企业官网建设流程全解析

简介：YOLOv5 6.1版本全中文注释代码包，专为深度学习初学者、研究生及目标检测项目开发者打造，有效解决原生代码注释不足、难以理解内部实现的问题。压缩包内共2000个文件，涉及Python源码、C/C++扩展、文本说明、YAML模型配置、预训练权重及脚本工具等多种类型，总大小约296.99MB，目录划分清晰，便于按模块查阅。资源特别配套CSDN博客专栏教程，对数据增强、骨干网络、损失计算、推理后处理等核心部分进行逐段中文注解，同时给出详细的代码逻辑分析和运行演示，可帮助读者摆脱“只跑通、看不懂”的困境。无论是课程设计、毕业课题，还是创新创业大赛中的物体识别需求，都能借助完整注释与教程快速落地。目前已有2785人学习下载，值得目标检测入门与进阶者收藏。

1. 为什么我建议你直接啃YOLOV5 6.1的中文注释源码：一天从跑通到改得动

第一次打开 YOLOV5 工程的人，十个有八个会卡在同一个地方：代码能跑，但看不懂。尤其对研究生和准备参加创新创业大赛的团队来说，时间是最贵的，你不可能花两周去一行行查函数定义。这份 YOLOV5 6.1 版本全中文注释压缩包，把 detect.py、train.py、models、utils 等核心文件的注释都换成了人话，配合配套教程能让你一天内理清整个调用链。它解决的不是“怎么把模型跑起来”，而是“跑起来之后你能不能改得动”。适合目标检测入门者、需要快速出成果的比赛队伍，以及所有被源码劝退的开发者。我在给课题组分代码时，最常听到的抱怨就是“网上教程都是英文注释，看一行查一次词典”，所以这个包一出来，组里几个人直接原地复制。

2. 先看懂 YOLOV5 6.1 的工程结构：注释里最容易迷路的三个目录

拿到压缩包后，第一件事不是急着训练，而是建立“地图”。YOLOV5 6.1 的官方仓库本身不算大，但文件很杂。models、utils、data、runs 各自承担不同任务，注释包虽然把关键文件都翻译成了中文，但结构还是要自己理明白。

2.1 从入口到模型：detect.py、train.py、models/yolo.py 的调用链

先说三个最核心的文件。detect.py 和 train.py 是两个并列入口，对应推理和训练；models/yolo.py 定义了网络主结构。把它们的关系理清，整个项目就能横着走了。

# 解压中文注释包，注意用支持UTF-8的解压工具，避免Windows下中文乱码 unzip yolov5-6.1-zh.zip -d yolov5-zh cd yolov5-zh pip install -r requirements.txt # 先跑自带的检测demo，验证环境 python detect.py --weights yolov5s.pt --source data/images/bus.jpg

这段命令解决“环境通不通”的问题。unzip 解压后，requirements.txt 里包含了 torch、opencv-python 等核心依赖。detect.py 是推理入口，内部会调用 models.yolo 的 DetectionModel 类，最终把检测框画到输出图片上。注意，第一次运行 detect.py 时，如果本地没有 yolov5s.pt，程序会尝试从 GitHub 下载。这一步在有些网络环境下会卡很久，我建议你提前把权重文件放到工程根目录，具体放在第 4 章的坑里细说。

接下来看训练入口。train.py 的代码量比 detect.py 大得多，但核心训练循环很短。注释包里在 train.py 里有一段醒目的中文说明，告诉你“这是每次迭代都会执行的四步”。类似这样：

# 前向传播：把一批图片喂给模型，得到预测特征 pred = model(images) # 计算损失：pred与targets比较，得到loss和各项子损失 loss, loss_items = compute_loss(pred, targets.to(device)) # 反向传播：把梯度回传，这一步决定网络如何更新 scaler.scale(loss).backward() # 更新权重：优化器根据梯度调整参数 optimizer.step()

