零基础入门AI: YOLOv5 详解与项目实战

一、YOLOv5 概述

1.1 基本介绍

YOLOv5（You Only Look Once version 5）是一个开源的目标检测框架，由 Glenn Jocher 及其团队开发，属于 Ultralytics 公司，在 GitHub 上发布。它是 YOLO 系列算法的第五代版本，旨在提供高效、灵活且易于使用的物体检测解决方案。相比于之前的版本，YOLOv5 引入了许多改进，使其成为工业界和学术界广泛采用的选择。

1.2 版本规格

YOLOv5 有 YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 五个版本。这几个模型的结构基本一样，不同的是depth_multiple 模型深度和 width_multiple 模型宽度这两个参数。就和我们买衣服的尺码大小排序一样，YOLOv5n 网络是 YOLOv5系列中深度最小、特征图的宽度最小的网络。其他三种都是在此基础上不断加深，不断加宽其参数量依次上升，当然了其效果也是越来越好。

性能对比表：

模型	尺寸(像素)	mAPval 50-95	mAPval 50	参数量(M)	FLOPs@640(B)	适用场景
YOLOv5n	640	28.0	45.7	1.9	4.5	移动设备/嵌入式系统
YOLOv5s	640	37.4	56.8	7.2	16.5	边缘设备
YOLOv5m	640	45.4	64.1	21.2	49.0	常规硬件
YOLOv5l	640	49.0	67.3	46.5	109.1	高端硬件
YOLOv5x	640	50.7	68.9	86.7	205.7	高性能硬件

1.3 主要特点

• 高性能：

  • YOLOv5 在多种硬件平台上表现出色，特别适合实时目标检测任务
  • 通过优化网络结构和训练流程，YOLOv5 在多种数据集上达到了较高的精度和较快的推理速度

• 易于使用：

  • YOLOv5 提供了简洁的 API 和详细的文档，使得用户可以轻松地进行模型训练、评估和部署
  • 支持多种框架和语言，包括 PyTorch、ONNX、TensorRT 等

• 模块化设计：

  • YOLOv5 采用了模块化的设计理念，使得用户可以方便地进行模型定制和扩展
  • 支持多种预训练模型和配置文件，用户可以根据自己的需求选择合适的模型

二、技术架构与核心改进

2.1 主要改进点

• 主干网络是修改后的 CSPDarknet53，后面跟了 SPPF 模块
• 网络最开始增加 Focus 结构
• 颈部网络采用 PANet、FPN
• 激活函数换成了 SiLU、Swish
• 采用 CloU 损失

2.2 Focus 模块（早期版本）

YOLOv5 刚推出时，为了提升模型效率，采用了 Focus 模块 作为网络的初始特征提取层，传统卷积下采样会丢失部分空间信息，Focus 模块旨在在不丢失信息的前提下进行高效下采样。

核心目标： 将高分辨率图像的空间信息通过切片操作转换为通道信息，从而实现高效、无信息损失的下采样。

Focus 模块是一种用于特征提取的卷积神经网络层，用于将输入特征图中的信息进行压缩和组合，从而提取出更高层次的特征表示，它被用作网络中的第一个卷积层，用于对输入特征图进行下采样，以减少计算量和参数量。

Focus 层在 YOLOv5 中是图片进入主干网络前，对图片进行切片操作，原理与 Yolov2 的 passthrough 层类似，采用切片操作把高分辨率的图片（特征图）拆分成多个低分辨率的图片（特征图），即隔列采样+拼接。

具体操作流程：

1. 输入阶段：假设输入一张图像大小为 640x640x3
2. 切片操作：640 x 640 x 3的图像输入 Focus 结构，采用切片操作，每隔一个像素拿到一个值
3. 拼接转换：然后进行一个连接（concat），变成 320 x 320 x 12 的特征图
4. 卷积处理：经过一次 32 个卷积核的卷积操作，最终输出 320 x 320 x 32 的特征图

