简介这是基于YOLO深度学习的目标检测项目聚焦行人检测场景适合毕业设计、课程设计与人工智能实战入门。项目从模型预测、锚框生成到检测接口提供完整代码能够应对智能监控、自动驾驶等对实时性要求较高的应用。压缩包共24个文件大小约261KB包含6个Python源脚本、9个编译缓存、3个文本配置、3张测试图片、1个Shell执行脚本及说明文档其中Python脚本覆盖预测、锚框生成、接口封装、工具函数与参数配置等核心环节文本配置提供类别与锚框数据图片和脚本配合可快速体验检测效果。已有85人学习。借助该包学习者可系统梳理YOLO算法流程预测脚本可加载预训练模型完成行人框输出锚框生成模块帮助理解先验框设计检测接口便于二次调用配置与工具函数支持参数调整和图像处理。适合作为计算机视觉课题的实战参考也可作为毕业设计或课程设计的代码底座。1. 基于 YOLO 的行人检测这个毕设资源到底能不能直接用不管你是做毕业设计、课程设计还是想快速上手深度学习目标检测YOLO 这三个字母大概率已经在你搜索框里出现过无数次了。行人检测作为目标检测里最经典也最难落地的场景之一恰好是 YOLO 系列最能体现优势的试金石——它既要处理小目标、遮挡、密集人群这类现实问题又要兼顾实时性比单纯在 VOC 或 COCO 上跑个 mAP 数字要接地气得多。这份「基于 YOLO 的行人检测」资源本质上是用 YOLO 完成从数据集准备、模型训练到视频/图片检测输出的完整工程闭环。适合三类人第一是毕设选题涉及目标检测的学生第二是想在课程项目中快速出一个可演示成果的开发者第三是刚入门深度学习、想知道 YOLO 从配置到训练完整流程的实操派。这篇笔记会直接拆解这个资源的使用路径告诉你每一步怎么做、参数怎么调、哪些坑是必踩的。2. YOLO 行人检测的核心逻辑为什么选择 YOLO 而不是更早的检测方案2.1 从两阶段到单阶段YOLO 凭什么胜出行人检测不是新话题。在 YOLO 出现之前Faster R-CNN 这类两阶段检测器是主流先由 RPN 生成候选区域再对每个候选区域做分类和回归。精度确实能打但速度在 CPU 上基本是幻灯片级别在普通 GPU 上也就几 FPS。对于行人检测这种需要应对视频流、监控画面的场景实时性几乎是刚需。YOLO 把检测重构为一个回归问题把输入图像划分成 S×S 的网格每个网格负责预测 B 个边界框、置信度和 C 个类别概率一次前向传播同时输出所有结果。这就是单阶段检测器的典型思路速度比两阶段快一个数量级。放到行人检测里YOLO 的默认推理速度在 GPU 上能跑到 30 FPS 以上而 Faster R-CNN 通常只有 5~10 FPS这个差距直接决定了方案是否可用。提示如果你的场景是「离线处理一批图片、精度优先速度无所谓」两阶段检测器仍然有优势。但毕设演示和绝大多数实际应用都要求实时反馈YOLO 是更稳妥的选择。2.2 YOLOv5 还是 YOLOv8这个资源大概率用的是哪套从资源的工程属性看它更可能基于 YOLOv5 的框架搭建。原因很直接YOLOv5 的生态最成熟GitHub 上星最多教程和踩坑记录最全对新手最友好的是它有一整套训练、验证、导出的命令行工具几乎不需要改源码就能完成整个流程。YOLOv8 虽然新一些但很多毕设和课程设计项目为了保证稳定性和查资料方便仍然会选 v5。无论具体是哪个版本核心逻辑是相通的。YOLO 的结构可以拆成三块Backbone 负责提取特征常见的是 CSPDarknet 系列Neck 负责特征融合PANet 或 FPN 结构把不同尺度的特征图结合起来保证小目标也能被检测到Head 负责最终输出分类分支和回归分支从特征图上预测结果。参数层面有几个关键值会直接影响行人检测效果输入分辨率训练时默认 640×640行人这种目标不算极小640 够用。想提升小目标召回率可以调到 768 或 1024但显存占用会明显上升。batch size8 或 16 比较常见。显存不够就减半不要硬撑。epoch行人检测数据集一般不像 COCO 那么大300~500 个 epoch 足够收敛。早停法和学习率衰减策略配合使用最稳。2.3 模型损失函数怎么影响行人检测YOLO 的损失函数由三部分组成分类损失、定位损失和置信度损失。分类损失常用 BCEWithLogits定位损失在 v5 里是 CIoU在 v8 里是 DFL 和 CIoU 的组合。这些看起来是公式层面的东西但实际训练时直接决定模型能不能收敛、边界框贴得准不准。