企业官网建设流程全解析

1. 认识BDD100K数据集与YOLOv5s

第一次接触自动驾驶目标检测时，我被各种数据集和算法搞得晕头转向。直到遇到BDD100K这个"全能选手"，才发现它简直是新手练级的完美选择。这个由伯克利大学发布的数据集包含10万段驾驶视频，覆盖了城市街道、高速公路、隧道等多样化场景，甚至连雨雪天气和夜间行驶的情况都考虑到了。最让我惊喜的是，它标注了13类常见交通对象——从行人、车辆到不同颜色的交通灯，完全就是现实道路的微缩版。

YOLOv5s作为目标检测界的"轻量级拳王"，特别适合我们这些刚入门的开发者。相比前代版本，它的训练速度更快，模型体积更小，但精度却毫不逊色。我实测下来，用普通游戏本（RTX 3060显卡）训练模型，一天就能跑完基础实验。这里要特别说明下，YOLOv5系列其实有多个版本：

• YOLOv5s：最小最快的版本（适合快速验证）
• YOLOv5m：平衡型选手
• YOLOv5l：精度优先
• YOLOv5x：巨无霸模型

对于初次尝试，我强烈建议从YOLOv5s开始。它的模型文件只有14MB左右，但检测速度能达到140FPS，完全能满足实时性要求。记得第一次看到自己的模型在视频里框出车辆和行人时，那种成就感简直爆棚！

2. 数据预处理实战技巧

原始数据就像刚挖出来的矿石，需要精心打磨才能用。BDD100K的标注文件是JSON格式，而YOLOv5需要特定的TXT格式，这个转换过程我踩过不少坑。这里分享一个完整解决方案：

首先需要安装转换工具包：

pip install pycocotools labelme2coco

关键步骤1：JSON转COCO格式我修改了官方提供的转换脚本，特别处理了交通灯颜色分类问题。核心逻辑是遍历每个标注对象，提取box坐标和类别信息。遇到交通灯时，会额外读取颜色属性：

for label in img_data['labels']: if label['category'] == 'traffic light': color = label['attributes']['trafficLightColor'] new_category = f"tl_{color}" # 后续处理逻辑...

关键步骤2：COCO转YOLO格式这里要注意坐标系的转换。COCO用的是左上角坐标+宽高，而YOLO需要中心点坐标+归一化值。我写了个转换函数：

def coco2yolo(bbox, img_w, img_h): x_center = (bbox[0] + bbox[2]/2) / img_w y_center = (bbox[1] + bbox[3]/2) / img_h width = bbox[2] / img_w height = bbox[3] / img_h return [x_center, y_center, width, height]

注意：一定要检查转换后的标签文件是否与图像对齐。我常用OpenCV画框验证：

cv2.rectangle(img, (x1,y1), (x2,y2), (0,255,0), 2)

3. 环境配置避坑指南

配环境就像搭积木，少一块都不行。经过多次实践，我总结出最稳定的配置方案：

基础环境：

• Python 3.8（3.7+都可以）
• PyTorch 1.10 + CUDA 11.3
• Ubuntu 20.04（Windows也可但建议WSL2）

这是我的requirements.txt精华版：

torch==1.10.0+cu113 torchvision==0.11.1+cu113 opencv-python>=4.5.4 matplotlib>=3.3.0 pycocotools>=2.0 tqdm>=4.64.0

安装时有个小技巧：先装PyTorch再装其他依赖，能避免版本冲突：

pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu113 pip install -r requirements.txt

数据集配置文件：在data目录下新建bdd100k.yaml，内容要特别注意路径设置：

train: ../bdd100k/images/train val: ../bdd100k/images/val nc: 13 names: ['person','rider','car',...,'tl_none']

遇到过最头疼的问题是路径错误，建议：

1. 使用绝对路径更稳妥
2. 在Python中打印当前路径确认：

import os print(os.path.abspath('.'))

4. 模型定制与调优策略

直接套用默认模型就像穿别人的衣服，总有不合适的地方。我们需要量体裁衣：

模型结构调整：修改models/yolov5s.yaml，重点调整两个参数：

nc: 13 # 类别数 anchors: # 建议使用autoanchor自动计算 - [10,13, 16,30, 33,23] - [30,61, 62,45, 59,119] - [116,90, 156,198, 373,326]

超参数优化：在data/hyps/hyp.scratch-low.yaml中，我调整了这些关键参数：

lr0: 0.01 # 初始学习率 lrf: 0.1 # 最终学习率 momentum: 0.937 weight_decay: 0.0005 fl_gamma: 0.5 # 焦点损失gamma

训练技巧：

1. 预热训练：前3个epoch用小学习率
2. 自动锚框：--autoanchor参数
3. 混合精度：--half参数节省显存

完整训练命令示例：

python train.py --img 640 --batch 32 --epochs 100 \ --data bdd100k.yaml --cfg yolov5s.yaml \ --weights yolov5s.pt --cache --device 0

5. 训练过程监控与分析

训练不是设好参数就完事，要像教练盯着运动员一样关注模型表现。

关键指标解读：

• mAP@0.5：IoU阈值0.5时的平均精度
• mAP@0.5:0.95：综合精度指标
• Precision/Recall：精确率与召回率

我用TensorBoard监控训练过程：

tensorboard --logdir runs/train

常见问题解决方案：

我的调参记录：

1. 初始阶段：发现val_loss震荡，将lr0从0.01降到0.005
2. 中期阶段：增加--cos-lr参数使用余弦退火
3. 后期阶段：启用--label-smoothing 0.1防止过拟合

6. 模型评估与部署实战

训练完成不是终点，如何用好模型才是关键。

评估命令：

python val.py --weights runs/train/exp/weights/best.pt \ --data bdd100k.yaml --img 640 --task test

部署方案对比：

我常用的ONNX转换命令：

python export.py --weights best.pt --include onnx \ --img 640 --simplify --dynamic

实际应用示例：

import torch model = torch.hub.load('ultralytics/yolov5', 'custom', 'best.pt') results = model('test.jpg') results.show() # 显示检测结果

7. 性能优化进阶技巧

当基础模型跑通后，我开始追求更极致的性能。

数据增强策略：在data/hyps/hyp.scratch-low.yaml中添加：

hsv_h: 0.015 # 色相增强 hsv_s: 0.7 # 饱和度增强 hsv_v: 0.4 # 明度增强 flipud: 0.5 # 上下翻转概率

模型剪枝：使用TorchPruner进行通道剪枝：

from torchpruner import SparsePruner pruner = SparsePruner(model, sparsity=0.3) pruner.step()

量化部署：将模型转为INT8提升推理速度：

python export.py --weights best.pt --include engine \ --img 640 --device 0 --half

经过这些优化，我的模型在Jetson Xavier上达到了58FPS，完全满足实时性要求。记得第一次看到优化后的模型在车载设备上流畅运行时，真切感受到了AI技术的魅力。