企业官网建设流程全解析

这次我们来看两套非常典型的深度学习目标检测实战项目：一套用 YOLOv5 做细胞检测，另一套用 YOLOv4 做交通标志识别。两套项目都覆盖了数据集准备、模型训练、效果验证和部署上线的完整流程，特别适合正在学习 YOLO 系列算法、想自己完整跑通一个检测任务的读者。

先回答一个很多人关心的问题：这两套项目难不难？YOLOv5 和 YOLOv4 都属于成熟的开源目标检测框架，网上资料多、复现案例多、踩坑记录也多。相比从零手写网络结构，这两套项目的核心工作量其实集中在三块：数据集的获取与标注、训练参数调整、模型导出与接口部署。它们能帮你把“算法原理”和“工程落地”串起来，而不是停留在跑通一个 demo 的阶段。

本文会把两套项目的实操路径分开讲：先讲 YOLOv5 细胞检测的数据组织和训练命令，再讲 YOLOv4 交通标志识别的 Darknet 环境配置和训练流程，最后统一给出部署到 API 服务、摄像头实时检测和批量推理的方案。如果你想从零开始接触 YOLO 实战，这篇文章可以直接作为操作清单来用。

1. 核心能力速览

从能力速览可以看出，两套项目其实是一个互补关系：YOLOv5 代码更友好、训练生态更现代，适合做精细检测；YOLOv4 配合 Darknet 在 CPU 和低端显卡上更灵活，适合做资源受限场景的验证。实际工作中很多人会先跑通 YOLOv5，再回去对比 YOLOv4 的速度和部署差异。

2. 项目一：YOLOv5 细胞检测实战

2.1 任务定义与数据集准备

细胞检测的目标是在显微镜图像中定位每一个细胞，并给出矩形框。这个任务看起来简单，实际有两个难点：细胞尺寸小、细胞密度高，容易漏检；背景中有杂质和染色噪声，容易误检。YOLOv5 在这类中小目标场景下表现不错，主要因为它有 Mosaic 数据增强和多尺度训练机制，可以增加模型对小目标的敏感性。

数据集先解决“有没有”的问题，再解决“干不干净”的问题。建议按两种方式准备：

• 使用公开生物影像数据集，优先选择已经带有 COCO 或 YOLO 格式标注的版本，省去自己标注的时间。
• 使用实验室自有图像，自己用标注工具生成标注文件。

需要注意的是，细胞检测如果涉及医学研究或临床辅助，要确认数据来源授权，不能随意抓取未脱敏的病理图像。如果只是学习算法流程，公开的细胞数据集已经足够。

2.2 YOLOv5 数据集目录组织

YOLOv5 约定了一种固定的数据集目录结构。以细胞检测为例，目录可以这样组织：

datasets/cell_detection/ ├── images/ │ ├── train/ │ │ ├── cell_001.jpg │ │ ├── cell_002.jpg │ └── val/ │ ├── cell_100.jpg │ ├── cell_101.jpg └── labels/ ├── train/ │ ├── cell_001.txt │ ├── cell_002.txt └── val/ ├── cell_100.txt ├── cell_101.txt

labels 目录下每个 txt 文件与 images 下的图片一一对应，文件名相同，后缀不同。每个 txt 的每一行代表一个目标框，格式为：

class_id x_center y_center width height

这里 x_center、y_center、width、height 都是归一化坐标，取值 0 到 1。比如一张 1000x1000 的图片中，一个细胞框左上角在 (200, 300)，宽 100，高 80，那么 class_id 对应的归一化结果是：

0 0.25 0.34 0.10 0.08

2.3 数据标注与格式转换

如果自己标注，推荐使用 labelImg 或 Label Studio。labelImg 可以直接保存为 YOLO 格式，省去后续转换。Label Studio 支持团队协作，输出格式需要再转换一次。

一组常用的坐标转换逻辑如下：假设原始标注是 VOC 格式的 x_min、y_min、x_max、y_max，图片宽为 img_w，高为 img_h，则：

x_center = (x_min + x_max) / 2 / img_w y_center = (y_min + y_max) / 2 / img_h width = (x_max - x_min) / img_w height = (y_max - y_min) / img_h

转换之后要注意检查边界值。如果归一化后坐标略小于 0 或略大于 1，可以做一个 clip 操作，避免训练时报错或边框异常。

2.4 修改 data.yaml 与模型配置

YOLOv5 训练前需要一个 data.yaml 文件，内容大致如下：

train: datasets/cell_detection/images/train val: datasets/cell_detection/images/val nc: 1 names: ['cell']