以 CIoU 为例它比原始 IoU 多了中心点距离和宽高比的惩罚项行人这种目标姿态变化大、宽高比变化也大如果用普通 IoU 损失边界框容易出现偏移。训练过程中如果 loss 曲线出现震荡优先检查学习率是不是太大或者 backbone 的预训练权重有没有加载成功。3. 环境搭建与数据集准备从零开始跑通一个可复现的检测流程3.1 环境配置清单与版本组合拿到这个资源包第一件事不是直接跑训练而是先把环境复现出来。YOLO 对 Python 和 PyTorch 的版本组合比较敏感我自己习惯的一套组合是系统Ubuntu 20.04 或 Windows 10/11Python3.8 或 3.9PyTorch1.10~2.0 之间的版本CUDA11.3 或 11.8cuDNN对应 CUDA 版本即可conda create -n yolodet python3.9 -y conda activate yolodet pip install torch1.13.1 torchvision0.14.1 --index-url https://download.pytorch.org/whl/cu117 pip install -r requirements.txt这里有几处需要注意。requirements.txt 里的核心依赖一般包括 opencv-python、numpy、matplotlib、seaborn、pandas、tqdm。安装完以后必须确认 torch.cuda.is_available() 返回 True这一步如果没验证就往下走后面训练时才发现用的是 CPU整个流程会慢几十倍。常见做法是最简单的一行验证import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))如果把第二行输出的是 False别挣扎去查 CUDA 驱动版本和 PyTorch 的 cu 版本是否匹配。NVIDIA 驱动支持向下兼容但 PyTorch 和 CUDA 版本不对齐是环境问题里出现频率最高的。3.2 行人检测数据集怎么准备labelImg 标注到 YOLO 格式行人检测数据集有两种走法一种是用现成的公开数据集比如 VOC 里的 person 类别、COCO 里的 person 类别或者专门的行人数据集 INRIA Person、Caltech Pedestrian另一种是自建数据集用 labelImg 手动标注。如果资源包里带了数据集直接按目录结构放好就行。如果要自己标注YOLO 格式的标注文件是每个图片对应一个同名 .txt 文件格式是class_id x_center y_center width height归一化到 0~1 之间。以一张 1920×1080 的图为例如果一个行人边界框左上角是 (960, 270)右下角是 (1440, 810)那换算公式是x_center (960 1440) / 2 / 1920 0.625 y_center (270 810) / 2 / 1080 0.5 width (1440 - 960) / 1920 0.25 height (810 - 270) / 1080 0.5对应标注文件内容就是0 0.625 0.5 0.25 0.5。数据集的目录结构一般是dataset/ images/ train/ val/ labels/ train/ val/这是 YOLO 约定俗成的组织方式训练脚本读取数据时也是按这个逻辑找文件。注意 images 和 labels 下的子目录名要完全一致否则训练时容易出现找不到标注文件的报错。最常见的翻车点就是训练集图片在 images/train 里标注文件却放在了 labels/val 里路径对不上模型会静默忽略没有标注的图片导致训练的样本量远少于预期。3.3 数据配置与超参数文件怎么改训练开始前需要修改数据配置文件通常是一个 .yaml 文件train: dataset/images/train val: dataset/images/val nc: 1 names: [person]nc 代表类别数行人检测单类别就是 1names 是类别名列表。这里有一个隐含坑很多数据集里会把 person 以外的类别也标进去比如 COCO 里还有自行车、汽车。如果你的任务只检测行人有两种处理方式。一是过滤出只含 person 标签的数据二是把 nc 改成 80 保留全类别推理时只看 person 这一类的输出。