注意： 在 YOLOv5 刚提出来的时候，有 Focus 结构，从 YOLOv5 第六版开始，就舍弃了这个结构，改用 k=6×6，stride＝2 的常规卷积。

2.3 网络结构

YOLOv5 的整体网络结构基于 CSPDarknet53 主干网络和 PANet 颈部网络，包含以下几个核心组件：

2.3.1 CSP1_X 与 CSP2_X

• CSP1_X：

  • 定义：带 shortcut（残差连接）的 CSP 模块
  • 结构特点：内部包含带有 shortcut 的 Bottleneck 结构
  • 应用场景：主要用于 backbone 部分，如 CSPDarknet53，增强特征提取能力
  • X 的含义：表示 bottleneck 的数量

• CSP2_X：

  • 定义：不带 shortcut 的 CSP 模块
  • 结构特点：内部没有 shortcut 连接，仅通过卷积操作进行特征提取
  • 应用场景：主要用于 neck 部分，如 PANet（Path Aggregation Network），进行特征聚合
  • X 的含义：表示 bottleneck 或其他卷积模块的数量

2.3.2 自适应Anchor的计算

在 YOLOv3、YOLOv4 中，训练不同的数据集时，计算初始 Anchor 的值是通过单独的程序运行的。但 YOLOv5 中将此功能嵌入到代码中，每次训练时会自适应的计算不同训练集中的最佳 Anchor 值。

实现方式：

• 在训练开始前，YOLOv5 会自动加载训练集中的标注框
• 使用 K-Means 聚类算法计算 Anchor
• 将结果作为初始 Anchor 值用于模型初始化

源码位置： utils/autoanchor.py/check_anchors()

2.3.3 激活函数

YOLOv5 使用了 SiLU 激活函数、Swish 激活函数两种激活函数。

SiLU 激活函数：

• YOLOv5 的 Backbone 和 Neck 模块和 YOLOv4 中大致一样，都采用 CSPDarkNet 和 FPN+PAN 的结构，但是网络中其他部分进行了调整，其中 YOLOv5 使用的激活函数是 SiLU
• 数学表达式：$SiLU(x)=x\cdot \sigma (x)$
• 特性：具备无上界有下届、平滑、非单调的特性

Swish 激活函数：

• Swish 激活函数是一个近似于 SiLU 函数的非线性激活函数
• 数学表达式：$Swish(x)=x\cdot \sigma (\beta x)$
• $\beta$是一个可调节的参数，通常设定为 1

2.3.4 Bottleneck 结构

Bottleneck 是用于减少参数和计算量的结构，其设计灵感来自于ResNet。

结构组成：

• 1x1卷积：用于减少特征图的通道数
• 3x3卷积：用于提取特征，后接一个 Batch Normalization 层和 ReLU 激活函数
• 1x1卷积：用于恢复特征图的通道数，后接一个BN层
• 跳跃连接（Shortcut）：将输入直接加到输出上，以形成残差连接

2.3.5 C3 模块

YOLOv5 中的 C3 模块在 CSP上进行了优化，非常相似但略有不同。YOLOv5 一共使用过两种 CSP 模块：

BottleneckCSP（v4.0版本之前）：

• 结构特点： 包含多个带 shortcut 的 Bottleneck
• 激活函数：LeakyReLU
• 用途：主要用于早期 YOLOv5 的 backbone

C3（v4.0版本之后）：

• 结构特点： 不再使用 shortcut（即 Bottleneck 不带残差连接）
• 激活函数：SiLU
• 用途：广泛用于 backbone 和 neck（如 PANet）

2.3.6 SPPF 模块

SPPF（Spatial Pyramid Pooling Fast）模块是对SPP模块的优化改进。

创新点：

• 将卷积核大小变成相同，然后将并行变成了串行+并行
• 2个K5池化=1个K9池化，3个K5池化=1个K13池化
• 在结果相同的基础上，速度更快，计算量更小

等效感受野计算公式：
对于连续堆叠 n 层，每层使用大小为 k 的核的操作（例如卷积或池化），其等效感受野大小可以通过以下公式计算：
$$K_{等效}=1+n(k-1)$$

