企业官网建设流程全解析

Windows 10下YOLOv5环境配置与训练实战指南

1. 环境配置：从零搭建GPU加速的深度学习环境

对于刚接触计算机视觉的开发者来说，环境配置往往是第一个拦路虎。在Windows系统上配置YOLOv5训练环境需要特别注意版本兼容性问题，否则很容易陷入各种报错的泥潭。下面我将分享一套经过验证的配置方案，帮助您快速搭建稳定的训练环境。

核心组件版本选择：

• Python 3.8（3.7-3.9均可）
• CUDA 10.1
• cuDNN 7.6.5
• PyTorch 1.7.0+cu101

注意：YOLOv5对PyTorch版本较敏感，最新版可能要求PyTorch 1.10+，但1.7版本在兼容性和稳定性上表现最佳

1.1 Anaconda环境配置

首先通过Anaconda创建独立的Python环境，避免污染系统环境：

conda create -n yolov5 python=3.8 conda activate yolov5

1.2 CUDA与cuDNN安装

1. 从NVIDIA官网下载CUDA 10.1安装包
2. 安装时选择"自定义安装"，取消Visual Studio Integration选项
3. 下载对应CUDA 10.1的cuDNN 7.6.5，解压后将bin、include、lib文件复制到CUDA安装目录

验证CUDA安装：

nvcc --version

1.3 PyTorch GPU版安装

使用精确版本指定命令安装PyTorch：

pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio==0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

安装后验证GPU可用性：

import torch print(torch.__version__) # 应输出1.7.0+cu101 print(torch.cuda.is_available()) # 应输出True

常见问题解决方案：

• 遇到OSError: [WinError 126]错误时，通常是因为缺少VC++运行库，安装最新版VC_redist即可解决
• 如果CUDA不可用，检查环境变量PATH是否包含CUDA的bin和lib路径

2. YOLOv5源码部署与测试

2.1 获取源码与依赖安装

克隆官方仓库并安装依赖：

git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

提示：国内用户可以使用-i https://pypi.tuna.tsinghua.edu.cn/simple加速安装

2.2 预训练模型测试

下载官方预训练权重：

python -c "from utils.downloads import attempt_download; attempt_download('yolov5s.pt')"

运行测试命令：

python detect.py --weights yolov5s.pt --source data/images/bus.jpg --conf 0.25

测试结果会保存在runs/detect/exp目录下。如果能看到检测结果的图片，说明环境配置成功。

3. 自定义数据集训练全流程

3.1 数据集准备与标注

YOLOv5支持多种标注格式，推荐使用YOLO格式：

数据集目录结构 ├── images │ ├── train │ └── val └── labels ├── train └── val

每个标注文件对应同名图片，内容格式为：

<class_id> <x_center> <y_center> <width> <height>

推荐使用LabelImg或CVAT进行标注，导出YOLO格式。

3.2 配置文件修改

创建数据集配置文件data/mydata.yaml：

train: ../datasets/mydata/images/train val: ../datasets/mydata/images/val nc: 3 # 类别数量 names: ['cat', 'dog', 'person'] # 类别名称

修改模型配置文件models/yolov5s.yaml，只需更改nc值为你的类别数。

3.3 训练参数调优

启动训练的基本命令：

python train.py --img 640 --batch 16 --epochs 100 --data data/mydata.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --device 0

关键参数说明：

进阶技巧：

• 添加--rect参数启用矩形训练，提升小目标检测效果
• 使用--adam替代默认的SGD优化器，可能获得更快收敛
• 添加--multi-scale启用多尺度训练，增强模型鲁棒性

4. 模型评估与部署应用

4.1 性能评估指标

运行测试脚本获取mAP等指标：

python val.py --weights runs/train/exp/weights/best.pt --data data/mydata.yaml --img 640

重点关注以下指标：

• mAP@0.5: 常见目标检测指标
• mAP@0.5:0.95: 更严格的综合指标
• Precision/Recall: 查准率与查全率
• F1-score: 精确率与召回率的调和平均

4.2 模型导出与部署

YOLOv5支持多种导出格式：

python export.py --weights runs/train/exp/weights/best.pt --include torchscript onnx

导出选项对比：

4.3 实际应用示例

使用训练好的模型进行推理：

import torch model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/exp/weights/best.pt') results = model('input.jpg') results.show() # 显示结果 results.save() # 保存结果

对于视频流处理：

import cv2 cap = cv2.VideoCapture(0) # 摄像头 while cap.isOpened(): ret, frame = cap.read() if not ret: break results = model(frame) cv2.imshow('YOLOv5', np.squeeze(results.render())) if cv2.waitKey(1) == ord('q'): break

在实际项目中，我发现合理调整置信度阈值能显著改善使用体验。对于安防场景，可以将--conf设为0.6减少误报；而对于医疗影像分析，可能需要降低到0.3以避免漏检关键目标。