企业官网建设流程全解析

基于YOLO算法的目标检测毕设实战：从模型选型到部署优化

很多做毕设的同学拿到“目标检测”题目后，第一反应是“YOLO 听起来很酷”，第二反应是“怎么跑不通？”——训练 loss 炸掉、mAP 算出来 0.01、Jetson 上推理 2 s 一张图……本文把我自己踩过的坑写成一份“通关攻略”，照着做，基本能把项目从“能跑”升级到“能看、能讲、能答辩”。

1. 背景痛点：为什么你的 YOLO 毕设总翻车

1. 数据准备阶段：标签格式不统一，COCO、YOLO、Pascal 混着来，训练脚本直接罢工。
2. 训练阶段：
   • 直接python train.py --img 640 --batch 16 --epoch 300一把梭，结果 loss 从 10 飞到 100，NaN 结束。
   • 类别极度不平衡，背景类占 95%，模型学会“全部预测背景”，mAP 看着像模像样，其实啥也没检出来。
3. 评估阶段：
   • 把验证集当测试集，反复调参，线下 0.9+，答辩现场换张新图秒翻车。
   • 只盯mAP@0.5，对mAP@0.5:0.95和AR@100一问三不知，老师质疑“指标这么单一，可信吗？”
4. 部署阶段：
   • .pt文件 40 MB，网页一加载，用户手机直接发烫。
   • Jetson Nano 跑 FP32，一张图 1.8 s，评委摇头“实时性太差”。

一句话：学术 demo 与工业落地之间，差了一“整套工程化”。

2. 技术选型：YOLOv5 / v8 / YOLO-NAS 怎么挑

结论：

• 想“稳过毕设”→ 选 YOLOv8；
• 想冲竞赛第一 → 可试 YOLO-NAS，但论文写作量翻倍；
• 老机器 GPU 不足 6 GB → YOLOv5n 也能毕业，但答辩亮点少。

下文全部以YOLOv8为例，其他版本命令基本通用。

3. 核心实现：从 0 到可导出 ONNX

3.1 环境 1 分钟搭好

conda create -n yolo python=3.9 conda activate yolo pip install ultralytics==8.0.200 # 锁定版本，防止 API 漂移

3.2 自定义数据集组织

dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml

data.yaml两行就够：

train: ./images/train val: ./images/val nc: 3 names: ['cat', 'dog', 'person']

提醒：标签文件一定用YOLO 格式（class x_center y_center width height），全部归一化到 0-1，Win 下不要用 Excel 打开再保存，会偷偷把空格变 Tab！

3.3 训练脚本（带关键注释）

# train.py from ultralytics import YOLO def main(): model = YOLO("yolov8n.pt") # 加载预训练权重，迁移学习 model.train( data="dataset/data.yaml", epochs=150, # 先少跑，看曲线再决定是否加长 imgsz=640, batch=32, # 显存不足就调小 optimizer="AdamW", # 比 SGD 收敛快 cos_lr=True, # 余弦退火 augment=True, # 官方默认已开 cache=False, # 数据集大就关，省显存 device=0, # 单卡 project="runs/det", name="exp", exist_ok=False ) if __name__ == "__main__": main()

跑完后runs/exp/weights/best.pt自动保存最高 mAP 模型。

3.4 评估与指标解读

# eval.py from ultralytics import YOLO model = YOLO("runs/exp/weights/best.pt") metrics = model.val() # 默认用 data.yaml 里的 val print("mAP50:", metrics.box.map50) print("mAP50-95:", metrics.box.map)

答辩常问：

• “为什么 mAP50 高但 mAP50-95 低？” → 说明框定位不准，需增加回归 loss 权重或更多小目标增强。
• “AR 代表什么？” → 查全率，越高漏检越少，安全场景必须关注。