这里 nc 是类别数，names 是类别名称。如果还想加“背景”“杂质”等负样本标注，要在标注阶段就把这些类别加进去，不能在训练时临时改名字。

模型方面，一般情况下先选 YOLOv5s，显存压力小，训练速度快，精度也够用于学习。如果检测效果不理想，再换 YOLOv5m 或调大输入图像尺寸。

2.5 训练命令与超参数

YOLOv5 训练命令是一个典型的一行式命令：

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

几个关键参数：

• --img 640：输入图像短边缩放到 640。细胞图像如果原始分辨率较大，可以尝试 960 或 1280，小目标识别通常会变好，但显存占用会明显上升。
• --batch 16：显存不够就降到 8 或 4，优先保证训练不爆显存。
• --epochs 100：数据集小时 100 轮足够，配合早停机制可以提前结束。
• --device 0：使用第一块 GPU。CPU 训练太慢，不太建议用大模型在 CPU 上长时间训练。

训练过程中会生成 runs/train/exp 目录，里面包括权重文件、TensorBoard 日志和每轮的验证结果图片。

2.6 训练结果评估与推理测试

训练完成后，先看 runs/train/exp/ 下的 results.csv 或 TensorBoard 曲线。重点观察 mAP@0.5 和 mAP@0.5:0.95 两个指标。mAP@0.5 达到 0.9 以上对细胞检测来说已经可以用；mAP@0.5:0.95 越高说明框的定位越准。

用训练好的权重做推理：

python detect.py \ --weights runs/train/exp/weights/best.pt \ --source datasets/cell_detection/images/val \ --conf 0.25 \ --iou 0.45 \ --save-txt

--save-txt会输出检测结果的坐标文件，方便后续做批量统计，比如统计一张图里的细胞数量。

2.7 模型导出与部署

YOLOv5 自带导出脚本，可以导出 ONNX、TorchScript、TensorRT 等格式：

python export.py --weights runs/train/exp/weights/best.pt --include onnx

ONNX 模型可以接到 OpenCV DNN、ONNX Runtime 或 API 服务里，摆脱 PyTorch 运行环境的限制。TorchScript 则适合嵌入 PyTorch 环境中的服务。具体导出后的推理结果需要通过 ONNX Runtime 或 OpenCV 再次验证，防止某些算子导出后行为不一致。

3. 项目二：YOLOv4 交通标志识别实战

3.1 交通标志检测的技术要点

交通标志属于尺寸小、类别多、色彩信息明显的目标。与细胞检测相比，它的检测难点在野外环境：拍摄距离远导致标志占比小，逆光、雨雪、遮挡让特征不稳定。YOLOv4 用了 CSPDarknet53 骨干网络和 PANet 颈部结构，在中等分辨率输入下对这类目标有较强适应能力。

如果你在低算力设备上部署，比如树莓派或老款 CPU 主机，可以考虑 YOLOv4-tiny。它牺牲了一部分精度，但推理速度比完整版 YOLOv4 快很多。交通标志类别通常在 10 到 40 类之间，tiny 版本也有实际应用价值。

3.2 数据集准备与选择

交通标志识别有比较成熟的公开数据集，比如德国交通标志检测数据集 GTSDB、中国交通标志数据集 CCTSDB 等。使用公开数据集时注意两点：一是确认许可协议，是否允许商用和修改；二是关注标注格式，有的数据集是 VOC xml，有的是 txt，需要统一转换。

以 GTSDB 为例，标注包含 43 个类别。实际训练时你可以根据自己的任务重新聚合类别，比如只保留限速标志、禁令标志、警告标志三大类。类别越少，训练难度越低，但模型能区分的细节也会变少。

3.3 Darknet 环境准备

YOLOv4 常用 AlexeyAB 的 Darknet 分支训练。Linux 下编译最省心，Windows 下也可以用 CMake 编译，或者直接下载别人编译好的可用版本。编译前确保系统有 NVIDIA 驱动和 CUDA。没有 GPU 的环境也能编译仅 CPU 版本，但训练速度会非常慢。

Ubuntu 系统下一套简化编译流程：

git clone https://github.com/AlexeyAB/darknet.git cd darknet sed -i 's/GPU=0/GPU=1/' Makefile sed -i 's/CUDNN=0/CUDNN=1/' Makefile make -j4

编译结束后运行./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights data/dog.jpg验证是否安装成功。

3.4 YOLOv4 训练配置文件

YOLOv4 的训练配置分为三类文件：数据配置文件、类别名称文件、网络结构文件。

数据配置文件 data/traffic.data 大致如下：

classes = 43 train = data/traffic/train.txt valid = data/traffic/val.txt names = data/traffic/traffic.names backup = backup/traffic

train.txt 和 val.txt 是图片路径列表，每行一张图片，Darknet 会在相同路径下寻找同名的 txt 标注文件。

traffic.names 每行一个类别名：

speed_limit_30 speed_limit_50 stop yield ...