毕设场景为了演示效果突出一般选第一种比较合适。超参数文件里可以调整的参数包括学习率 lr0、动量 momentum、权重衰减 weight_decay、增强参数 hsv_h、hsv_s、hsv_v 这些。默认配置对行人检测已经够用新手不需要大改。比较值得动的是图片尺寸和 batch size# hyp.yaml 中值得关注的几个参数 lr0: 0.01 # 初始学习率batch size 增大时可适当降低 momentum: 0.937 weight_decay: 0.0005 hsv_h: 0.015 # 色调增强幅度行人检测环境下不需要太大4. 训练与推理实践从命令行到自定义检测脚本的完整闭环4.1 训练启动命令与监控指标训练是整套流程里最容易出状况的环节。启动命令取决于资源附带的框架版本YOLOv5 系通常是python train.py --data person.yaml --weights yolov5s.pt --img 640 --batch-size 16 --epochs 300yolov5s.pt 是官方预训练权重。这里有个关键决策要不要从预训练权重开始训。常见的做法是加载 COCO 上的预训练权重做迁移学习这样模型已经具备通用的特征提取能力在行人检测小数据集上收敛会快很多。COCO 里本身就有 person 类所以迁移学习的效果比其他类别更明显。训练过程中应该盯住三个指标box_loss、obj_loss、cls_loss以及验证集上的 mAP50。用权重文件目录下的 results.png 可以直观看到这些指标的变化趋势。如果 box_loss 一直在降而 mAP 上不去多半是过拟合了可以试试加大数据增强、增加 dropout 或减少训练轮数。4.2 加载模型做行人检测推理训练完成后会得到 best.pt 和 last.ptbest.pt 是验证集表现最好的权重。推理可以直接用官方脚本python detect.py --weights best.pt --source test.jpg --conf-thres 0.5这段命令的意思是用 best.pt 权重、置信度阈值 0.5 对 test.jpg 做检测。实际运行时这个置信度阈值是需要根据场景调整的。行人检测有个现实问题监控场景下行人小、模糊、遮挡多阈值设得太高会漏检设得太低会误检。我自己一般先把阈值放到 0.25 观察输出再根据漏检和误检的比例找到最优值。如果要写自定义推理脚本基本流程是加载模型、预处理图像、前向推理、后处理输出import torch import cv2 from models.common import DetectMultiBackend from utils.augmentations import letterbox # 加载权重device 指定 0 表示第一块 GPU model DetectMultiBackend(best.pt, devicecuda:0) # 读取图片并缩放到模型输入尺寸 img0 cv2.imread(street.jpg) img letterbox(img0, 640, stride32, autoTrue)[0] img img.transpose((2, 0, 1))[::-1] img np.ascontiguousarray(img) # 前向推理不需要计算梯度 with torch.no_grad(): pred model(img, augmentFalse, visualizeFalse) # pred 是原始预测结果需要做 NMS 和置信度过滤 from utils.general import non_max_suppression pred non_max_suppression(pred, conf_thres0.5, iou_thres0.45, classes[0])这段代码里letterbox 是 YOLO 系列标准的图片预处理方式保持宽高比不变的前提下把图片缩放到 640×640多余部分填充灰色。transpose 那行是把 HWC 转成 CHW[::-1] 是把 BGR 转成 RGB这两个细节顺序反了会导致检测结果全乱。最后 non_max_suppression 的 classes[0] 表示只保留 person 类的输出。4.3 从图片到视频流实时行人检测的改造如果要拿视频做演示官方 detect.py 也支持视频文件输入只需要把 --source 换成视频路径。