这段代码是训练循环的灵魂。pred 是模型输出，在 6.1 版本里是一个包含三层特征图的 tuple；targets 是标注数据，格式为[image_index, class, x_center, y_center, width, height]。compute_loss 由 utils/loss.py 提供，内部完成了 anchor 匹配和 GIoU 损失计算。中文注释在 loss 这一块写得非常密，因为很多想改检测头或想自定义 loss 的人都要从这里入手。注意 6.1 版本的 loss 代码相比 5.0 做过重构，不要拿着旧版本的教程硬套。

再回到 detect.py。它的核心其实也短：加载模型 -> 读取图片 -> 预处理 -> 推理 -> NMS -> 画框。其中预处理步骤里有个 letterbox 函数，会把图片等比缩放到 640 并补灰边，这一步很多人看不懂。注释包里在 utils/augmentations.py 里用中文标明了“缩放到 640x640，保持比例不变，用 114 灰度填充边缘”，并解释了为什么要这样：因为网络全卷积层对尺寸不敏感，直接 resize 会破坏物体比例。

调用链捋一遍：detect.py 和 train.py 都从 models/yolo.py 中实例化 DetectionModel，各自在 utils 目录中取所需工具。所以，除非你想改网络结构，否则每天打交道最多的其实是 utils 里的工具文件。另外，runs 目录也值得提前搞懂。每次运行 detect.py 或 train.py 后，结果都会输出在 runs/ 下面。6.1 版本默认输出到 runs/detect/exp、runs/detect/exp2 等。中文注释包里在 utils/general.py 的 increment_path 函数处做了注释，解释了为什么名字会递增而不是覆盖。很多新手找不到输出图片，就是因为不知道它在 runs/detect/exp 里。

2.2 utils/ 目录里那些“工具函数”其实决定了训练能不能跑

很多人忽略 utils 目录，以为只是辅助。实际上，训练能不能跑、loss 能不能降，很大程度取决于这一段。utils/datasets.py 负责加载图片与标签，里面的 LoadImagesAndLabels 类在每次取数据时都会执行 mosaic 增强、随机仿射变换等操作。如果你的数据集标签格式不对，很多报错恰恰发生在 datasets.py 内部，而不是你的训练代码里。

# 在中文注释包里，用grep快速定位关键函数位置 grep -n "def train" train.py grep -n "class DetectionModel" models/yolo.py # 查看mosaic增强相关注释 grep -n "mosaic" utils/datasets.py

grep -n 会把行号一并输出。配合配套教程的章节名，你可以快速跳转到注释对应位置。中文注释包在每段重要代码前都写了类似“这里做 mosaic 增强，把四张图随机拼成一张，提高小目标检测能力”的说明。对比原版英文注释，这种解释对新手理解“为什么写这段代码”帮助极大。

utils/general.py 里面的 check_img_size、check_file、check_dataset 是三个“检查狂魔”。很多让人摸不着头脑的报错，比如“Dataset not found”或“Image not found”，都是它们主动抛出来的。注释包里对这些函数标注了“这个检查是为了避免路径错误导致训练到一半崩溃”。遇到错误时，先看抛错的位置是不是这三个函数，再按提示改路径，比自己瞎猜高效得多。

还有一个容易踩坑的目录是 utils/torch_utils.py。它管理设备选择、模型并行、梯度累加等。6.1 版本在这里增加了一些自动混合精度训练的辅助函数。中文注释包特别标出了“当 batch_size 较小且检测目标较小时，不建议开启 AMP 训练”，原因是半精度在小目标场景下有时会丢精度。这个细节很少有人强调，但对比赛调模型很有用。

2.3 配套教程怎么用：先跑通 demo 再逐行读

配套教程是博客形式，我建议按“先环境，后单张图片，再训练”的顺序来。拿到代码包后不要直接开读源码，先运行 detect.py 看到结果，再反向去读代码。有了输出结果，你对变量的含义会有具体的感知。

# 在Python里直接查看模型结构，确认网络配置是否加载正确 import torch from models.yolo import Model model = Model(cfg='models/yolov5s.yaml', ch=3, nc=80) print(model)