层数 n	卷积核大小 k	等效感受野
1	5	1+1×(5−1)=5
2	5	1+2×(5−1)=9
3	5	1+3×(5−1)=13

SPP 和 SPPF 区别：
SPPF通过串行连接多个池化层来实现与SPP相同的多尺度特征提取效果，但计算效率更高。

2.4 输出头设计

YOLOv5 的输出头设计灵活度较高，支持多种尺寸：

• 输入图像尺寸：通常为 640x640（或者其它尺寸，如 416x416 等）
• 输出特征图：YOLOv5 使用大、中、小三个尺寸
• 输出尺寸:
  • 大目标: 通常是输入图像尺寸的 1/32
  • 中目标: 通常是输入图像尺寸的 1/16
  • 小目标: 通常是输入图像尺寸的 1/8

计算公式：
假设输入图像尺寸为640x640，具体的特征图尺寸如下：
$$\begin{gathered} \text{大目标:}\frac{640}{32}\times \frac{640}{32}=20\times 20 \\ \text{中目标:}\frac{640}{16}\times \frac{640}{16}=40\times 40 \\ \text{小目标:}\frac{640}{8}\times \frac{640}{8}=80\times 80 \end{gathered}$$

三、实战应用

3.1 开源项目介绍

YOLOV5并没有学术论文，是一个开源项目，是 Ultralytics 公司于 2020 年6月9 日发布的。项目可以在 GitHub 上获取：【https://github.com/ultralytics/yolov5】

预训练模型说明：
这些模型的结构是一样的，区别在于网络的深度和宽度，网络的深度指的就是 C3 模块中 Bottleneck 的数量，网络的宽度是指网络每层输出的通道数。

3.2 项目构建与配置

3.2.1 项目获取

1. 通过 GitHub 获取官方源码：【https://github.com/ultralytics/yolov5】
2. 国内用户可以使用 Gitee 镜像：【https://gitee.com/monkeycc/yolov5】
3. 将源码复制到项目开发文件夹中

3.2.2 环境配置

1. 配置 Python 解释器（建议使用 Anaconda 创建的虚拟环境）
2. 安装 requirements.txt 中的依赖（已安装PyTorch的情况下注释掉相关行）

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

3.2.3 模型下载

从官方提供的模型库中下载合适的预训练模型，复制到项目中。

3.3 快速入门

3.3.1 推理测试

使用以下命令进行推理测试：

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

参数说明：

• --weights: 指定模型权重文件路径
• --source: 指定输入源，可以是图像、视频、摄像头、目录等
• 推理结果默认保存到 runs/detect 目录

3.3.2 数据集获取与标注

数据集来源：

• 安全帽数据集：【https://www.kaggle.com/datasets/snehilsanyal/construction-site-safety-image-dataset-roboflow】

标注工具：

• 使用 labelImg 工具进行标注
• 安装：pip install labelimg
• 启动：在激活环境下执行 labelimg 命令

标注流程：

1. 选择 YOLO 模式创建标签
2. 使用快捷键进行标注：
   • w: 绘制矩形框
   • d: 下一张图片
   • a: 上一张图片
   • Del: 删除标注框
   • Ctrl+s: 保存

标注结果：

• 生成 .txt 文件：存储每一张图片的标注信息（标签序号、标注框的中心坐标、标注框的相对宽和高）
• 生成 classes.txt：类别信息文件

3.3.3 数据集配置

1. 在项目中创建 datasets 文件夹
2. 在 datasets 中创建子文件夹（如 helmet）存放数据集
3. 复制并修改配置文件：
   • 复制 data/coco128.yaml 为 helmet.yaml
   • 修改路径和类别信息

配置文件示例：

path: ./datasets/helmet
train: train/images
val: val/images
test: names:0: head1: helmet2: person

4. 修改模型配置文件 models/yolov5s.yaml 中的类别数

3.4 模型训练

3.4.1 训练命令

python train.py \--data data/helmet.yaml \--img 640 \--epochs 25 \--weights yolov5s.pt \--cfg models/yolov5s.yaml \--batch-size 2 \--device 0

参数说明：

• --data: 数据集配置文件路径
• --img: 输入图像尺寸
• --epochs: 训练周期数
• --weights: 初始权重文件路径
• --cfg: 模型配置文件路径
• --batch-size: 批量大小
• --device: 训练设备（0表示GPU 0，cpu表示CPU）

3.4.2 训练过程监控

训练过程中显示的关键指标：

• Epoch: 训练进度
• Gpu_mem: GPU内存使用情况
• box_loss: 边界框回归损失
• obj_loss: 对象存在性损失
• cls_loss: 分类损失
• Instances: 检测到的目标实例数量
• Size: 输入图像大小