但如果要做摄像头实时检测最好自己写一个小循环cap cv2.VideoCapture(0) while True: ret, frame cap.read() if not ret: break # 对每帧做一次和图片相同的预处理和推理 # 把检测框画到 frame 上 # cv2.imshow 显示结果每帧推理一次意味着你要严格控制处理速度。YOLOv5s 在 GTX 1080 上单帧推理大约 15~20ms加上预处理和后处理整条流水线能做到 30 FPS 左右。如果达不到优先检查输入分辨率是不是超过 640以及是否开了太多的数据增强。5. 避坑与常见问题排查训练翻车和检测失效的 5 个高发点5.1 CUDA 不可用训练慢到怀疑人生现象是训练时控制台输出一直显示 devicecpu或者显存占用为 0一个 epoch 要跑十几分钟。原因是 PyTorch 版本和 CUDA 版本不匹配最常见的是用 pip 安装了 CPU 版本的 PyTorch。解决方法是先卸载重装安装时明确指定 cu117 或 cu118 后缀安装完必须跑 torch.cuda.is_available() 验证。5.2 训练 loss 变成 nan现象是训练到某一步后 box_loss 突然变成 nan并且再也回不到正常值。原因通常是学习率太大导致梯度爆炸或者数据里有异常的标注文件比如坐标值超过 1 或等于负数。解决方法是先检查数据集里所有 .txt 标注文件确保每个数值都在 0~1 之间然后把 lr0 从默认值调低到 0.001 甚至 0.0001 重新训练。5.3 行人检测框严重偏移框偏大或偏小现象是模型能检测出行人位置但边界框要么包不住人要么把整个人和一大块背景全框进去。原因是标注质量和损失函数设置的问题。如果标注是手工画的框的精确度直接影响回归结果出现这种情况先抽查标注文件看看是否框太随意、宽高比失真。另外动量参数 momentum 偏低时边界框回归也容易抖动检查超参数是否被改过。5.4 视频检测卡顿FPS 极低现象是视频推理速度只有个位数 FPS画面肉眼可见的卡顿。原因可能是推理时没有关闭梯度计算代码里少了 torch.no_grad()导致每个 batch 都在做反向传播的准备工作也可能是输入分辨率调到了 1280 以上。解决方法是推理循环里务必用 with torch.no_grad() 包住前向传播同时检查 GPU 有没有被其他进程占用nvidia-smi 看一眼显存和利用率。5.5 检测结果全是误报行人没检测到倒是框了一堆背景现象是 conf_thres 设置得非常低时画面里的电线杆、路灯、树干都被当成行人框出来。原因是实时视频帧存在动态模糊和相机噪声低置信度阈值下背景区域也会产生较高的响应。解决方法是把 conf_thres 从 0.25 往上调到 0.4~0.5 区间同时配合 iou_thres NMS 阈值调整。还有一种有效手段是训练时增大背景样本的比例让模型见过更多负样本。提示这 5 个问题按出现频率排列前两个在训练阶段最多后三个在部署阶段最常见。遇到问题不要先改模型结构按「环境 → 数据 → 超参数 → 推理参数」的顺序排查效率最高。6. 进阶技巧用混淆矩阵定位行人检测的短板训练完成后weights 目录下会生成 confusion_matrix.png这是判断模型能力边界最重要的一张图。行人检测里你要重点关注的是两条线一是 person 类被误检成 background 的比例二是 background 被误检成 person 的比例。前者是漏检后者是误检。实际操作中我会做这样一件事训练结束后跑一遍测试集把所有置信度分数按区间统计。置信度在 0.3 以下的行人全部挑出来一张一张看图统计被漏检的目标是什么特征。最常见的规律是小尺度行人高度小于 50 像素、遮挡比例超过 50% 的行人、穿着和背景颜色高度相似的行人这三类是误检和漏检的重灾区。知道短板以后对策就很明确了——小目标问题可以通过调大输入分辨率改善遮挡问题需要更高质量的训练数据颜色相似问题可以用增强手段比如把训练集里的 HSV 饱和度抖动调大。从那以后我每次做行人检测项目都会强制走一遍「训练 → 看混淆矩阵 → 统计低置信度漏检样本 → 确定数据增强方向」这个流程而不是盲目堆训练轮数。数据质量上去了人才的归人才背景的归背景心里才有底。希望帮到你。本文还有配套的精品资源点击获取 基于YOLO的行人检测实战：环境搭建、训练调参与避坑指南
