YOLOv5 7.0：配置与使用

06 配置与使用

6.1 安装

cd /home/cp/work2/visualAlgo/YOLO/yolov5-7.0
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

PyTorch 是否带 CUDA，应按本机驱动从 PyTorch 官方安装对应版本。仅执行 requirements.txt 不保证获得正确的 CUDA wheel。

验证环境：

python - <<'PY'
import torch, cv2
print("torch:", torch.__version__)
print("cuda:", torch.cuda.is_available())
print("opencv:", cv2.__version__)
PY

6.2 权重

源码目录不等于权重包。常用权重：

yolov5n.pt  最小最快
yolov5s.pt  常用入门
yolov5m.pt
yolov5l.pt
yolov5x.pt  最大

传入不存在的官方权重名时，attempt_download() 会尝试下载。离线机器应提前复制 .pt。

也可执行：

bash data/scripts/download_weights.sh

6.3 快速检测

python detect.py \
  --weights yolov5s.pt \
  --source data/images \
  --img 640 \
  --conf-thres 0.25 \
  --iou-thres 0.45

结果默认写入：

runs/detect/exp/

常见 source：

--source image.jpg
--source images/
--source video.mp4
--source 0
--source rtsp://...
--source screen

常见选项：

--save-txt           # 保存 class xywh
--save-conf          # TXT 追加置信度
--save-crop          # 保存目标裁剪
--classes 0 2        # 只保留指定类别
--agnostic-nms       # 类别无关 NMS
--half               # 支持的 GPU/后端上 FP16
--vid-stride 2       # 视频隔帧

6.4 自定义数据集

目录：

datasets/mydata/
├── images/
│   ├── train/
│   └── val/
└── labels/
    ├── train/
    └── val/

data/mydata.yaml：

path: ../datasets/mydata
train: images/train
val: images/val
names:
  0: cat
  1: dog

标签：

0 0.512 0.480 0.200 0.350

含义为 class cx cy w h，坐标归一化。类别必须从 0 连续编号，且小于 nc。

6.5 训练

迁移学习

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

从零训练

python train.py \
  --weights '' \
  --cfg models/yolov5s.yaml \
  --data data/mydata.yaml \
  --hyp data/hyps/hyp.scratch-low.yaml \
  --epochs 300

自动 Batch

单 GPU 可使用：

--batch-size -1

冻结 Backbone

--freeze 10

表示冻结模型前 10 层，适合小数据集初期迁移。

6.6 恢复训练

python train.py --resume runs/train/exp/weights/last.pt

恢复需要 last.pt 中仍包含：

• epoch
• optimizer
• EMA
• opt/hyp

训练结束时 strip_optimizer() 会移除优化器状态并转 FP16；被 strip 的部署权重不适合完整恢复。

6.7 多 GPU DDP

python -m torch.distributed.run \
  --nproc_per_node 4 \
  train.py \
  --batch-size 64 \
  --device 0,1,2,3 \
  --data data/mydata.yaml

源码明确不推荐传统 DataParallel。DDP 的 batch-size 是总 batch，会按 WORLD_SIZE 分给各 GPU。

6.8 验证

python val.py \
  --weights runs/train/exp/weights/best.pt \
  --data data/mydata.yaml \
  --img 640 \
  --conf-thres 0.001 \
  --iou-thres 0.6

主要输出：

• Precision
• Recall
• mAP@0.5
• mAP@0.5:0.95
• 各类别 AP
• 混淆矩阵和 PR 曲线（未关闭 plots 时）

验证时低 conf-thres 是为了保留完整 PR 曲线，不等同于部署阈值。

6.9 分割

python segment/train.py \
  --model yolov5s-seg.pt \
  --data data/coco128-seg.yaml \
  --epochs 5 \
  --img 640

python segment/val.py \
  --weights yolov5s-seg.pt \
  --data data/coco128-seg.yaml

python segment/predict.py \
  --weights yolov5s-seg.pt \
  --source data/images

6.10 分类

python classify/train.py \
  --model yolov5s-cls.pt \
  --data cifar100 \
  --epochs 5 \
  --img 224

python classify/val.py \
  --weights yolov5s-cls.pt \
  --data ../datasets/imagenet

python classify/predict.py \
  --weights yolov5s-cls.pt \
  --source data/images

6.11 PyTorch Hub

本地源码（以下直接传图片的写法适用于检测模型；v7.0 的分类/分割模型不会自动套用 AutoShape）：

import torch

model = torch.hub.load(
    "/home/cp/work2/visualAlgo/YOLO/yolov5-7.0",
    "custom",
    path="best.pt",
    source="local",
)
results = model("image.jpg")
results.print()
results.save()

若输入是 OpenCV 数组，AutoShape 注释期望 RGB：

rgb = cv2.imread("image.jpg")[:, :, ::-1]
results = model(rgb)

仓库中的 sample_detect.py 是该模式的最小示例。

6.12 导出

ONNX

python export.py \
  --weights best.pt \
  --include onnx \
  --img 640 \
  --opset 12 \
  --simplify

TensorRT

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

OpenVINO

python export.py --weights best.pt --include openvino

其他 --include 格式见：

python export.py --help

6.13 ONNX + OpenCV DNN

python detect.py \
  --weights best.onnx \
  --source image.jpg \
  --dnn

这会让 DetectMultiBackend 调用 cv2.dnn.readNetFromONNX()，而不是 ONNX Runtime。

6.14 常见问题

yolov5s.pt 不存在

源码没有内置权重。联网时自动下载；离线时手动放到当前目录或传绝对路径。

CUDA 不可用

检查：

torch.cuda.is_available()

若为 False，通常是安装了 CPU 版 PyTorch、驱动不匹配或容器没挂 GPU。

标签越界

日志出现：

Label class X exceeds nc=N

说明标签类别 ID 大于数据集 YAML 中类别数，或类别不是从 0 开始。

OOM

依次尝试：

• 减小 --batch-size
• 减小 --img
• 使用 --batch-size -1
• 使用更小模型
• 关闭 cache 或改 disk

框映射不准

不要直接把网络输入坐标画到原图；必须用 scale_boxes() 消除 Letterbox 的缩放和 padding。

RK3588 NPU

.pt 默认只能走 PyTorch CPU/GPU。RK3588 NPU 通常要：

.pt → ONNX → RKNN → RKNN Runtime

--device 不能让 PyTorch .pt 自动运行在 RK NPU。