1. 环境准备从零搭建YOLO训练基地第一次接触YOLO训练的朋友可能会被复杂的依赖环境吓到其实只要按步骤操作半小时就能搞定。我去年给工厂做零件缺陷检测系统时曾经在五台不同配置的机器上反复搭建环境总结出了这套通用流程。1.1 显卡驱动与CUDA安装先检查你的显卡是否支持CUDA这是GPU加速的关键。在cmd里输入nvidia-smi如果看到类似下面的输出说明驱动已安装----------------------------------------------------------------------------- | NVIDIA-SMI 535.86.05 Driver Version: 535.86.05 CUDA Version: 12.2 | |---------------------------------------------------------------------------重点看右上角的CUDA Version这表示当前驱动支持的最高CUDA版本。如果报错先去 NVIDIA官网 下载最新驱动。CUDA Toolkit安装有个坑要注意不是版本越新越好必须和PyTorch支持的版本匹配。比如PyTorch 2.0最高只支持CUDA 11.7你装12.x就会出问题。建议到 PyTorch官网 查看推荐版本。安装CUDA时记得勾选CUDA ToolkitCUDA Samples用于验证开发组件VS集成1.2 cuDNN配置技巧下载cuDNN需要注册NVIDIA账号建议选择与CUDA对应的版本。解压后把bin、include、lib三个文件夹的内容复制到CUDA安装目录默认在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7。验证是否成功运行C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\extras\demo_suite下的bandwidthTest.exe和deviceQuery.exe看到Result PASS就OK。1.3 Conda环境管理用conda创建独立环境能避免包冲突。我习惯用Python 3.8因为某些库对新版本支持不好conda create -n yolo python3.8 conda activate yolo安装PyTorch时一定要用官网生成的命令。比如对于CUDA 11.7conda install pytorch torchvision torchaudio pytorch-cuda11.7 -c pytorch -c nvidia验证GPU是否可用import torch print(torch.cuda.is_available()) # 应该输出True print(torch.rand(2,3).cuda()) # 应该显示tensor在GPU上2. YOLO项目配置实战2.1 源码获取与IDE配置推荐直接从Ultralytics的GitHub仓库克隆最新代码git clone https://github.com/ultralytics/yolov5 cd yolov5用PyCharm打开项目后记得设置解释器为conda环境。有个常见问题PyCharm可能找不到conda这时需要手动指定conda.exe路径一般在Anaconda3/Scripts/conda.exe。2.2 依赖安装避坑指南requirements.txt里有些包需要特殊处理注释掉torch相关行因为前面已经单独安装了GPU版opencv-python可能会报错改用pip install opencv-python-headless国内用户建议换源加速pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/2.3 快速验证环境运行detect.py测试预训练模型python detect.py --weights yolov5s.pt --source data/images/bus.jpg如果看到runs/detect/exp目录下生成带检测框的图片说明环境配置成功。第一次运行会自动下载yolov5s.pt模型约14MB。3. 数据集制作与训练技巧3.1 数据标注规范推荐用LabelImg或CVAT进行标注保存为YOLO格式的txt文件每行格式class_id x_center y_center width height坐标都是相对图像宽高的比例值0-1之间。目录结构建议这样组织dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/3.2 数据增强策略修改data/hyps/hyp.scratch-low.yaml可以调整增强参数hsv_h: 0.015 # 色调变化幅度 hsv_s: 0.7 # 饱和度变化幅度 flipud: 0.0 # 上下翻转概率 mosaic: 1.0 # 马赛克增强概率对于小样本数据集1000张建议调高mosaic概率启用mixup增强增加旋转角度范围3.3 训练参数调优关键参数在train.py的parse_opt()函数中parser.add_argument(--epochs, typeint, default300) parser.add_argument(--batch-size, typeint, default16) parser.add_argument(--imgsz, --img, typeint, default640)根据显卡显存调整batch-size8GB显存batch8-1216GB显存batch16-32启动训练python train.py --data coco128.yaml --cfg yolov5s.yaml --weights --batch-size 164. 模型导出与部署4.1 导出ONNX格式python export.py --weights runs/train/exp/weights/best.pt --include onnx遇到opset版本问题可以指定版本python export.py --weights best.pt --include onnx --opset 124.2 TensorRT加速先用onnx2trt转换trtexec --onnxbest.onnx --saveEnginebest.engine --fp16在Python中调用import tensorrt as trt with open(best.engine, rb) as f: runtime trt.Runtime(trt.Logger(trt.Logger.WARNING)) engine runtime.deserialize_cuda_engine(f.read())4.3 常见部署问题问题1ONNX推理结果与原模型不一致检查export时的imgsz是否和训练一致确认预处理归一化参数是否相同问题2TensorRT性能反而下降尝试禁用fp16模式调整workspace大小问题3边缘设备部署内存不足使用--dynamic参数导出动态尺寸模型量化成INT8格式记得训练完成后用val.py验证模型性能python val.py --weights best.pt --data coco128.yaml --img 640最后分享一个实用技巧用--exist-ok参数可以避免每次训练生成新exp目录。我在调试阶段会这样写python train.py --exist-ok --name defect_detect