简介这是基于YOLO深度学习的目标检测项目聚焦行人检测场景适合毕业设计、课程设计与人工智能实战入门。项目从模型预测、锚框生成到检测接口提供完整代码能够应对智能监控、自动驾驶等对实时性要求较高的应用。压缩包共24个文件大小约261KB包含6个Python源脚本、9个编译缓存、3个文本配置、3张测试图片、1个Shell执行脚本及说明文档其中Python脚本覆盖预测、锚框生成、接口封装、工具函数与参数配置等核心环节文本配置提供类别与锚框数据图片和脚本配合可快速体验检测效果。已有85人学习。借助该包学习者可系统梳理YOLO算法流程预测脚本可加载预训练模型完成行人框输出锚框生成模块帮助理解先验框设计检测接口便于二次调用配置与工具函数支持参数调整和图像处理。适合作为计算机视觉课题的实战参考也可作为毕业设计或课程设计的代码底座。1. 基于 YOLO 的行人检测这个毕设资源到底能不能直接用不管你是做毕业设计、课程设计还是想快速上手深度学习目标检测YOLO 这三个字母大概率已经在你搜索框里出现过无数次了。行人检测作为目标检测里最经典也最难落地的场景之一恰好是 YOLO 系列最能体现优势的试金石——它既要处理小目标、遮挡、密集人群这类现实问题又要兼顾实时性比单纯在 VOC 或 COCO 上跑个 mAP 数字要接地气得多。这份「基于 YOLO 的行人检测」资源本质上是用 YOLO 完成从数据集准备、模型训练到视频/图片检测输出的完整工程闭环。适合三类人第一是毕设选题涉及目标检测的学生第二是想在课程项目中快速出一个可演示成果的开发者第三是刚入门深度学习、想知道 YOLO 从配置到训练完整流程的实操派。这篇笔记会直接拆解这个资源的使用路径告诉你每一步怎么做、参数怎么调、哪些坑是必踩的。2. YOLO 行人检测的核心逻辑为什么选择 YOLO 而不是更早的检测方案2.1 从两阶段到单阶段YOLO 凭什么胜出行人检测不是新话题。在 YOLO 出现之前Faster R-CNN 这类两阶段检测器是主流先由 RPN 生成候选区域再对每个候选区域做分类和回归。精度确实能打但速度在 CPU 上基本是幻灯片级别在普通 GPU 上也就几 FPS。对于行人检测这种需要应对视频流、监控画面的场景实时性几乎是刚需。YOLO 把检测重构为一个回归问题把输入图像划分成 S×S 的网格每个网格负责预测 B 个边界框、置信度和 C 个类别概率一次前向传播同时输出所有结果。这就是单阶段检测器的典型思路速度比两阶段快一个数量级。放到行人检测里YOLO 的默认推理速度在 GPU 上能跑到 30 FPS 以上而 Faster R-CNN 通常只有 5~10 FPS这个差距直接决定了方案是否可用。提示如果你的场景是「离线处理一批图片、精度优先速度无所谓」两阶段检测器仍然有优势。但毕设演示和绝大多数实际应用都要求实时反馈YOLO 是更稳妥的选择。2.2 YOLOv5 还是 YOLOv8这个资源大概率用的是哪套从资源的工程属性看它更可能基于 YOLOv5 的框架搭建。原因很直接YOLOv5 的生态最成熟GitHub 上星最多教程和踩坑记录最全对新手最友好的是它有一整套训练、验证、导出的命令行工具几乎不需要改源码就能完成整个流程。YOLOv8 虽然新一些但很多毕设和课程设计项目为了保证稳定性和查资料方便仍然会选 v5。无论具体是哪个版本核心逻辑是相通的。YOLO 的结构可以拆成三块Backbone 负责提取特征常见的是 CSPDarknet 系列Neck 负责特征融合PANet 或 FPN 结构把不同尺度的特征图结合起来保证小目标也能被检测到Head 负责最终输出分类分支和回归分支从特征图上预测结果。参数层面有几个关键值会直接影响行人检测效果输入分辨率训练时默认 640×640行人这种目标不算极小640 够用。想提升小目标召回率可以调到 768 或 1024但显存占用会明显上升。batch size8 或 16 比较常见。显存不够就减半不要硬撑。epoch行人检测数据集一般不像 COCO 那么大300~500 个 epoch 足够收敛。早停法和学习率衰减策略配合使用最稳。2.3 模型损失函数怎么影响行人检测YOLO 的损失函数由三部分组成分类损失、定位损失和置信度损失。分类损失常用 BCEWithLogits定位损失在 v5 里是 CIoU在 v8 里是 DFL 和 CIoU 的组合。这些看起来是公式层面的东西但实际训练时直接决定模型能不能收敛、边界框贴得准不准。