这段代码的逻辑：Model 类接收配置文件 cfg、输入通道数 ch 和类别数 nc。cfg 决定网络的深度和宽度，ch 是输入图像的通道（RGB 就是 3），nc 是数据集类别数。打印出来的网络结构很长，你会看到从 Conv 到 C3 再到 Detect 的完整流程。中文注释在 Detect 模块附近有大量说明，告诉你这个模块如何把三张特征图变成预测框。如果你换了自己的数据集，nc 必须改成你的实际类别数，否则最后一层维度不匹配，训练直接报错。

配套教程里还有网络结构图。6.1 版本相比 5.0 的最大改动之一是用 C3 模块替换了 BottleneckCSP，参数量更小。你会在 models/yolo.py 的 C3 类旁边看到中文注释，说明它由几个 Conv 和 Bottleneck 串联而成。建议把结构图打印出来，对着注释一行行看，比单独看代码更容易建立整体印象。

3. 把 YOLOV5 6.1 改成自己的数据集：从标注到训练的超参数设置

工程结构搞清楚之后，接下来就是把自带的 COCO 模型换成你的数据集。无论是研究生课题还是比赛，这一步都会反复用到。在这章你会看到三个核心操作：整理数据、改配置、设置超参数。

3.1 数据标注与目录组织：YOLO 格式到底长什么样

目标检测数据集的格式很多，VOC、COCO、YOLO 各有各的存储方式。YOLOV5 用的是 YOLO 格式：一个图片对应一个 txt 文件，txt 里每行表示一个目标，五个数字分别是 class_id x_center y_center width height，注意这四个坐标都是归一化到 0-1 的。第一次用的人最容易在“中心点坐标”和“左上角坐标”上翻车。

# 对应图片 bus.jpg 的标签文件 bus.txt 0 0.45 0.35 0.20 0.42 1 0.62 0.68 0.31 0.12 # class_id从0开始，x_center/y_center/width/height均为归一化值

这段文本的逻辑：如果你用 LabelImg 这类工具标注，导出为 YOLO 格式时会自动生成这样的 txt。如果是从 COCO 的 json 转换，需要自己写脚本把归一化坐标算出来。常见误区：有人把坐标写成了像素值，或者把宽高写成了右下角的坐标，训练时会报 invalid box 或 loss 变成 nan。

目录组织也有讲究。YOLOV5 官方推荐的数据集目录结构是：

datasets/ your_dataset/ images/ train/ val/ labels/ train/ val/

这个结构的核心是：images 和 labels 是两个并列的父目录，下面再按 train/val 划分。图片和标签文件必须同名（后缀不同）。训练时，YOLOV5 会根据图片路径自动找到同名标签，所以标签文件名千万不能改错。我习惯在数据准备阶段写一个检查脚本，确认每一张训练图片都有对应 txt，反过来也一样。

如果从 VOC 格式转换，可以按下面这个 Python 脚本操作。这也是我在比赛里经常改的模板：

# 把VOC的xml标注转成YOLO的txt标注 import xml.etree.ElementTree as ET def voc_to_yolo(xml_file, class_names, out_txt): tree = ET.parse(xml_file) root = tree.getroot() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) lines = [] for obj in root.iter('object'): name = obj.find('name').text box = obj.find('bndbox') xmin = float(box.find('xmin').text) ymin = float(box.find('ymin').text) xmax = float(box.find('xmax').text) ymax = float(box.find('ymax').text) x_center = (xmin + xmax) / 2 / w y_center = (ymin + ymax) / 2 / h bw = (xmax - xmin) / w bh = (ymax - ymin) / h class_id = class_names.index(name) lines.append(f"{class_id} {x_center:.6f} {y_center:.6f} {bw:.6f} {bh:.6f}") with open(out_txt, 'w') as f: f.write('\n'.join(lines))

脚本逻辑：用 ElementTree 解析 VOC 的 xml，读取图片宽高，把每个目标的左上角/右下角坐标换算成归一化的中心点和宽高。class_names 是类别列表，比如['person','car']。注意：如果 xml 里没有 size 或者某个目标缺失 bndbox，脚本会报错，所以转换前最好先清洗一遍数据。

