企业官网建设流程全解析

简介：这份资源面向计算机视觉入门与进阶开发者，提供一套可直接运行的YOLOv5图像分类实战方案，解决从零搭建花分类项目时数据准备、模型训练与权重复用的问题。压缩包共约2000个文件，整体257.86MB，其中1866张jpg图片构成5种花的分类数据集，另有51个yaml配置文件、51个py脚本、12个yml环境文件及若干sh、md、ipynb等辅助文件，覆盖数据配置、训练脚本与项目说明。资源内已包含训练好的权重参数，仅训练10个epoch时top1准确度即达到0.91以上，网络尚未完全收敛，增加轮次可进一步提升性能。使用者只需按目录摆放好datasets数据即可开始训练，适合想快速跑通分类流程、验证模型效果或在此基础上做改进实验的读者。目前已有366人学习下载，可作为YOLOv5分类任务的完整参考案例。

1. YOLOV5 分类实战：5种花分类数据集，到底值不值得跑一遍

手里有一批花卉照片，想按品种自动分五类，这是很多人做 YOLOV5 分类实战的起点。标题里的关键词是 YOLOV5、分类实战、花分类数据集，但先泼一盆冷水：YOLOV5 的主线是目标检测，分类只是它仓库里一个相对独立的子任务。很多人冲着“YOLOV5”三个字进来，结果发现分类部分用的是classify/目录，跟检测那套detect流程完全两码事，这是第一个容易翻车的地方。

那为什么还要用 YOLOV5 做分类？因为它把数据加载、增强、训练循环、验证指标、导出部署这条链路都封装好了，你不需要从零写 Dataset 和 train loop，改改数据目录就能跑。5 种花的分类任务规模小、类别少、图像特征差异明显，非常适合拿来验证整条分类流水线是否跑通。适合谁：想快速上手图像分类、手里有几百到几千张图、希望后续能迁移到树莓派或 RK3568 这类边缘设备的人。不适合谁：追求 SOTA 精度、需要细粒度分类（比如区分月季和玫瑰）的人，这个方案给不了你。

2. 花分类数据集怎么组织：目录结构决定你能不能跑起来

2.1 五种花的类别划分与数据来源

常见做法是选五种外观差异较大的花，比如雏菊、蒲公英、玫瑰、向日葵、郁金香。这个组合的好处是类间差异明显，模型不容易混淆，适合验证流程。数据来源一般是公开花卉数据集，或者自己用手机拍。我一般会控制每类 200 到 500 张，总量 1000 到 2500 张，太少模型学不动，太多小任务没必要。

关键点在于：类别名称就是文件夹名称，YOLOV5 分类任务靠目录名自动推断类别数和类别索引。你不需要额外写 label 文件，这是分类和检测最大的区别。检测要images/和labels/配对，分类只要按类分文件夹。

2.2 目录结构必须长这样

YOLOV5 分类的目录结构有硬性要求，写错了直接报找不到数据。标准结构如下：

flower_dataset/ ├── train/ │ ├── daisy/ │ ├── dandelion/ │ ├── rose/ │ ├── sunflower/ │ └── tulip/ └── val/ ├── daisy/ ├── dandelion/ ├── rose/ ├── sunflower/ └── tulip/

train和val下面必须有同名的类别文件夹，val 每类至少留 20 张，否则验证指标波动很大。常见错误是把所有图放一个文件夹再用 csv 标类别，YOLOV5 分类不认这种，必须按目录分。

2.3 数据划分的坑：别让训练集和验证集串了

划分比例一般 8:2 或 7:3。血泪经验是：同一个拍摄对象的不同角度照片，不能同时出现在 train 和 val 里，否则验证准确率虚高，实际部署就翻车。比如你拍了 10 朵玫瑰，每朵 30 张，划分时要按“朵”分，不能按“张”随机分。这个细节很多人忽略，导致 val acc 95% 但换一批新图就掉到 60%。

提示：划分前先给每张图打上来源编号，按来源编号分组后再划分，能有效避免数据泄漏。

3. 用 YOLOV5 跑通分类训练：从环境到第一条命令

3.1 环境准备与依赖安装

YOLOV5 对 PyTorch 版本有要求，太新太旧都可能出问题。我一般用 Python 3.8 到 3.10，PyTorch 1.8 到 2.0 之间。安装步骤：

# 克隆仓库（用你实际拿到的代码包路径） git clone https://github.com/ultralytics/yolov5 cd yolov5 # 安装依赖，requirements.txt 里锁了版本 pip install -r requirements.txt # 验证环境，能打印出版本号就说明基础环境通了 python -c "import torch; print(torch.__version__)"

逻辑说明：requirements.txt里包含了 torch、torchvision、opencv、matplotlib 等，直接装能避免版本冲突。参数说明：如果你有 GPU，确认torch.cuda.is_available()返回 True，否则训练会用 CPU，速度差几十倍。

3.2 分类训练命令与关键参数

YOLOV5 分类训练入口是classify/train.py，不是根目录的train.py。最小命令：

python classify/train.py \ --data ../flower_dataset \ --epochs 100 \ --batch-size 32 \ --imgsz 224 \ --model yolov5s-cls.pt \ --project runs/flower_cls \ --name exp1