以 CIoU 为例它比原始 IoU 多了中心点距离和宽高比的惩罚项行人这种目标姿态变化大、宽高比变化也大如果用普通 IoU 损失边界框容易出现偏移。训练过程中如果 loss 曲线出现震荡优先检查学习率是不是太大或者 backbone 的预训练权重有没有加载成功。3. 环境搭建与数据集准备从零开始跑通一个可复现的检测流程3.1 环境配置清单与版本组合拿到这个资源包第一件事不是直接跑训练而是先把环境复现出来。YOLO 对 Python 和 PyTorch 的版本组合比较敏感我自己习惯的一套组合是系统Ubuntu 20.04 或 Windows 10/11Python3.8 或 3.9PyTorch1.10~2.0 之间的版本CUDA11.3 或 11.8cuDNN对应 CUDA 版本即可conda create -n yolodet python3.9 -y conda activate yolodet pip install torch1.13.1 torchvision0.14.1 --index-url https://download.pytorch.org/whl/cu117 pip install -r requirements.txt这里有几处需要注意。requirements.txt 里的核心依赖一般包括 opencv-python、numpy、matplotlib、seaborn、pandas、tqdm。安装完以后必须确认 torch.cuda.is_available() 返回 True这一步如果没验证就往下走后面训练时才发现用的是 CPU整个流程会慢几十倍。常见做法是最简单的一行验证import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))如果把第二行输出的是 False别挣扎去查 CUDA 驱动版本和 PyTorch 的 cu 版本是否匹配。NVIDIA 驱动支持向下兼容但 PyTorch 和 CUDA 版本不对齐是环境问题里出现频率最高的。3.2 行人检测数据集怎么准备labelImg 标注到 YOLO 格式行人检测数据集有两种走法一种是用现成的公开数据集比如 VOC 里的 person 类别、COCO 里的 person 类别或者专门的行人数据集 INRIA Person、Caltech Pedestrian另一种是自建数据集用 labelImg 手动标注。如果资源包里带了数据集直接按目录结构放好就行。如果要自己标注YOLO 格式的标注文件是每个图片对应一个同名 .txt 文件格式是class_id x_center y_center width height归一化到 0~1 之间。以一张 1920×1080 的图为例如果一个行人边界框左上角是 (960, 270)右下角是 (1440, 810)那换算公式是x_center (960 1440) / 2 / 1920 0.625 y_center (270 810) / 2 / 1080 0.5 width (1440 - 960) / 1920 0.25 height (810 - 270) / 1080 0.5对应标注文件内容就是0 0.625 0.5 0.25 0.5。数据集的目录结构一般是dataset/ images/ train/ val/ labels/ train/ val/这是 YOLO 约定俗成的组织方式训练脚本读取数据时也是按这个逻辑找文件。注意 images 和 labels 下的子目录名要完全一致否则训练时容易出现找不到标注文件的报错。最常见的翻车点就是训练集图片在 images/train 里标注文件却放在了 labels/val 里路径对不上模型会静默忽略没有标注的图片导致训练的样本量远少于预期。3.3 数据配置与超参数文件怎么改训练开始前需要修改数据配置文件通常是一个 .yaml 文件train: dataset/images/train val: dataset/images/val nc: 1 names: [person]nc 代表类别数行人检测单类别就是 1names 是类别名列表。这里有一个隐含坑很多数据集里会把 person 以外的类别也标进去比如 COCO 里还有自行车、汽车。如果你的任务只检测行人有两种处理方式。一是过滤出只含 person 标签的数据二是把 nc 改成 80 保留全类别推理时只看 person 这一类的输出。