提示：转换脚本只负责格式，不负责检查坐标越界。转换后一定要用后面的 awk 命令筛选一遍，把越界标签扼杀在训练之前。

3.2 修改数据集配置：YAML 里的每个字段都别乱动

YOLOV5 通过一个 yaml 文件来告诉训练脚本你的数据在哪、有几类。这个文件虽然简单，但字段一旦写错，程序会以各种奇怪的方式报错。来看一个典型配置：

# data/custom.yaml path: ../datasets/your_dataset/ # 数据集根目录 train: images/train # 训练图片相对路径 val: images/val # 验证图片相对路径 nc: 2 # 类别数量 names: ['person', 'car'] # 类别名称，与标注里的class_id一一对应

字段说明：path 指定数据集根目录，train 和 val 是相对 path 的路径。这里最容易踩的坑是 path 用绝对路径，换一台机器就崩。我一般使用相对路径，并把数据集放在和 yolov5 工程同级的 datasets 目录下。另一个坑是 nc 和 names 长度对不上，比如 nc 写了 2 但 names 给了 3 个，训练时会报 assert 错误。中文注释包在 data/ 目录下附带的 custom.yaml 模板里，对这些字段每一行都有中文解释。

修改完 yaml 后，建议先跑一个 1 个 epoch 的命令做自检：

python train.py --data data/custom.yaml --weights yolov5s.pt --epochs 1 --img 640

这里的--epochs 1是为了快速验证数据和配置。如果前面有路径错误、标签错误，通常还没跑完第一个训练步就会报错。验证通过后，再把 epochs 改回实际值。我见过很多人在第一次训练时就设 100 个 epoch，结果第 2 分钟报错又得重来，浪费大量时间。

为了在训练前发现标签错误，我还会用两条 shell 命令做体检：

# 检查数据集里有没有0字节的空标签 find . -name "*.txt" -size 0 | wc -l # 统计所有标签里的class_id，确认没有超过nc-1的值 awk '{print $1}' labels/train/*.txt | sort -u

第一条命令统计空标签数量，空标签会导致部分图片被忽略；第二条命令打印所有标签里出现的 class_id 值。如果最大值大于等于 nc，说明标注的类别编号超出了配置范围，训练时会出现越界错误。这两条命令不花时间，却能拦住大部分低级问题。

3.3 训练超参数与模型选择：s/m/l/x 怎么选

YOLOV5 6.1 一共有 n/s/m/l/x 五个尺寸的模型配置，区别是网络的深度和宽度。n 最轻量，x 精度最高但最吃显存。怎么选不是拍脑袋，而是看设备和你对速度的要求。如果是笔记本的 RTX 3060，我一般选 s 或 m；如果是 16G 显存的卡训练自己的数据，可以从 m 开始试；如果比赛对速度有硬性要求，就选小模型。

训练命令示例：

python train.py --data data/custom.yaml --weights yolov5s.pt --epochs 100 --batch-size 8 --img 640 --device 0

参数说明：--weights有两种用法。给yolov5s.pt是预训练权重，属于迁移学习，收敛快；给yolov5s.yaml是随机初始化，从头训。新手建议用预训练权重，因为样本量通常不够从零训练。--batch-size要按显存调节，不足时先降到 4 或 2，而不是换更大的模型。--img是训练时输入的图片尺寸，默认 640；如果你的目标很小，可以提高到 960，但训练时间和显存占用都会上涨。

超参数文件 data/hyp.scratch-low.yaml 里包含学习率、动量、损失系数等参数。6.1 版本默认的 low 配置对多数任务够用，我不建议一上来就改。真要调，重点关注 lr0 和 anchor_t。lr0 太大 loss 容易震荡，太小收敛极慢。anchor_t 是 anchor 匹配阈值，小目标数据集可以考虑稍微调大。中文注释包在 hyp 目录里逐行写了中文解释，这在其他版本里是很少见的。

最后，训练命令里加上--project和--name，让每次实验输出到独立目录。这样后面对比模型非常方便：

python train.py --data data/custom.yaml --weights yolov5s.pt --epochs 100 --batch-size 8 --img 640 --project runs/train --name my_experiment_001

这样 runs/train/my_experiment_001/ 下会保存权重、日志和曲线。如果没有这个习惯，默认会生成 runs/train/exp，第二次就是 exp2，时间一长谁也不知道哪个是哪个。这个习惯帮我省了无数找模型的精力。

