企业官网建设流程全解析

简介：本资源面向计算机视觉初学者与行人检测方向开发者，提供一套可直接复用的YOLOv5-6.0行人检测训练权重与配套数据集，解决街道、公路等场景下行人目标检测的模型训练与验证需求。压缩包共约2000个文件、378.52MB，以jpg图像与txt标注为主，辅以yaml配置、py训练脚本、pt权重及少量xml、sh、md等文件，覆盖数据、代码、权重与说明文档的完整链路。资源内含3000张多行人图像，标注同时提供VOC与YOLO两种格式，并附有训练曲线图，模型基于一万余条数据训练，准确率达90%以上，类别为person。已有6309人学习下载，读者可据此快速完成环境搭建、模型复现与效果评估，也可直接用于二次训练或迁移到自有行人检测任务中，节省数据标注与调参成本。

1. 拿到一份 YOLOv5 行人检测权重和 3000 张数据集，先别急着训练

你手上如果有一个yolov5-6.0-person_detect.zip，里面装着 3000 张行人数据集和一份训练好的权重，最该做的不是马上train.py跑起来，而是先搞清楚这三件事：权重是在什么数据上训的、数据集标注格式对不对、推理时的输入尺寸和置信度阈值是多少。我见过太多人拿到权重直接套自己的监控画面，结果满屏漏检，回头骂模型不行，其实是没对齐训练分布。

行人检测这个任务在 YOLOv5 生态里属于「看起来简单、落地全是坑」的典型。COCO 预训练权重里 person 类确实能检出人，但密集场景、小目标、遮挡、夜间红外画面下，通用权重的召回率会掉得很难看。所以一份专门用 3000 张行人数据微调过的权重，价值就在于它把特征空间往「人」这个类上收窄了。这篇文章就围绕这份权重和数据集，把从环境搭建、数据校验、推理验证到微调训练、量化部署的完整链路讲清楚，适合已经跑通过 YOLOv5 demo、想把它真正用到行人检测场景的工程师。

2. 权重和数据集到手后的第一轮体检：别让格式问题浪费一晚上

2.1 先确认权重版本和数据集目录结构

YOLOv5 的权重文件后缀是.pt，但 6.0 版本和 7.0 版本的模型结构有差异，直接混用会报KeyError或者加载后精度异常。拿到yolov5-6.0-person_detect.zip后，先解压看目录，常见结构是权重放在weights/下，数据集按 YOLO 标准格式组织：

person_detect/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── person_detect.yaml

如果解压出来是JPEGImages+Annotations这种 VOC 结构，说明数据集还没转成 YOLO 格式，需要先转换。YOLO 格式的标签是每张图对应一个.txt，每行class_id x_center y_center width height，坐标全部归一化到 0~1。行人检测通常只有一类，所以class_id恒为 0。

提示：先看person_detect.yaml里的nc和names，如果nc: 1且names: ['person']，说明是单类行人检测；如果nc: 80，那这份权重很可能是 COCO 全类微调后只保留 person 的，推理时要注意类别索引。

2.2 用脚本校验标签，避免训练时 loss 直接 NaN

标签里只要有一个坐标超出 [0,1] 或者宽高为 0，训练几个 epoch 后 loss 就可能变 NaN。我一般会先跑一个校验脚本，把问题样本挑出来：

import os import numpy as np label_dir = "person_detect/labels/train" bad_files = [] for txt in os.listdir(label_dir): if not txt.endswith(".txt"): continue path = os.path.join(label_dir, txt) with open(path, "r") as f: lines = f.readlines() for i, line in enumerate(lines): parts = line.strip().split() if len(parts) != 5: bad_files.append((txt, i, "字段数不对")) continue cls, x, y, w, h = map(float, parts) # 坐标必须在 0~1 之间，宽高必须大于 0 if not (0 <= x <= 1 and 0 <= y <= 1 and 0 < w <= 1 and 0 < h <= 1): bad_files.append((txt, i, f"坐标异常: {parts}")) # 宽高过小说明是标注错误或极小目标 if w * h < 1e-4: bad_files.append((txt, i, f"目标过小: {parts}")) print(f"问题文件数: {len(bad_files)}") for item in bad_files[:20]: print(item)