毕设场景为了演示效果突出一般选第一种比较合适。超参数文件里可以调整的参数包括学习率 lr0、动量 momentum、权重衰减 weight_decay、增强参数 hsv_h、hsv_s、hsv_v 这些。默认配置对行人检测已经够用新手不需要大改。比较值得动的是图片尺寸和 batch size# hyp.yaml 中值得关注的几个参数 lr0: 0.01 # 初始学习率batch size 增大时可适当降低 momentum: 0.937 weight_decay: 0.0005 hsv_h: 0.015 # 色调增强幅度行人检测环境下不需要太大4. 训练与推理实践从命令行到自定义检测脚本的完整闭环4.1 训练启动命令与监控指标训练是整套流程里最容易出状况的环节。启动命令取决于资源附带的框架版本YOLOv5 系通常是python train.py --data person.yaml --weights yolov5s.pt --img 640 --batch-size 16 --epochs 300yolov5s.pt 是官方预训练权重。这里有个关键决策要不要从预训练权重开始训。常见的做法是加载 COCO 上的预训练权重做迁移学习这样模型已经具备通用的特征提取能力在行人检测小数据集上收敛会快很多。COCO 里本身就有 person 类所以迁移学习的效果比其他类别更明显。训练过程中应该盯住三个指标box_loss、obj_loss、cls_loss以及验证集上的 mAP50。用权重文件目录下的 results.png 可以直观看到这些指标的变化趋势。如果 box_loss 一直在降而 mAP 上不去多半是过拟合了可以试试加大数据增强、增加 dropout 或减少训练轮数。4.2 加载模型做行人检测推理训练完成后会得到 best.pt 和 last.ptbest.pt 是验证集表现最好的权重。推理可以直接用官方脚本python detect.py --weights best.pt --source test.jpg --conf-thres 0.5这段命令的意思是用 best.pt 权重、置信度阈值 0.5 对 test.jpg 做检测。实际运行时这个置信度阈值是需要根据场景调整的。行人检测有个现实问题监控场景下行人小、模糊、遮挡多阈值设得太高会漏检设得太低会误检。我自己一般先把阈值放到 0.25 观察输出再根据漏检和误检的比例找到最优值。如果要写自定义推理脚本基本流程是加载模型、预处理图像、前向推理、后处理输出import torch import cv2 from models.common import DetectMultiBackend from utils.augmentations import letterbox # 加载权重device 指定 0 表示第一块 GPU model DetectMultiBackend(best.pt, devicecuda:0) # 读取图片并缩放到模型输入尺寸 img0 cv2.imread(street.jpg) img letterbox(img0, 640, stride32, autoTrue)[0] img img.transpose((2, 0, 1))[::-1] img np.ascontiguousarray(img) # 前向推理不需要计算梯度 with torch.no_grad(): pred model(img, augmentFalse, visualizeFalse) # pred 是原始预测结果需要做 NMS 和置信度过滤 from utils.general import non_max_suppression pred non_max_suppression(pred, conf_thres0.5, iou_thres0.45, classes[0])这段代码里letterbox 是 YOLO 系列标准的图片预处理方式保持宽高比不变的前提下把图片缩放到 640×640多余部分填充灰色。transpose 那行是把 HWC 转成 CHW[::-1] 是把 BGR 转成 RGB这两个细节顺序反了会导致检测结果全乱。最后 non_max_suppression 的 classes[0] 表示只保留 person 类的输出。