4. 避坑：YOLOV5 6.1 跑通的五条血泪经验

这一章把我在科研和比赛中踩过的坑集中列出来。每一条都是“现象-原因-解决”结构，建议遇到问题时直接查对应的条目。

4.1 权重文件下载失败导致程序“卡死”

现象是执行 python detect.py --weights yolov5s.pt 时终端长时间没反应，最后报连接超时。原因是本地没有权重文件时，YOLOV5 会自动从 GitHub 下载，在部分网络环境下这个过程极慢，看起来就像程序卡住了。解决方法是提前手动下载权重文件，放在工程根目录，并用下面的命令验证权重完整性：

python -c "import torch; m = torch.load('yolov5s.pt', map_location='cpu'); print(m.keys())"

能打印出模型的关键字典就说明文件没问题。我还建议把 detect.py 里自动下载那段代码注释掉，免得在演示或比赛现场突然弹出一个下载提示。注意，6.1 版本权重与 5.0 不通用，不要拿旧权重混用。

4.2 中文路径报错

现象是图片放在 D:\数据集\训练图片\1.jpg，运行 detect.py 时图片加载不出来，训练时报错找不到文件。原因是 OpenCV 在 Windows 下对中文路径支持不好，路径里的中文经过编码后无法正确找到文件。这不是代码逻辑问题，属于环境问题，很玄学。解决方法是把所有路径改成英文。数据集、工程、权重文件都不要出现中文。如果你的标签名称需要中文，可以放在模型后处理的映射字典里，但文件路径必须 ASCII 编码。我有一个课题组成员的样本图片放在“桌面\毕业设计\实验数据”，为此折腾了一个下午，改成 D:\data\project_data 后一切正常。

4.3 显存不够但换小模型治标不治本

现象是训练时报 CUDA out of memory，于是从 yolov5x 换成 yolov5s，结果还是 OOM。原因是显存占用不只是模型大小决定的。batch size 和图片尺寸同样关键，甚至影响更大。模型变小了，但 batch size 还是默认的 16，图片还是 640，照样爆显存。解决方法是优先把 batch-size 降到 2 或 4，同时把 img 降到 512 或 416。这样通常能在不损失太多精度的情况下跑起原本想用的模型。我的经验是：batch size 减半，显存占用几乎减半，训练时间变长但可控。如果仍然不足，再考虑使用梯度累加技巧，在 train.py 里把单 batch 的梯度累积起来，模拟更大的 batch。

注意：观察显存用 nvidia-smi 的 Memory-Usage 列，而不是只看系统全局内存。

4.4 图片尺寸与 anchors 不匹配：训练震荡的隐形原因

现象是训练时 loss 在某个 epoch 突然从 0.05 跳到 0.8，然后又降回去，反复多次。很多人以为学习率太大，结果调小后依然如此。原因是 YOLOV5 6.1 的默认 anchors 是基于 COCO 数据集的 640 尺寸设置的。如果你的数据集中目标很小，或者图片分辨率很特殊，默认 anchors 与真实目标尺寸差距过大，导致前期的 loss 巨幅波动。解决方法是让 YOLOV5 在训练前自动计算 anchors，它会根据你的标签聚类出合适的 anchors。在训练日志里你会看到anchors: 3.5,6.2,...这样的输出。如果看到 “anchors not suitable” 的警告，可以在 train.py 里调整 autoanchor 的匹配阈值，或者直接去掉--noautoanchor参数。中文注释包在 utils/autoanchor.py 里把这些逻辑都注释清楚了，这也是我推荐仔细看的文件之一。