这段脚本做三件事：检查每行是否恰好 5 个字段、检查归一化坐标是否越界、检查宽高乘积是否过小。w * h < 1e-4这个阈值对应原图约 10x10 像素的目标，行人检测里这种目标要么是标注错误，要么是远景小目标，训练时容易带偏梯度。跑完如果问题文件超过 5%，建议直接剔除这些样本重新生成标签，而不是硬训。

2.3 统计类别分布和图像尺寸，决定输入分辨率

3000 张行人数据集不算大，如果里面正样本（含人的图）和负样本（纯背景）比例失衡，模型会偏向预测背景。用下面这段代码快速统计：

import os import cv2 from collections import Counter img_dir = "person_detect/images/train" label_dir = "person_detect/labels/train" sizes = [] pos, neg = 0, 0 for img_name in os.listdir(img_dir): img_path = os.path.join(img_dir, img_name) img = cv2.imread(img_path) if img is None: continue h, w = img.shape[:2] sizes.append((w, h)) txt = os.path.join(label_dir, os.path.splitext(img_name)[0] + ".txt") if os.path.exists(txt) and os.path.getsize(txt) > 0: pos += 1 else: neg += 1 print("正样本:", pos, "负样本:", neg) print("尺寸分布:", Counter(sizes).most_common(5))

如果负样本占比超过 30%，训练时要把hyp里的fl_gamma调低或者增加正样本采样权重。尺寸统计决定imgsz设多少：如果大部分图是 1920x1080，直接 resize 到 640 会让远处行人变成几个像素，建议用imgsz=960或切片推理。我一般会看尺寸分布的中位数，取中位数短边的 1/2 作为imgsz起点。

3. 用这份权重跑通推理：从单图到视频流的参数怎么调

3.1 最小推理命令和置信度阈值的选择

YOLOv5 6.0 的推理入口是detect.py，加载这份行人权重的最小命令：

python detect.py \ --weights weights/person_detect.pt \ --source test_images/ \ --img-size 640 \ --conf-thres 0.25 \ --iou-thres 0.45 \ --device 0

--conf-thres是置信度阈值，行人检测里这个值很关键。设 0.25 是通用起点，但监控场景下远处行人得分普遍偏低，可以降到 0.15 看召回；如果误检太多（把树影、广告牌上的人像检出来），再往上调到 0.4。--iou-thres控制 NMS 合并，密集人群场景下 0.45 容易把挨着的人合并成一个框，可以提到 0.6。--img-size要和训练时一致，如果权重是用 640 训的，推理用 1280 不会提升精度，反而因为尺度不匹配掉点。

注意：--device 0表示用第一块 GPU，如果只有 CPU 就写--device cpu，但 640 输入下单张推理大概 200~400ms，视频流会卡。

3.2 批量推理和结果落盘的目录约定

实际项目里很少一张张跑，通常要批量处理整个文件夹并保存可视化结果：

python detect.py \ --weights weights/person_detect.pt \ --source /data/videos/ \ --img-size 640 \ --conf-thres 0.3 \ --save-txt \ --save-conf \ --project runs/detect \ --name person_exp1 \ --exist-ok

--save-txt会把检测框按 YOLO 格式写到runs/detect/person_exp1/labels/，--save-conf在每行末尾加上置信度。这两个参数在做后续跟踪或统计人流时必开，否则你只能看到画了框的图，拿不到结构化数据。--exist-ok允许覆盖同名目录，调试阶段省事，但正式跑批建议去掉，避免误覆盖上一次结果。

3.3 视频流推理的帧率优化和跳帧策略

用--source 0直接读摄像头时，瓶颈往往在预处理和后处理，不在模型本身。我一般会做两件事：一是把--img-size降到 480 或 512，二是跳帧推理。YOLOv5 的detect.py本身不支持跳帧，需要改LoadStreams或者在外面包一层：

import cv2 import torch model = torch.hub.load('ultralytics/yolov5', 'custom', path='weights/person_detect.pt', force_reload=False) model.conf = 0.3 model.iou = 0.5 cap = cv2.VideoCapture(0) frame_id = 0 while True: ret, frame = cap.read() if not ret: break frame_id += 1 # 每 3 帧推理一次，其余帧复用上次结果 if frame_id % 3 == 0: results = model(frame, size=640) boxes = results.xyxy[0].cpu().numpy() for x1, y1, x2, y2, conf, cls in boxes: cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.imshow('person', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