4.3 从图片到视频流实时行人检测的改造如果要拿视频做演示官方 detect.py 也支持视频文件输入只需要把 --source 换成视频路径。但如果要做摄像头实时检测最好自己写一个小循环cap cv2.VideoCapture(0) while True: ret, frame cap.read() if not ret: break # 对每帧做一次和图片相同的预处理和推理 # 把检测框画到 frame 上 # cv2.imshow 显示结果每帧推理一次意味着你要严格控制处理速度。YOLOv5s 在 GTX 1080 上单帧推理大约 15~20ms加上预处理和后处理整条流水线能做到 30 FPS 左右。如果达不到优先检查输入分辨率是不是超过 640以及是否开了太多的数据增强。5. 避坑与常见问题排查训练翻车和检测失效的 5 个高发点5.1 CUDA 不可用训练慢到怀疑人生现象是训练时控制台输出一直显示 devicecpu或者显存占用为 0一个 epoch 要跑十几分钟。原因是 PyTorch 版本和 CUDA 版本不匹配最常见的是用 pip 安装了 CPU 版本的 PyTorch。解决方法是先卸载重装安装时明确指定 cu117 或 cu118 后缀安装完必须跑 torch.cuda.is_available() 验证。5.2 训练 loss 变成 nan现象是训练到某一步后 box_loss 突然变成 nan并且再也回不到正常值。原因通常是学习率太大导致梯度爆炸或者数据里有异常的标注文件比如坐标值超过 1 或等于负数。解决方法是先检查数据集里所有 .txt 标注文件确保每个数值都在 0~1 之间然后把 lr0 从默认值调低到 0.001 甚至 0.0001 重新训练。5.3 行人检测框严重偏移框偏大或偏小现象是模型能检测出行人位置但边界框要么包不住人要么把整个人和一大块背景全框进去。原因是标注质量和损失函数设置的问题。如果标注是手工画的框的精确度直接影响回归结果出现这种情况先抽查标注文件看看是否框太随意、宽高比失真。另外动量参数 momentum 偏低时边界框回归也容易抖动检查超参数是否被改过。5.4 视频检测卡顿FPS 极低现象是视频推理速度只有个位数 FPS画面肉眼可见的卡顿。原因可能是推理时没有关闭梯度计算代码里少了 torch.no_grad()导致每个 batch 都在做反向传播的准备工作也可能是输入分辨率调到了 1280 以上。解决方法是推理循环里务必用 with torch.no_grad() 包住前向传播同时检查 GPU 有没有被其他进程占用nvidia-smi 看一眼显存和利用率。5.5 检测结果全是误报行人没检测到倒是框了一堆背景现象是 conf_thres 设置得非常低时画面里的电线杆、路灯、树干都被当成行人框出来。原因是实时视频帧存在动态模糊和相机噪声低置信度阈值下背景区域也会产生较高的响应。解决方法是把 conf_thres 从 0.25 往上调到 0.4~0.5 区间同时配合 iou_thres NMS 阈值调整。还有一种有效手段是训练时增大背景样本的比例让模型见过更多负样本。提示这 5 个问题按出现频率排列前两个在训练阶段最多后三个在部署阶段最常见。遇到问题不要先改模型结构按「环境 → 数据 → 超参数 → 推理参数」的顺序排查效率最高。6. 进阶技巧用混淆矩阵定位行人检测的短板训练完成后weights 目录下会生成 confusion_matrix.png这是判断模型能力边界最重要的一张图。行人检测里你要重点关注的是两条线一是 person 类被误检成 background 的比例二是 background 被误检成 person 的比例。前者是漏检后者是误检。实际操作中我会做这样一件事训练结束后跑一遍测试集把所有置信度分数按区间统计。置信度在 0.3 以下的行人全部挑出来一张一张看图统计被漏检的目标是什么特征。最常见的规律是小尺度行人高度小于 50 像素、遮挡比例超过 50% 的行人、穿着和背景颜色高度相似的行人这三类是误检和漏检的重灾区。知道短板以后对策就很明确了——小目标问题可以通过调大输入分辨率改善遮挡问题需要更高质量的训练数据颜色相似问题可以用增强手段比如把训练集里的 HSV 饱和度抖动调大。从那以后我每次做行人检测项目都会强制走一遍「训练 → 看混淆矩阵 → 统计低置信度漏检样本 → 确定数据增强方向」这个流程而不是盲目堆训练轮数。数据质量上去了人才的归人才背景的归背景心里才有底。希望帮到你。本文还有配套的精品资源点击获取