4.5 标签格式“看起来对”但训练 loss 为 nan

现象是数据集来自网上下载，标签 txt 内容类似“0 0.5 0.5 100 200”，训练一开始 loss 就是 nan。原因是坐标必须是归一化到 0-1 之间的浮点数，宽高不能大于 1。上面的例子显然把宽高写成了像素值，导致计算损失时出现除零或无穷大。解决方法是检查标签文件，把宽高分别除以图片宽高。另外检查是否出现负数或极端值，可以用 awk 命令筛出所有大于 1 的坐标：

awk '{for(i=2;i<=NF;i++) if($i>1 || $i<0) print $0}' labels/train/*.txt | head

这条命令会把含有越界坐标的标签行打印出来，方便定位。这个问题在中文论坛里被问过无数次，属于最常见的翻车原因。

5. 从模型到落地：用 Python 调用 YOLOV5 做批量推理的具体技巧

训练完模型不算完，比赛 Demo 和实际项目都需要把模型集成到自己的流程里。直接从命令行调 detect.py 看起来简单，但每张图片都启动一次 Python 进程，速度慢且没法处理动态数据。所以，我把常用的封装方法整理成三个小节，都是可以直接抄走的代码。

5.1 把 detect.py 的 main 逻辑抽成函数，省掉重复传参

detect.py 本身是一个命令行工具，但项目里要反复调用检测的时候，每次传一堆参数很烦。常见做法是把 detect.py 的 run 函数改造成一个可调用的函数。我这里写了一个精简版：

import torch from models.experimental import attempt_load from utils.general import check_img_size, non_max_suppression from utils.torch_utils import select_device def load_model(weights='yolov5s.pt', device='0', imgsz=640): device = select_device(device) model = attempt_load(weights, map_location=device) model.stride = int(model.stride.max()) imgsz = check_img_size(imgsz, s=model.stride) return model, device, imgsz def infer_image(model, img, device, imgsz, conf_thres=0.5, iou_thres=0.45): # img: BGR numpy array img = torch.from_numpy(img).to(device) img = img.float() / 255.0 # 0-255归一化到0-1 if len(img.shape) == 3: img = img[None] # 增加batch维 with torch.no_grad(): pred = model(img, augment=False)[0] det = non_max_suppression(pred, conf_thres, iou_thres)[0] return det.cpu().numpy()

代码逻辑：load_model 负责加载权重并确定设备与输入尺寸。infer_image 接收一张 BGR 图片，先转成 Tensor 并归一化，然后前向传播，最后做 NMS。返回结果是 N*6 的 numpy 数组，每行是[x1, y1, x2, y2, conf, class]。注意：这里输入的 img 是原始尺寸，但模型要求输入尺寸是 stride 的倍数，所以我一般在外部会先对图片做 letterbox 处理。如果没有处理，小尺寸图片可能报错。

我还会在 infer_image 里补一个 letterbox 调用，让函数内部处理缩放和坐标映射。具体实现可以复用 utils/augmentations.py 里的原版函数，这里不展开。参数说明：conf_thres 默认 0.5，实际项目根据你对误检的容忍度调整，比赛里我一般设为 0.4；iou_thres 控制 NMS 的阈值，0.45 是经验值。

5.2 用 torch.hub 加载本地权重，不在命令行里绕圈

YOLOV5 官方支持 torch.hub 加载，但很多人不知道可以完全离线加载。当你已经把工程和权重文件下载好时，用 source='local' 方式加载最省事。

import torch model = torch.hub.load( local_path='./yolov5-6.1-zh', source='local', model='custom', path='weights/best.pt', force_reload=True ) results = model('./test.jpg') print(results.pandas().xyxy[0])

代码逻辑：local_path 指向中文注释包的根目录，source='local' 告诉 torch.hub 不需要联网。model='custom' 是加载自定义权重的标准写法，path 指定权重文件位置。results 对象里封装了所有检测结果，pandas().xyxy[0] 会打印一张表格，包含检测框坐标、置信度和类别 id。force_reload=True 保证每次重新加载模型，避免 Jupyter 里用了旧的缓存。

torch.hub 方式的好处是它会自动处理图片预处理和 letterbox，输出坐标直接对应原图，适合快速验证。缺点是你必须保留整个工程目录，不能只拿一个权重文件去运行。如果比赛要部署到演示机上，我建议还是用 5.1 的方式写一个独立的推理类，把工程路径封装在类内部，这样对外只暴露一个函数，演示时不会报找不到模块的错误。