3.4.3 恢复训练

如果训练过程中意外停止，可以使用以下命令恢复训练：

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

3.5 模型导出与推理

3.5.1 导出ONNX格式

python export.py --weights yolov5s.pt --img 640 --batch 1 --device 0 --include onnx

3.5.2 YOLO格式推理

from yolov5 import detect
detect.run(weights='yolov5s.onnx',  # 权重文件路径source='data/images',  # 输入源路径img_size=640,  # 输入图像尺寸conf_thres=0.25,  # 置信度阈值iou_thres=0.45,  # IoU阈值max_det=1000,  # 最大检测数量device='0',  # 设备view_img=False,  # 显示检测结果save_txt=False,  # 保存检测结果为txt文件save_conf=False,  # 保存置信度到txt文件save_crop=False,  # 裁剪并保存检测到的对象nosave=False,  # 保存图像/视频classes=None,  # 检测所有类agnostic_nms=False,  # 类无关的非极大值抑制augment=False,  # 推理增强visualize=False,  # 可视化特征图update=False,  # 更新所有模型project='runs/detect',  # 结果保存目录name='exp',  # 结果保存子目录exist_ok=False,  # 允许现有目录line_thickness=3,  # 画框线条粗细hide_labels=False,  # 隐藏标签hide_conf=False,  # 隐藏置信度half=False,  # 半精度推理dnn=False  # 使用OpenCV DNN模块
)

3.5.3 ONNX格式推理

import onnxruntime as ort
import numpy as np
import cv2# 创建ONNX Runtime推理会话
providers = ['CUDAExecutionProvider']  # 或 ['CPUExecutionProvider']
session = ort.InferenceSession('yolov5s.onnx', providers=providers)# 预处理图像
img = cv2.imread('data/images/bus.jpg')
img = cv2.resize(img, (640, 640))
img = img.transpose((2, 0, 1))  # HWC to CHW
img = np.expand_dims(img, axis=0).astype(np.float32) / 255.0# 推理
outputs = session.run(None, {'images': img})
print(outputs[0].shape)

四、项目结构与配置详解

4.1 源码目录结构

yolov5/
├── data/                 # 数据集配置和超参数
│   ├── hyps/            # 超参数配置
│   ├── images/          # 测试图像
│   ├── scripts/         # 数据集下载脚本
│   └── *.yaml          # 数据集配置文件
├── models/              # 模型定义
│   ├── common.py        # 通用模块
│   ├── experimental.py  # 实验性代码
│   ├── tf.py           # TensorFlow版本
│   ├── yolo.py         # YOLO特定模块
│   └── *.yaml          # 模型配置文件
├── utils/               # 工具函数
│   ├── activations.py   # 激活函数
│   ├── augmentations.py # 数据增强
│   ├── autoanchor.py    # 自动Anchor计算
│   ├── dataloader.py    # 数据加载
│   ├── loss.py          # 损失函数
│   └── metrics.py       # 评估指标
├── datasets/            # 自定义数据集
├── runs/                # 训练和推理结果
├── detect.py            # 目标检测脚本
├── train.py             # 训练脚本
├── val.py               # 验证脚本
└── requirements.txt     # 依赖环境

4.2 数据集目录结构

datasets/
└── helmet/              # 数据集名称├── test/            # 测试集（可选）│   └── images/      # 测试图像├── train/           # 训练集│   ├── images/      # 训练图像│   └── labels/      # 标注文件└── valid/           # 验证集├── images/      # 验证图像└── labels/      # 标注文件

4.3 训练结果目录

runs/
├── detect/              # 推理结果
│   └── exp/             # 实验1，依次递增
└── train/               # 训练结果└── exp/             # 实验1，依次递增└── weights/     # 模型权重├── best.pt  # 最佳权重└── last.pt  # 最后权重