逻辑说明：--data指向数据集根目录，里面要有 train 和 val；--model指定预训练权重，分类任务用-cls后缀的权重；--imgsz是输入尺寸，分类常用 224。参数说明：--epochs100 对小数据集够用，--batch-size根据显存调，8G 显存跑 32 没问题，显存小就降到 16 或 8。--project和--name决定结果保存路径。

3.3 训练过程看什么指标

训练时终端会打印 loss 和 accuracy，重点看 val 的 top1 和 top5。5 分类任务 top5 没意义（总共就 5 类），只看 top1。正常情况 loss 持续下降，val acc 逐步上升。如果 train acc 涨到 99% 但 val acc 卡在 60%，就是过拟合，需要加数据增强或减模型复杂度。

# 训练结束后，用验证集单独跑一次评估 python classify/val.py \ --data ../flower_dataset \ --weights runs/flower_cls/exp1/weights/best.pt \ --imgsz 224

逻辑说明：val.py加载 best.pt 在 val 集上算准确率，输出混淆矩阵。参数说明：--weights指向训练保存的最优权重，--imgsz要和训练时一致，否则精度会掉。

4. 推理与导出：让训练好的花分类模型真正能用

4.1 单张图片推理

训练完最直接的需求是拿一张图试试。命令：

python classify/predict.py \ --weights runs/flower_cls/exp1/weights/best.pt \ --source ../test_flower.jpg \ --imgsz 224

逻辑说明：predict.py会输出 top5 类别和置信度，5 分类任务就是全部类别。参数说明：--source可以是单张图、文件夹或摄像头编号，--imgsz必须和训练一致。

4.2 批量推理与结果保存

实际用的时候往往是一批图：

python classify/predict.py \ --weights runs/flower_cls/exp1/weights/best.pt \ --source ../flower_test_folder \ --imgsz 224 \ --save-txt

逻辑说明：--save-txt会把每张图的预测类别和置信度存成 txt，方便后续统计。参数说明：不加--save-txt只打印不保存，加了之后结果在runs/classify/下。

4.3 导出 ONNX 给边缘设备用

如果后续要部署到树莓派或 RK3568，导出 ONNX 是常见做法：

python export.py \ --weights runs/flower_cls/exp1/weights/best.pt \ --include onnx \ --imgsz 224

逻辑说明：导出 ONNX 后可以用 onnxruntime 推理，不依赖 PyTorch。参数说明：--include支持 onnx、torchscript、coreml 等，边缘设备常用 onnx。注意导出时的--imgsz要和训练一致，否则输入维度对不上。

注意：RK3568 这类芯片对算子支持有限，导出后最好用 netron 看一下模型结构，确认没有奇怪的算子。

5. 避坑与排查：花分类训练最容易翻车的 5 个地方

5.1 报错 “No images found in …”

现象：训练启动就报找不到图片。原因：目录结构不对，YOLOV5 分类要求data/train/类别名/图片，很多人放成data/train/图片直接跟类别名。解决：按 2.2 的结构重新组织，确认每个类别文件夹下确实有图。

5.2 验证准确率异常高但实际预测全错

现象：val acc 99%，但拿新图预测全错。原因：train 和 val 数据泄漏，同一对象的图分到了两边。解决：按拍摄来源分组划分，确保 val 里的对象训练时没见过。

5.3 训练 loss 不下降

现象：loss 一直震荡或卡住。原因：学习率太大或数据没归一化。解决：YOLOV5 默认会做归一化，检查图片是否是损坏文件；降低学习率，加--lr0 0.001试试。

5.4 显存爆了 “CUDA out of memory”

现象：训练中途报显存不足。原因：batch-size 太大或 imgsz 太大。解决：降 batch-size 到 16 或 8，或者降 imgsz 到 128。也可以加--workers 2减少数据加载进程。

5.5 导出 ONNX 后推理结果和 PyTorch 不一致

现象：PyTorch 预测对的图，ONNX 预测错。原因：预处理不一致，比如归一化参数不同。解决：确认导出和推理时用的 mean、std 一致，YOLOV5 默认是 0.485/0.456/0.406 和 0.229/0.224/0.225。

6. 进阶技巧：用混淆矩阵和 TTA 把 5 种花分类精度再提一档

训练跑通只是第一步，真正要上线还得看哪些类别容易混。YOLOV5 分类的val.py会输出混淆矩阵，我一般会重点看非对角线上的数字。比如玫瑰和郁金香如果经常互认，说明这两个类特征太近，要么加数据，要么在预处理里做针对性增强。

一个具体技巧是开启 TTA（测试时增强）。推理时对同一张图做多次变换再平均结果，能提升 1 到 3 个点。命令：

python classify/predict.py \ --weights runs/flower_cls/exp1/weights/best.pt \ --source ../test_flower.jpg \ --imgsz 224 \ --augment

逻辑说明：--augment会做翻转、缩放等变换后综合预测。参数说明：TTA 会增加推理时间，边缘设备上慎用，服务器端可以开。

另一个习惯是每次训练完把混淆矩阵截图存下来，对比不同 epoch 的矩阵变化。如果某个类别一直拖后腿，单独把它拎出来看图片，往往是那类图质量差或数量少。我踩过的最大坑是郁金香图片里混了几张玫瑰，导致模型学歪，清理数据后精度直接涨了 8 个点。数据质量永远比调参重要，希望帮到你。

本文还有配套的精品资源，点击获取