5.3 处理大批量图片时的显存管理与结果保存

批量推理最容易碰到两个问题：图片一次性读入导致 OOM，以及结果保存时文件名混乱。我一般用循环+逐张推理，并加上进度条和异常处理。

import os, glob, cv2 from tqdm import tqdm from model_api import load_model, infer_image model, device, imgsz = load_model(weights='best.pt', device='0', imgsz=640) image_folder = './test_images' output_folder = './test_output' os.makedirs(output_folder, exist_ok=True) paths = sorted(glob.glob(os.path.join(image_folder, '*.jpg'))) for p in tqdm(paths, desc='infer'): img = cv2.imread(p) if img is None: print(f"跳过无法读取的文件: {p}") continue det = infer_image(model, img, device, imgsz) # 画框 for x1, y1, x2, y2, conf, cls in det: cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0,255,0), 2) cv2.putText(img, f'{int(cls)}:{conf:.2f}', (int(x1), int(y1)-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,0,255), 2) cv2.imwrite(os.path.join(output_folder, os.path.basename(p)), img)

这段代码的逻辑：用 glob 收集所有 jpg 路径，tqdm 显示循环进度。每张图片单独读、单独推理、单独保存，内存占用始终是一个 batch 的量级。infer_image 里已经用了 torch.no_grad()，梯度不会累积，显存稳定。不过，如果图片尺寸小于 imgsz，模型内部的 letterbox 会先补边，返回的 det 坐标是 letterbox 后图像上的坐标，直接画在原始图片上会偏移。需要处理的话，可以把 letterbox 操作拿到函数外面，再用原始坐标逆变换回去。

对于大规模数据集，还能考虑把 batch_size 调大，在 infer_image 中支持 batch 输入。先对每张图做 letterbox，padding 成一个固定的 batch，一次推理多个样本。但要注意，不同图片的 letterbox 补边参数不同，输出坐标也要分别映射。我一般只在压力测试时才这么做，比赛演示用逐张循环完全足够。

6. 验证与迭代：用 TensorBoard 和混淆矩阵判断模型有没有“真学会”

训练结束后，很多人只看训练日志里最终 loss 很小就高兴地收工，这是不严谨的。loss 只能反映训练过程的稳定程度，真正能说明模型好坏的是验证集上的 mAP 和混淆矩阵。

在训练输出目录下，YOLOV5 会保存 TensorBoard 事件文件。启动它：

tensorboard --logdir runs/train/my_experiment_001

浏览器打开后，重点看三个曲线：train_loss、val_loss、metrics/mAP_0.5。如果 val_loss 先降后升，而 train_loss 持续下降，说明模型开始过拟合，可以提前停掉而不是硬跑完 100 个 epoch。如果 mAP 曲线在某个节点后变平，再训下去也只是浪费时间。

然后看混淆矩阵。训练目录会生成 confusion_matrix.png，横纵坐标是类别名。矩阵对角线越亮越好，如果某一对类别之间的色块特别亮，说明模型经常把它们搞混。比如在安全帽数据集里，模型总是把“戴安全帽”的人识别成“未戴”，那你就要检查这两类样本数量是否均衡，或者是否出现了标注错误。中文注释包里在 utils/metrics.py 里对混淆矩阵的计算做了中文说明，你可以在推理阶段自己调用它，用在比赛报告里作为模型分析。

再用 val.py 独立评估一遍，这是最稳妥的验证方式：

python val.py --data data/custom.yaml --weights runs/train/my_experiment_001/weights/best.pt --img 640

这条命令会输出每个类别的 precision、recall 和 mAP。如果验证集的 mAP 比训练过程显示的 mAP 低很多，说明模型在验证集上泛化能力差，数据划分可能有问题，或者增强参数过强。我通常在训练完成后立刻跑一次 val.py，把结果截图存档，作为调参的依据。

我第一次用 YOLOV5 时，只看 loss 降到 0.0 几就兴奋得不行，结果一测实际图片全是漏检。后来才明白，loss 只是过程指标，mAP 才是最终参考。从那以后，我每次训练结束都强制自己先跑一遍 val.py，再看混淆矩阵，最后才决定要不要调超参数。这个习惯帮我少走了很多弯路。希望帮到你。

本文还有配套的精品资源，点击获取