3.5 导出 ONNX（为 TensorRT 铺路）

# export.py model = YOLO("best.pt") model.export(format="onnx", imgsz=640, half=True, simplify=True)

得到best.onnx，节点名干净，兼容 TensorRT 8.x。

4. Clean Code：推理函数封装

# infer.py import cv2, onnxruntime as ort import numpy as np class YoloInfer: def __init__(self, onnx_path, conf_thres=0.5, nms_thres=0.45): self.conf = conf_thres self.nms = nms_thres providers = ['CUDAExecutionProvider', 'CPUExecutionProvider'] self.ort = ort.InferenceSession(onnx_path, providers=providers) self.input_name = self.ort.get_inputs()[0].name def preprocess(self, img): # 等比缩放 + 灰条 h0, w0 = img.shape[:2] r = 640 / max(h0, w0) h, w = int(h0*r), int(w0*r) img_res = cv2.resize(img, (w, h)) dw, dh = (640-w)//2, (640-h)//2 pad = np.full((640, 640, 3), 114, np.uint8) pad[dh:dh+h, dw:dw+w] = img_res # HWC→CHW & 归一化 blob = pad[:,:,::-2].transpose(2,0,1)[None]/255.0 return blob.astype(np.float repertoire="32") def __call__(self, img): blob = self.preprocess(img) outs = self.ort.run(None, {self.input_name: blob})[0] # 后处理：置信度过滤 + NMS boxes, scores, cls = self.postprocess(outs) return boxes, scores, cls def postprocess(self, preds): # preds shape: [1, 8400, 4+1+nc] preds = preds[0] xywh, conf, cls = np.split(preds, [4, 5], axis=1) conf = conf.ravel() mask = conf > self.conf xywh, conf, cls = xywh[mask], conf[mask], cls[mask] # 转 xyxy x, y, w, h = xywh.T x1, y1, x2, y2 = x-w/2, y-h/2, x+w/2, y+h/2 boxes = np.stack([x1,y1,x2,y2], axis=1) # NMS idx = cv2.dnn.NMSBoxes(boxes.tolist(), conf.tolist(), self.conf, self.nms) return boxes[idx], conf[idx], cls[idx]

把预处理、后处理都封装到类里，主流程只剩三行，老师看你代码结构直接加分。

5. 性能与部署：让 Jetson 也能 30 FPS

1. 量化：
   • PTQ（Post-training quantization）掉 1-2% mAP，体积减半。
   • YOLOv8 官方支持model.export(format=engine, int8=True, data="calib/")，给出 100 张校准图即可。
2. TensorRT 加速：
   • 640×640 FP16 在 Jetson Orin Nano 上推理 17 ms，满足 30 FPS。
   • 若 Nano 老硬件，把输入缩到 416×416，可压到 35 ms。
3. Web 端：
   • 把上述 ONNX 放 WebAssembly，配合 ONNX.js + WebGL，iPhone 13 跑 120 ms，演示答辩足够。
4. 服务化：
   • FastAPI 写三接口/upload,/infer,/result，Docker 镜像 300 MB，树莓派 4B 也能跑。

6. 生产环境避坑指南

• 标签格式错误：
  用脚本python utils/verify_labels.py提前扫描，出现“空格分隔”“坐标>1”直接抛异常。
• 类别不平衡：
  过采样 + 复制粘贴小目标，或开启 YOLOv8 的oversample=1.5，mAP 可涨 3-5 点。
• 验证集泄露：
  随机分 8:1:1 前，先把“同一视频帧序列”整段划到同一子集，防止相邻帧互泄。
• 冷启动耗时：
  TensorRT engine 第一次编译要 2-3 分钟，把.engine文件持久化，开机直接加载。
• 显存爆炸：
  训练阶段cache=True会全载入内存，图片大就关；推理阶段batch=1稳。
• 版本漂移：
  锁定ultralytics==8.0.200,onnxruntime-gpu==1.16，升级前 diff 看 changelog。

7. 动手复现 & 思考边界

1. 把上面仓库原封不动跑通，再换成你自己的数据集，记录 mAP 变化曲线；
2. 尝试把imgsz降到 320，看速度/精度交换比，写进答辩 PPT；
3. 打印 100 张测试图，手工数一遍 GT，算真正 AR，验证代码指标是否对得上；
4. 思考：当检测目标小于 16×16 像素时，YOLOv8 的 P3 层 anchor 已力不从心，能否加一层 P2？或者换 Transformer-based 检测头？——把实验结果写进“未来工作”，老师最爱听。

毕设不是“跑通就行”，而是“能讲清楚为什么这样做”。把这篇笔记当 checklist，一步步打钩，最终你交上去的不只是代码，还有一份可以复现、可以量化的工程报告。祝你答辩顺利，早日把 YOLO 装进自己的简历！