网络结构文件需要重点修改，因为 YOLOv4 的输出层通道数由类别数决定。找到 cfg/yolov4.cfg 中所有[convolutional]且filters=255的层，把它们改为filters=(classes + 5) * 3。同时把每个[yolo]层的 classes 改成实际类别数。如果 classes=43，则 filters 应该改成(43 + 5) * 3 = 144。

3.5 训练命令与监控

下载 YOLOv4 官方预训练卷积权重 conv.137，然后开始训练：

./darknet detector train data/traffic.data cfg/yolov4-traffic.cfg conv.137 -dont_show -map

-map会在每个验证周期结束后计算 mAP，方便远程观察是否收敛。训练中每隔 100 轮会保存一个 weights 文件，存放到 backup 目录。

如果显存不够，可以把 cfg 文件里的 batch 从 64 改成 32 或 16，subdivisions 调高到 16 或 32，这样能显著降低单次前向的内存占用，代价是训练速度变慢。

3.6 测试与部署

训练完成后，用 backup 目录下最后的 weights 做测试：

./darknet detector test data/traffic.data cfg/yolov4-traffic.cfg backup/yolov4-traffic_final.weights data/test.jpg

YOLOv4 的原生权重不能直接被 OpenCV DNN 使用，需要先转换成 ONNX 或 TensorRT。如果目标平台是 Jetson 系列设备，TensorRT 是更好的选择。对于普通 x86 服务器，转 ONNX 后用 ONNX Runtime 推理更通用。

4. YOLOv5 与 YOLOv4 技术对比

如果只选一个项目先做，建议先做 YOLOv5 细胞检测，因为 PyTorch 生态对新手更友好，遇到问题更好搜资料。YOLOv4 交通标志识别可以放在第二个练手项目，主要用来理解 Darknet 训练流程和传统部署链路。

5. 模型部署与 API 服务

5.1 离线批量推理脚本

训练得到的模型不能只停留在命令行测试阶段。实际使用中更常见的需求是批量推理，比如一次性处理一个文件夹里的几百张细胞图像，输出每张图的检测结果。

下面给出一个基于 YOLOv5 官方 detect.py 的批量思路：

python detect.py \ --weights runs/train/exp/weights/best.pt \ --source datasets/cell_detection/images/val \ --project outputs/cell_result \ --save-txt \ --save-conf

输出结果会保存到 outputs/cell_result/exp/ 目录，其中 labels 子目录保存每个目标的坐标和置信度。

对于 YOLOv4 的批量推理，可以写一个循环脚本逐个调用 Darknet 命令，也可以把 darknet 封装成 Python 调用。从工程效率上讲，尽快把模型转成 ONNX，然后用 ONNX Runtime 写推理脚本，比反复调用 darknet 子进程更可控。

5.2 FastAPI 部署接口

无论是细胞检测还是交通标志识别，最后都可以封装成一个 HTTP 接口。用 FastAPI 加 ONNX Runtime 可以快速搭出一个检测服务。下面是一个通用模板：

import io from fastapi import FastAPI, UploadFile import numpy as np import cv2 import onnxruntime as ort from PIL import Image app = FastAPI() session = ort.InferenceSession("best.onnx", providers=["CUDAExecutionProvider", "CPUExecutionProvider"]) def preprocess(image: np.ndarray, size: int = 640) -> np.ndarray: h, w = image.shape[:2] scale = min(size / h, size / w) new_w, new_h = int(w * scale), int(h * scale) resized = cv2.resize(image, (new_w, new_h)) canvas = np.full((size, size, 3), 114, dtype=np.uint8) canvas[:new_h, :new_w] = resized img = canvas[:, :, ::-1].transpose(2, 0, 1) img = np.ascontiguousarray(img, dtype=np.float32) img /= 255.0 return img[None, ...], scale @app.post("/detect") async def detect(file: UploadFile): data = await file.read() image = np.array(Image.open(io.BytesIO(data)).convert("RGB")) img, scale = preprocess(image) outputs = session.run(None, {session.get_inputs()[0].name: img}) # 这里需要根据模型输出格式解析 boxes、scores、classes return {"outputs_shape": [o.shape for o in outputs]} if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000)

注意，ONNX 的输出解析因导出版本略有不同，上述代码只展示请求接收和预处理流程，实际解析逻辑要对照导出的输出节点来写。

调用接口时可以用 curl 测试：

curl -X POST http://127.0.0.1:8000/detect -F "file=@test.jpg"

