企业官网建设流程全解析

YOLOv5 细胞检测和 YOLOv4 交通标志识别，这两套项目放在一起研究，比单独跑通一个 Demo 有价值得多。原因很简单：它们覆盖了目标检测从数据集准备、模型训练到部署上线的完整闭环，而且应用场景差异很大。一个处理显微镜图像里的密集小目标，一个处理自然道路场景中的交通标志。这个组合很适合深度学习入门者、计算机视觉课程设计、实训项目和毕业设计的参考主线。

最值得看的点不是模型本身有多新，而是两套项目如何围绕不同的数据形态、检测任务和部署环境，做出对应的训练配置和处理方案。下面按实际落地顺序拆一遍，包括环境、数据、训练、部署和排错，照着做基本能复现完整流程。

1. 先判断这两套项目到底解决什么问题

1.1 YOLOv5 细胞检测：本质是医学图像里的目标检测

细胞检测的任务很简单：给定一张显微镜图像，算法要输出图像里每个细胞的类别和位置边界框。比如区分红细胞、白细胞、血小板，同时给出它们在图像中的坐标。

这个任务和通用物体检测有区别。医学图像里的细胞往往数量多、尺寸小、互相重叠，背景又复杂。很多细胞在图像里只有几十个像素大小，属于典型的小目标检测。小目标检测对模型下采样倍数、训练图片尺寸、锚框设置都很敏感。

YOLOv5 在细胞检测里被用得多的原因是生态成熟。代码结构清晰，训练脚本、评估脚本、导出脚本都齐全，社区资料多。遇到问题搜一下基本能找到类似案例，这对学习和做项目都很重要。

1.2 YOLOv4 交通标志识别：检测和分类是两个层次

交通标志识别实际上包含两种子任务。第一种是检测，也就是在摄像头画面中找到标志的位置，输出边界框。第二种是分类，也就是判断这个标志是限速、禁止通行、转弯还是其他类型。

很多初学者把这两个任务混在一起，代码里面容易出问题。YOLOv4 做的是检测加分类的联合任务，模型同时输出位置和类别。交通标志场景的特点是小目标多、标志尺度差异大、光照变化明显、存在遮挡和倾斜。这些都会影响训练数据准备和参数调整。

YOLOv4 和 YOLOv5 放在一起学的价值在于：它们代表了目标检测的两条不同技术路线。YOLOv4 常见于 Darknet 框架实现，YOLOv5 使用 PyTorch 实现。两个框架的配置文件、训练命令、预训练权重格式都不一样，但检测原理相通。把两套项目都跑通，对目标检测的理解会比只跑一个框架深很多。

1.3 两套项目串起来学，比单独学更划算

两套项目放在一起，有几个天然重合点可以复用：

• 数据集格式可以统一成 YOLO 格式的 txt 标注文件。
• 训练评估指标都是 mAP、Precision、Recall。
• 模型导出和部署思路基本一致，只是后端框架不同。
• 调参逻辑相同，锚框、批量大小、学习率、图像尺寸这些参数在两个模型里都会用到。

所以建议学习顺序是：先跑通 YOLOv5 细胞检测，因为 PyTorch 环境更容易搭；再转到 YOLOv4 交通标志，重点理解 Darknet 配置和数据格式转换。这样由易到难，不容易被环境问题劝退。

2. 环境准备：先确认机器和依赖，再谈训练

2.1 硬件条件怎么判断

训练目标检测模型，第一位是显卡，第二位是显存，内存和硬盘也有影响。

如果你用的是 NVIDIA 显卡，走 CUDA 加速是最顺的。GTX 1060 6GB 以上、RTX 2060、RTX 3060、RTX 4060 这些常见显卡都能跑 YOLOv5 和 YOLOv4 的入门训练。显存 6GB 到 8GB 适合跑 YOLOv5s 这种小模型，图片尺寸 640 左右，批量大小控制在 8 到 16。

网上经常有人问 AMD RX 580 能不能跑 YOLO。这里说清楚：RX 580 是 AMD 显卡，不支持 CUDA。CUDA 是 NVIDIA 专属的并行计算平台，AMD 卡跑不了。AMD 显卡要走 ROCm 或 OpenCL 路线，配置难度明显更大，很多 Windows 环境下的深度学习库对 ROCm 支持也不如 CUDA 完善。所以如果你手头是 RX 580，学习阶段建议先用 CPU 跑小规模训练，或者换一台有 NVIDIA 显卡的机器。低配能跑的结论不等于适合训练，这个问题要分清。

