次大小等超参数设置合理，对应问题 4 的超参数优化知识点。

第二部分：性能指标曲线（右侧 4 个图，对应问题 6）

precision/recall：精确率、召回率，随训练轮数持续上升，最终分别稳定在 0.85+、0.9+；
mAP_0.5：核心评估指标，最终稳定在 0.93 左右，和 PR 曲线的结果完全一致；
mAP_0.5:0.95：更严格的评估指标（IoU 阈值从 0.5 到 0.95 取平均），最终稳定在 0.7 左右，对于窄长型小目标来说，这个成绩非常优秀。

图 9：验证集检测效果图（test_batch0_pred.jpg）

对应问题：问题 2（YOLOv5 目标检测流程）、问题 7（小目标检测）、问题 9（模型部署）

这是模型在验证集上的实际检测效果可视化，是最直观的结果展示，完美对应 YOLOv5 的完整检测流程。

核心解读：每张图里的框就是模型的预测结果，框上的文字是「类别置信度」，比如st 0.9，就是模型预测这个目标是 st 类，置信度 90%。
1）优秀表现：大部分目标都被准确框出，st、sl、pw等类别的置信度都在 0.9 左右，远处的小目标也能被准确识别，对应问题 7 的小目标检测，你的模型小目标检测能力合格；
2）现存问题：能看到left和right互相混淆、小目标重复检测、少量背景误检，和之前所有图的短板结论完全一致。
知识点关联：这张图完整还原了问题 2 里的检测流程：图片输入→特征提取→预测框输出→NMS 去重→最终结果展示；同时能帮你找到具体的错误案例，反向优化数据集，为后续问题 9 的模型落地部署做准备。

整体总结 & 优化建议

模型整体表现：你的 YOLOv5 模型训练非常健康，整体 mAP@0.5 达到 0.932，属于优秀水平，超参数设置合理，无过拟合问题，大部分类别检测效果极佳。
核心短板：left和right两个类别是模型的最大缺陷，极易混淆、误检、漏检，其次是样本量较少的red、gree类。
优化方向（对应之前的 10 个问题）：
1）对应问题 3：补充left、right类的样本，增加不同角度、光线、背景的标注数据，缓解样本不均衡；
2）对应问题 4：给left、right类增加分类损失的权重，让模型更关注这两个类的学习；
3）对应问题 7：针对窄长小目标，适当提高训练输入分辨率，开启更适配的多尺度训练；
4）对应问题 9：通用场景部署用 0.49 的置信度阈值，零误检场景用 0.877 的阈值，零漏检场景用更低的阈值。