跳帧的代价是快速移动的行人框会滞后，如果做跟踪，建议用卡尔曼滤波补帧，而不是简单复用。model.conf和model.iou是直接改模型属性，比命令行参数更灵活，适合在代码里动态调整。

4. 想在自己的数据上继续微调：3000 张够不够、超参怎么设

4.1 微调还是从头训：看你的场景和这份权重的差距

3000 张行人数据训一个 YOLOv5s 从零开始，大概率欠拟合，mAP 能到 0.5 就不错了。但如果这份权重已经在类似场景（比如街景、监控）上训过，你只是补充一些特定角度或光照的样本，那微调 50~100 个 epoch 就能有明显提升。判断标准很简单：用你的验证集跑一遍现有权重，如果 mAP@0.5 已经超过 0.6，说明特征空间基本对，微调即可；如果低于 0.3，要么场景差异太大，要么标注有问题，先解决数据再谈训练。

微调时学习率要降，YOLOv5 默认lr0=0.01是从头训的配置，微调建议lr0=0.001，lrf=0.01，并且冻结前几层：

python train.py \ --weights weights/person_detect.pt \ --data person_detect.yaml \ --epochs 80 \ --batch-size 16 \ --img-size 640 \ --lr0 0.001 \ --lrf 0.01 \ --freeze 10 \ --hyp data/hyps/hyp.scratch-low.yaml

--freeze 10表示冻结 backbone 前 10 层，只训 neck 和 head。行人检测的底层特征（边缘、纹理）和通用目标差异不大，冻结能防止小数据集过拟合。--hyp选hyp.scratch-low.yaml是因为它做了更强的数据增强（mosaic、mixup 比例更高），3000 张图需要靠增强撑住泛化。

4.2 关键超参：anchor、mosaic 和 warmup 的取舍

YOLOv5 6.0 默认 anchor 是基于 COCO 聚类的，行人检测里人的宽高比集中在 1:2 到 1:4 之间，和 COCO 的 anchor 分布有偏差。如果微调后小目标召回一直上不去，可以用--noautoanchor关掉自动 anchor，然后自己用 k-means 在 3000 张数据上重新聚类：

python utils/autoanchor.py \ --data person_detect.yaml \ --weights weights/person_detect.pt \ --img-size 640

这个脚本会输出建议的 anchor 尺寸，替换到模型配置里。mosaic 增强在微调后期建议关掉，因为 mosaic 拼接会让行人被裁切，最后 10 个 epoch 用--close-mosaic 10让模型适应真实分布。warmup 阶段warmup_epochs=3对微调足够，太长反而浪费。

4.3 训练过程看什么指标：mAP、召回和 val_loss 的联动

训练日志里重点看三个数：metrics/mAP_0.5、metrics/recall和val/box_loss。mAP 涨但 recall 不涨，说明模型在提高已检出目标的精度，但漏检没改善，这时候要降conf-thres看验证集，或者检查标注里有没有漏标的人。val/box_loss如果连续 10 个 epoch 不降反升，说明过拟合了，提前停或者加大weight_decay。我一般会在--patience 20的基础上，自己看results.csv画曲线，mAP_0.5:0.95比mAP_0.5更能反映框的定位质量，行人检测里定位准比分类准更重要。

5. 部署到边缘设备：量化、转换和推理速度的坑

5.1 从 .pt 到 ONNX 再到 RK3568 的转换链路

标题热词里提到yolov5量化rk3568和树莓派4b部署yolov5，这两条路我都踩过。先说通用链路：.pt→ ONNX → 目标平台格式。导出 ONNX：

python export.py \ --weights weights/person_detect.pt \ --include onnx \ --img-size 640 \ --batch-size 1 \ --opset 12 \ --simplify

--opset 12是兼容性比较好的版本，--simplify会用 onnx-simplifier 去掉冗余节点。导出后一定要用onnxruntime跑一遍验证输出和 PyTorch 一致，否则后面量化误差会放大。RK3568 的 NPU 工具链（RKNN-Toolkit）对 ONNX 的算子支持有限，YOLOv5 里的Focus层和SiLU激活经常需要替换，常见做法是导出时把Focus换成Conv，激活换成ReLU或LeakyReLU。