纯 CPU 训练不是不行，但速度慢很多。YOLOv5s 在 CPU 上训练一个几百张图片的小数据集，可能一跑就是几小时甚至更久。如果只是做演示和学习，可以把图片尺寸降到 320，批量大小降到 4，减少训练轮数。

2.2 软件依赖配置：分两条线

YOLOv5 的依赖配置比较简单，核心是 Python、PyTorch、OpenCV。官方仓库里有一个 requirements.txt 文件，里面列出了所有依赖包。安装时注意 PyTorch 版本要和 CUDA 版本匹配。先安装 PyTorch，再安装其他依赖，顺序不要反。

YOLOv4 常见实现是 AlexeyAB 的 Darknet 版本，需要编译 C 源码。Windows 下编译 Darknet 建议用 Visual Studio，Linux 下需要安装 CMake 和 OpenCV。Darknet 编译好之后，训练、测试、导出权重都用命令行完成，不依赖 Python，但后续做数据转换和结果可视化还是需要 Python。

建议环境版本统一，Python 3.8 到 3.10 之间，PyTorch 1.10 到 2.x 都可以。不要一开始就上最新的 Python 3.13，很多视觉库的预编译包可能还没跟上。

2.3 环境验证顺序

不管哪套项目，先做最小环境验证，再跑完整训练。验证顺序是：

1. 确认显卡驱动正常，用nvidia-smi查看 CUDA 版本。
2. 确认 PyTorch 能调用 GPU，打印torch.cuda.is_available()。
3. 用官方自带的图片跑一次推理，确认模型能正常加载。
4. 再创建自己的数据集，进入训练流程。

这样做的原因很实际：环境问题是最容易卡住人的环节，但也是最好定位的。先排除环境，后面训练报错时就能专注于模型参数和数据问题。

3. 数据集准备：标注格式、目录结构和数据增强

3.1 细胞数据集怎么准备

公开的血细胞检测数据集比较常见的是 BCCD 这种用于血细胞计数和检测的数据集，里面包含红细胞、白细胞、血小板等类别。原始标注格式一般是 Pascal VOC 的 XML，或者是带类别和坐标的 CSV。如果你拿到的数据是 VOC 格式，需要转成 YOLO 格式才能给 YOLOv5 训练。

YOLO 标注格式是一个 txt 文件，每行代表一个目标，内容是类别编号 中心点x 中心点y 宽度 高度，所有坐标都归一化到 0 到 1 之间。转换逻辑不复杂，但要注意坐标系原点是图像左上角。

目录结构建议按 YOLOv5 官方要求的格式组织：

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

data.yaml 里写清楚类别数量和类别名称，以及训练集、验证集图片路径。这里最容易踩的坑是路径写错，YAML 文件里的路径要和你实际的绝对路径或相对路径完全一致，否则训练时会报找不到图片的错误。

3.2 交通标志数据集怎么选择

交通标志检测常用的公开数据集有 TT100K，这是清华大学和腾讯合作发布的交通标志数据集，包含大量自然场景下的交通标志图像和边界框标注。另外还有 GTSRB，但 GTSRB 更多用于分类任务，做检测时要注意它的标注形式是否满足需求。KITTI 是自动驾驶领域很著名的数据集，里面也有交通参与者相关的标注，但交通标志数量不算集中。

选择数据集时先明确任务边界：做检测就找带边界框标注的数据集，做分类就找只有类别标签的数据集。不要拿着分类数据集硬做检测，标注缺失会让训练无从下手。

TT100K 的数据量较大，完整训练对显存和时间都有要求。建议先抽取一个子集，比如几百张训练图、几十张验证图，先跑通流程，再考虑全量训练。

3.3 数据增强和样本不均衡

医疗图像和交通场景都存在样本不均衡问题。细胞检测里，血小板可能比红细胞少很多；交通标志里，限速标志可能比施工标志多得多。如果直接训练，模型会对多数类过拟合，少数类召回率很低。