这种部署方式的最大好处是模型运行与业务代码解耦。前端、单片机、自动化脚本都只通过 HTTP 调用检测能力，不需要关心底层推理框架。

5.3 摄像头实时检测

实时检测相对复杂，重点不在模型推理，而在帧读取和显示。一个通用结构是：OpenCV 读取摄像头帧 → 缩放后送入模型 → 解析结果 → 在原图上绘制矩形框 → 显示或推流。

YOLOv5 的 detect.py 已经支持摄像头输入，传入--source 0即可调用默认摄像头。YOLOv4 可以运行./darknet detector demo命令。实际项目中要注意视频帧率是否稳定、推理耗时是否超过帧间隔、缓冲区是否会堆积，这几个指标比单帧精度更容易影响体验。

5.4 TensorRT 加速

如果你需要更低的推理延迟，TensorRT 是常见选择。具体做法是先把 PyTorch 或 Darknet 权重导出为 ONNX，再通过 trtexec 构建 TensorRT 引擎：

trtexec --onnx=best.onnx --saveEngine=best.engine --fp16

这里没有给出精确的显存占用和耗时对比，因为不同显卡、不同分辨率差异很大。实际优化时应该在同一台设备上分别测 ONNX Runtime 和 TensorRT 的耗时，再判断是否值得增加这一层编译复杂度。

6. 资源占用与性能观察方法

6.1 观察工具

训练时用nvidia-smi查看 GPU 显存和利用率：

nvidia-smi -l 2

-l 2表示每两秒刷新一次。还可以在 YOLOv5 训练时开启 TensorBoard 监控损失曲线和显存曲线。Darknet 训练没有自带图形界面，主要靠日志中的 avg loss 判断收敛情况。

6.2 影响显存的关键参数

• 输入分辨率：640 到 1280，显存占用近似平方增长。
• batch size：batch 越大，显存占用越高。
• 模型复杂度：YOLOv5s 比 YOLOv5x 显存占用低很多，YOLOv4-tiny 比 YOLOv4 低很多。
• 数据增强：Mosaic 和 mixup 会临时增加计算图，对显存也有影响。

6.3 降低显存占用的通用策略

训练阶段显存不足时，优先降低 batch size，其次是降低输入分辨率，最后再考虑换轻量模型。推理阶段可以用 FP16 量化或 TensorRT 压缩引擎，但要注意量化后精度下降是否在可接受范围内。

CPU 推理不是不能用，而是速度差距很大。如果只是接口演示或低并发场景，CPU 跑 YOLOv4-tiny 或 YOLOv5s 也可以接受。并发量上来以后，还是要回到 GPU 推理。

7. 常见问题与排查方法

8. 最佳实践、合规提醒与后续扩展

工程上，先按下面几条思路推进：

• 第一次练手时，数据集不用大，每类 200 到 500 张即可，先把流程跑通。
• 保存一套最小可运行配置，包括训练命令、数据路径、模型参数，方便复现。
• 模型文件、输入素材、输出结果分目录管理，不要全部堆在默认目录。
• 批量推理要加日志，记录哪些图片成功、哪些失败、耗时多少。
• 接口服务默认只监听 127.0.0.1，需要外部访问时再修改绑定地址，并考虑鉴权。
• 使用公开数据集前确认授权协议，特别是商用场景。

合规方面需要单独提醒：细胞检测相关模型如果用于医疗辅助，必须经过专业验证，文章中的实验只适合算法学习和科研验证，不能直接作为临床诊断依据；交通标志识别如果用于辅助驾驶研究，需要遵守相关测试法规，不能直接替代驾驶员判断。涉及隐私数据、人脸、车牌等敏感信息时，要先完成匿名化处理并确认数据来源合法。

后续扩展方向可以从三个角度切入：一是把 YOLOv5 细胞检测升级为实例分割，统计细胞面积和数量；二是给交通标志识别接入跟踪算法，比如 DeepSORT，在视频流中稳定标志 ID；三是把两个模型都做成 ONNX 或 TensorRT 服务，统一接到同一个检测平台。跑完两套项目后，你会发现数据集工程和部署链路才是花时间最多的地方，模型结构本身反而是最成熟的部分。

如果你正在找工作或做毕业设计，建议优先把 YOLOv5 细胞检测做完，再把 YOLOv4 交通标志作为对比实验加进去，形成“同一类任务、两个模型、两条部署链路”的完整项目经历。这套组合既能体现算法理解，也能体现工程能力，建议收藏备用。