5.2 量化时的精度损失和校准集选择

RKNN 和 TensorRT 的 INT8 量化都需要校准集，校准集选不好，行人检测的召回能掉 20 个点。我一般从训练集里抽 200~500 张，覆盖不同光照、遮挡、密度场景，不要只用白天的清晰图。量化脚本里do_quantization=True，dataset指向校准图片列表：

from rknn.api import RKNN rknn = RKNN() rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]], target_platform='rk3568', quantized_dtype='asymmetric_quantized-8') rknn.load_onnx(model='person_detect.onnx') rknn.build(do_quantization=True, dataset='calib_list.txt') rknn.export_rknn('person_detect.rknn')

mean_values和std_values要和训练时的归一化一致，YOLOv5 默认是 0~1 归一化，所以 std 写 255。量化后必须在板子上跑验证集，对比 FP32 和 INT8 的 mAP，如果掉超过 5 个点，要么增加校准集，要么对敏感层（比如检测头）保持 FP16。

5.3 树莓派 4B 上的实测帧率和内存占用

树莓派 4B 用 ONNX Runtime 跑 YOLOv5s 640 输入，单核大概 1.5~2 FPS，四核并行能到 4~5 FPS，内存占用 500MB 左右。想再快只能降输入到 320 或者换 YOLOv5n。我实测过--img-size 320下能到 8~10 FPS，但小目标行人基本检不到，适合近距离场景。如果一定要在树莓派上跑 640，建议用 NCNN 或 OpenVINO，比 ONNX Runtime 快 30% 左右。散热也要注意，连续跑 10 分钟以上会降频，帧率掉一半，加个风扇是刚需。

6. 几个让我熬夜的排查记录和一条验证习惯

6.1 权重加载成功但推理全图只有一个框

现象：detect.py跑完，每张图只输出一个覆盖全图的大框，置信度 0.9 以上。原因：标签格式错了，把class_id x y w h写成了x y w h class_id，模型学到的「目标」就是整张图。解决：用 2.2 的校验脚本检查字段顺序，重新生成标签。这个坑我踩过两次，第二次是因为转换脚本里split()后索引写反了。

6.2 训练 loss 正常但 mAP 一直是 0

现象：train.py跑完 100 epoch，box_loss降到 0.05，但mAP_0.5始终是 0。原因：person_detect.yaml里的val路径指向了空文件夹，或者验证集标签和图片没对上（文件名差一个后缀）。解决：检查val: person_detect/images/val下有没有图，labels/val下有没有同名.txt，用os.path.splitext对齐文件名。

6.3 量化后模型在板子上输出全零

现象：RKNN 模型加载成功，推理输出全是 0 或 NaN。原因：校准集图片的预处理和训练不一致，比如训练用了 BGR，量化时用了 RGB，或者mean_values设错。解决：在校准脚本里显式用cv2.cvtColor(img, cv2.COLOR_BGR2RGB)并确认std_values和训练归一化匹配。我一般会先用一张训练集图片在 PC 上跑 RKNN 模拟器，输出和 ONNX 对比，一致了再上板子。

6.4 视频推理越跑越慢，最后卡死

现象：detect.py读视频流，前 100 帧正常，之后帧率线性下降。原因：--save-txt和--save-conf每帧都写文件，IO 阻塞了推理线程，或者LoadStreams的队列堆积。解决：把结果先存内存，每 100 帧批量落盘；或者用多进程，一个进程推理，一个进程写文件。树莓派上还要注意 SD 卡写入速度，换 USB 3.0 固态会好很多。

6.5 一条验证习惯：先过拟合 10 张图

每次拿到新权重或新数据，我会先挑 10 张图，用--epochs 200 --batch-size 2训到 loss 接近 0，然后在这 10 张图上推理。如果 mAP 不是 1.0，说明数据管道或标签有问题，不用继续训 3000 张。这个习惯帮我省了至少几十个小时的无效训练。过拟合小样本是验证整条链路最快的办法，比看日志猜问题靠谱得多。

希望帮到你。

本文还有配套的精品资源，点击获取