YOLOv5 自带数据增强，包括随机翻转、缩放、色彩抖动、马赛克增强等。默认配置对入门够用，但遇到类别不均衡时，需要额外处理：

• 统计每个类别的样本数量，先看清不均衡程度。
• 不均衡不严重时，可以通过增大图片尺寸、增加训练轮数来缓解。
• 不均衡严重时，考虑对少数类做复制增强，或者调整损失函数里的类别权重。
• 不要盲目追求增加数据集数量，先把标注质量和训练验证集划分做好。

数据准备阶段直接决定训练质量。如果标注坐标偏移、类别标签错误、图像和标注不匹配，再好的模型参数也救不回来。

4. 训练 YOLOv5 细胞检测模型

4.1 配置文件和数据文件

YOLOv5 训练前需要准备两个配置文件：一个是数据集配置文件data.yaml，一个是模型结构配置文件，比如yolov5s.yaml、yolov5m.yaml。

模型结构配置里最关键的两个参数是nc和anchors。nc是类别数量，必须和你的数据集一致。如果数据里有 3 类细胞，就写 3。anchors是锚框尺寸，每个数据集的最优锚框可能不同。YOLOv5 训练时会自动使用遗传算法重新计算锚框，前提是你在训练命令里不要关闭这个功能。

数据集配置文件示例：

train: /path/to/dataset/images/train val: /path/to/dataset/images/val nc: 3 names: ['RBC', 'WBC', 'Platelets']

4.2 训练命令与核心参数

YOLOv5 训练命令基本格式是：

python train.py --img 640 --batch 16 --epochs 100 --data cell.yaml --weights yolov5s.pt

参数含义如下：

• --img：训练图片尺寸，正方形输入。尺寸越大，小目标越容易保留，但显存占用成倍增加。
• --batch：批量大小。显存不够就调小，调小后学习率可能需要相应调整。
• --epochs：训练轮数。先跑 50 轮看曲线，再决定是否增加到 100 轮以上。
• --weights：预训练权重。使用 COCO 预训练权重做迁移学习，能显著加快收敛，尤其适合数据量不大的医学图像项目。
• --device：指定使用哪张 GPU，单卡写 0，多卡写 0,1。

第一次训练时我会建议先用小规格跑一轮完整流程：图片尺寸 416，批量大小 8，训练轮数 30 到 50，确认数据读取、模型前向、损失计算、权重保存都正常，再放大参数做正式训练。这样能避免一上来就把显存打满，结果跑了两小时发现数据路径有问题。

4.3 损失函数和训练曲线怎么判断

YOLOv5 的损失由三部分组成：边界框回归损失、置信度损失、分类损失。训练时会输出box_loss、obj_loss、cls_loss等指标。这些数值在训练过程中总体下降是正常的，但不要只看 loss 值，要结合验证集指标判断。

判断模型好坏看三个指标：

• Precision：预测为正的样本里，真正正确的比例。
• Recall：所有正样本里，被正确找出来的比例。
• mAP50：IoU 阈值 0.5 下的平均精度均值，是目标检测最常用的综合指标。

细胞检测任务里，漏检比误检往往更严重。如果一个细胞没检测出来，可能直接影响后续计数和诊断分析。所以调参时可以适当偏向召回率，必要时降低置信度阈值。

4.4 训练完怎么验证

训练结束后，模型权重保存在runs/train/exp/weights/目录下。best.pt是验证集表现最好的权重，last.pt是最后一轮保存的权重。一般使用best.pt做推理验证。

推理命令：

python detect.py --weights runs/train/exp/weights/best.pt --source test_image.jpg --conf 0.25

--conf是置信度阈值。默认 0.25 在一般情况下够用。如果细胞目标很小且密集，可以降到 0.1 到 0.15，代价是可能出现更多误检。验证时先看边界框是否贴合目标、类别是否准确，再统计检测数量和人工标注数量是否接近。

5. 训练 YOLOv4 交通标志识别模型

5.1 Darknet 编译和配置文件

YOLOv4 的经典实现是 Darknet。编译之前先确保系统里有 CMake、OpenCV 和适配的编译器。Linux 下可以直接用 make 编译，Windows 下用 Visual Studio 打开工程文件编译。