4.4 训练参数配置详解

超参数文件： data/hyps/ 目录下的yaml文件

主要参数说明：

• lr0: 初始学习率 (SGD=1E-2, Adam=1E-3)
• lrf: 最终学习率 (lr0 * lrf)
• momentum: SGD动量/Adam beta1
• weight_decay: 优化器权重衰减
• warmup_epochs: 热身周期数
• box: 边界框损失增益
• cls: 分类损失增益
• obj: 目标检测损失增益
• hsv_h: 图像HSV-Hue增强
• hsv_s: 图像HSV-Saturation增强
• hsv_v: 图像HSV-Value增强
• flipud: 图像上下翻转概率
• fliplr: 图像左右翻转概率
• mosaic: 图像马赛克增强概率

4.5 模型结构参数详解

模型配置文件： models/ 目录下的yaml文件

主要参数：

• nc: 类别数量
• depth_multiple: 模型深度系数
• width_multiple: 层通道数系数
• anchors: 锚框配置
• backbone: 主干网络结构
• head: 检测头结构

模块定义格式： [from, number, module, args]

• from: 输入来源（-1表示上一层）
• number: 模块重复次数
• module: 模块名称（定义在common.py中）
• args: 初始化参数

五、扩展功能应用

5.1 实例分割

下载yolov5s-seg.pt文件、自己训练，可以看开发手册：【https://docs.ultralytics.com/tasks/classify/】

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

5.2 图像分类

下载yolov5s-cls.pt文件、自己训练，可以看开发手册：【https://docs.ultralytics.com/tasks/classify/】

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

六、项目实战：车牌检测与识别

6.1 项目介绍

使用 YOLOv5 框架完成目标检测任务，实现车牌检测和号码识别。

技术流程：

1. 目标检测阶段：找到车牌位置并裁剪保存
2. 文字识别阶段：使用 PaddleOCR 识别车牌号码

6.2 数据集处理

6.2.1 数据集获取

• 使用 CCPD（中国城市车牌数据集）
• 开源地址：【https://gitcode.com/Resource-Bundle-Collection/f81da/】

6.2.2 标注数据处理

• 从文件名解析标注信息（包含坐标信息）
• 坐标转换：左上/右下坐标 → 中心点+宽高（归一化）
• 单类别标注：车牌（类别0）
• 按标准格式组织训练集和验证集

6.3 模型训练

• 使用 yolov5s.pt 作为预训练权重
• 初始训练200个epochs，根据效果调整
• 监控训练指标，适时调整超参数

6.4 推理与集成

import torch
from PIL import Image# 加载自定义模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='license_plate.pt')# 推理
results = model('input_image.jpg')# 裁剪检测区域
crops = results.crop()
for crop in crops:plate_image = crop['im']  # 提取车牌图像# 接入PaddleOCR进行文字识别

七、实践与优化

7.1 性能优化

1. 数据增强策略：根据模型尺寸选择合适的增强强度
2. 超参数调优：参考官方提供的超参数配置文件
3. 模型量化：导出ONNX/TensorRT格式提升推理速度
4. 硬件加速：合理配置batch size以避免内存溢出

7.2 训练技巧

1. 学习率调度：使用cosine annealing或one-cycle策略
2. 早停机制：监控验证集性能，防止过拟合
3. 模型集成：融合多个模型的预测结果提升精度
4. 数据平衡：处理类别不平衡问题，使用focal loss等

7.3 部署考虑

1. 模型格式选择：根据部署环境选择pt、onnx或tensorrt格式
2. 内存优化：使用半精度(float16)推理减少内存占用
3. 批量处理：合理设置batch size平衡延迟和吞吐量
4. 硬件适配：针对不同硬件平台进行特定优化

八、资源与支持

8.1 官方资源

• GitHub仓库：【https://github.com/ultralytics/yolov5】
• 官方文档：【https://docs.ultralytics.com/】
• 预训练模型：【https://github.com/ultralytics/yolov5/tree/master/models】

8.2 社区支持

• GitHub Issues：问题反馈和功能请求
• Discord社区：实时交流和技术讨论
• Stack Overflow：技术问题解答

8.3 学习资源

• 官方教程：包含从入门到进阶的完整指南
• 论文解读：相关技术论文和分析文章
• 实战案例：各种应用场景的实现示例

---

注意： 本文档基于 YOLOv5 v7.0 版本编写，不同版本可能存在差异，请以官方文档和代码为准。建议定期查看官方更新以获取最新特性和优化。