Darknet 的模型配置写在 cfg 文件中，比如yolov4.cfg。训练前需要修改几处关键参数：

• classes：类别数量，修改为交通标志的类别数。
• filters：每个检测层前的卷积层 filter 数量，计算公式是(classes + 5) * 3。
• batch和subdivisions：batch 是总批量，subdivisions 是把一个 batch 分成多少份送进显卡，显存不够时调大 subdivisions。
• max_batches：最大迭代次数。一个常见经验是类别数乘以 2000，比如 10 类就设 20000。
• steps：学习率衰减的节点，一般设在max_batches的 80% 和 90% 位置。

修改 cfg 时最容易出错的是 filters 算错。改完 classes 忘了改 filters，训练时会报通道数不匹配的错误。

5.2 数据格式转换和训练命令

Darknet 训练需要三类文件：

1. 图片文件，jpg 格式。
2. 标注文件，txt 格式，内容和 YOLOv5 一样。
3. 一个train.txt文件，每行写一张图片的完整路径。

还要准备两个文件：obj.names存放类别名称，obj.data告诉 Darknet 各类文件的位置。

训练命令：

./darknet detector train data/obj.data cfg/yolov4.cfg yolov4.conv.137

yolov4.conv.137是预训练权重，下载后放在项目目录里。它是特征提取部分的预训练权重，不包含检测头，专用于迁移学习。

训练过程中 Darknet 会周期性保存权重，默认会保存多个版本。观察输出日志里的avg_loss，这个值总体下降说明训练正常。如果训练过程中 loss 波动特别大，先检查学习率设置和 batch 大小。

5.3 YOLOv4 训练常见问题

交通标志数据集的天然特点是小目标极多。一张 1920x1080 的图片里，标志可能只占几十像素。YOLOv4 输入尺寸默认是 416 或 608，小目标信息在下采样过程中容易丢失。

针对这个问题有几种处理方式：

• 增大输入尺寸，比如把width和height改成 608 甚至 736，显存够就尽量大。
• 检查数据里小目标的比例，如果很多目标宽度小于 32 像素，说明小目标问题很严重。
• 合理设置 anchors，用 YOLOv4 自带的聚类工具重新计算数据集的锚框，不要沿用 COCO 的默认锚框。

另外注意 YOLOv4 官方预训练权重是基于 COCO 数据集的，直接用于交通标志类别时，前 80 个类别概率计算会有影响。只要正确修改了 classes 和 filters，检测头会重新初始化，这是正常现象。

6. 部署：把权重文件变成可用服务

6.1 YOLOv5 的推理和模型导出

训练完成后的best.pt可以直接用来推理。单独写一个推理脚本比每次用 detect.py 更方便，特别适合要接入业务系统的场景。

推理流程可以拆成四步：读取图片、预处理（缩放和归一化）、模型推理、后处理（非极大值抑制）。YOLOv5 的官方仓库已经封装了这些逻辑，你只需要加载模型并传入图片。

如果想部署到生产环境，通常需要把 PyTorch 权重导出为 ONNX 格式：

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

导出的 ONNX 模型可以用 ONNX Runtime 加载，不再依赖 PyTorch，部署体积更小，推理速度也更快。如果目标设备是 NVIDIA GPU 且要更低延迟，可以进一步导出为 TensorRT 引擎，但 TensorRT 版本和显卡驱动耦合较强，配置成本更高。

6.2 YOLOv4 的部署思路

YOLOv4 的 Darknet 权重是.weights文件。部署方式有几种：

• 直接用 Darknet 命令行推理，适合原型验证。
• 把 Darknet 权重转换为 ONNX 模型，再接入 ONNX Runtime。
• 在嵌入式设备上用 TensorRT 或 OpenCV DNN 模块加载模型。

OpenCV DNN 模块是很多人在没有 GPU 环境时的选择。代码里通过cv2.dnn.readNetFromDarknet加载 cfg 和 weights，缺点是推理速度不如 TensorRT，但对入门和演示足够。

6.3 封装成 Web 服务

两个模型最终都可以封装成 HTTP 接口。常用的方案是 FastAPI 或 Flask，流程是：

1. 服务启动时加载模型到内存。
2. 接收到图片请求后，交给推理函数处理。
3. 返回 JSON 格式的检测结果，包含目标的类别、置信度和边界框坐标。

用 FastAPI 有一个好处，它自带接口文档，方便前端联调和测试。写接口时要注意请求体大小限制，一般图片用 base64 编码传输，或者用文件上传方式。

一个简单的处理逻辑：

def predict(image_bytes): image = decode_image(image_bytes) results = model(image) boxes = results.pandas().xyxy[0].to_dict(orient="records") return boxes

实际项目中还要加上超时控制、并发限制、异常处理。不要只把模型加载出来就不管了，图片损坏、超大尺寸、空请求都会导致接口异常。

6.4 用 Docker 做部署

如果不想在每台服务器上重复配置环境，可以用 Docker 打包整个服务。镜像里装好 Python、依赖库、模型权重和推理代码，启动容器后把端口映射出来就能访问。

Docker 部署的注意点：

• 镜像体积会比较大，尤其是包含 CUDA 依赖的镜像。
• 模型权重文件不要打进镜像里的临时层，建议通过挂载目录加载，方便更新。
• 容器内 GPU 使用需要额外配置，不同 Docker 版本的 GPU 支持方式不一样。

第一次构建镜像时先不用 GPU 版，用 CPU 版跑通接口；确认功能正常后再切换到 GPU 版，这样排查问题会简单很多。

7. 最容易翻车的几个点和排查顺序

7.1 报错先看日志，不要急着改参数

两套项目训练时都可能遇到各种报错。遇到报错，先按这个顺序排查：

1. 看错误信息本身，是路径错误、显存不足、依赖缺失还是数据格式问题。
2. 确认输入图片能否被正常读取，图片损坏或格式不对会导致训练中途中断。
3. 确认标注文件和图片文件名一一对应。多了一张标注或漏了一张标注，训练时会报找不到对象的异常。
4. 确认依赖版本和官方要求一致，尤其是 PyTorch、OpenCV、NumPy 的版本。
5. 最后再检查模型配置参数，比如类别数、filters、batch size。

有个容易忽略的地方：训练中断时保存的权重不是最佳权重，恢复训练时要注意续跑命令是否写了正确的前权重路径。

7.2 资源占用和卡顿问题

训练时不要只看显卡显存，还要观察内存和 CPU 使用。数据读取和图像增强在 CPU 端执行，CPU 如果打满，显卡可能在等待数据，利用率上不去。这种情况在细胞检测里常见，因为显微镜图像尺寸大，预处理成本高。

YOLOv5 可以通过调整 workers 参数控制数据加载线程数。workers 太小，数据加载跟不上；workers 太大，内存占用飙升甚至卡死。经验值是 4 到 8，具体看 CPU 核数。

另外训练时建议把输出日志写到一个文件，方便事后排查。日志里能看每个 epoch 的平均 loss、验证集精度、学习率变化。没有日志，等训练跑了很久后想复盘会非常被动。

7.3 功能边界和合理预期

很多问题看起来像模型能力不足，实际上边界没把握好。

细胞检测模型是在特定显微镜设备、特定放大倍数、特定染色方式下训练的。换了一个设备或染色方案，检测效果可能急剧下降。这不是模型 bug，是数据分布变了。

交通标志模型也有类似问题。某个数据集的标志样式带有国家地区特色，换了场景后原有类别定义可能不适用。部署到真实环境前，应该先收集一小批真实场景图片做测试，用真实数据验证模型表现，而不是只信验证集指标。

还有一点要提醒：深度学习项目不是训练跑完就结束的。细胞检测要考虑计数误差评估，交通标志识别要考虑多帧视频里的时序一致性。这些扩展方向和部署质量紧密相关，做项目前先想清楚验收标准，比盲目堆训练参数更有用。

7.4 两套项目跑完之后怎么继续深入

如果两套项目都完整跑通了，下一步可以根据自己的方向做扩展：

• 把 YOLOv5 升级到 YOLOv8，代码结构和配置方式略有差异，但数据格式完全兼容。
• 尝试用 TensorRT 对导出的 ONNX 模型做加速，比较不同精度的推理速度。
• 在部署服务里加入队列机制，支持批量图片异步处理。
• 把目标检测结果接入可视化系统，比如 Web 前端标记识别结果。

训练和部署流程是相通的。细胞检测和交通标志识别只是两个具体场景，真正沉淀下来的是数据转换、模型训练、参数调优和部署排错的方法。后续换任何新数据集，流程都可以复用。