YOLOv5（三）：Jupyter

• tutorial.ipynb

这份 JSON 内容是 YOLOv5 v6.1 官方教程的 Jupyter Notebook 完整结构，包含环境配置、推理、验证、训练、可视化等核心流程，以下是按逻辑整理的解析：

一、文档基础信息

• 类型：YOLOv5 官方教程（Jupyter Notebook），适配 Google Colab 环境（含 GPU 加速配置）。

• 版本：基于 YOLOv5 v6.0-48-g84a8099，依赖 PyTorch≥1.7，支持 CUDA 加速。

• 许可证：GPL-3.0，官方维护方为 Ultralytics。

二、核心内容解析

1. 环境搭建（Setup）

• 目标：克隆仓库、安装依赖、验证环境（PyTorch 与 GPU 可用性）。

• 关键操作：

  !git clone https://github.com/ultralytics/yolov5 # 克隆仓库

  %cd yolov5

  %pip install -qr requirements.txt # 安装依赖（含PyTorch、OpenCV等）

• 环境检查 ：通过utils.notebook_init()验证 GPU 是否可用（输出显示CUDA:0及显存信息，如Tesla V100-SXM2-16GB）。

2. 推理（Inference）

• 功能 ：使用预训练模型对图像、视频等数据源进行目标检测，结果保存至runs/detect。

• 支持的输入源 ：摄像头（0）、本地图像（img.jpg）、视频（vid.mp4）、目录（path/）、YouTube 链接、RTSP 流等。

• 示例代码：

  !python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images

• --weights：模型权重（yolov5s.pt为轻量模型）；

• --img：输入图像尺寸（640x640）；

• --conf：置信度阈值（0.25）；

• --source：输入数据源（data/images含示例图像 zidane.jpg、bus.jpg）。

• 输出结果 ：检测到的目标类别（如 "person""bus""tie"）、置信度及坐标，图像保存至runs/detect/exp。

3. 模型验证（Validate）

• 目标：在标准数据集（如 COCO）上评估模型精度（mAP 等指标）。

  • COCO val 验证：

    • 下载 COCO val 2017 数据集（5000 张图像）：

    torch.hub.download_url_to_file('https://ultralytics.com/assets/coco2017val.zip', 'tmp.zip')

    !unzip -q tmp.zip -d ../datasets && rm tmp.zip

• 用yolov5x.pt（大型模型）验证：

  !python val.py --weights yolov5x.pt --data coco.yaml --img 640 --iou 0.65 --half

• 输出指标：mAP@0.5（0.689）、mAP@0.5:0.95（0.507），以及不同尺寸目标（小 / 中 / 大）的精度。

• COCO test 验证：

  • 下载 COCO test2017 数据集（40000 张图像），生成符合评估服务器格式的*.json结果文件，用于提交至 COCO 官方评估平台。

4. 模型训练（Train）

• 目标：在自定义或标准数据集上训练模型，支持预训练权重微调或从头训练。

• 关键参数：

  • --data：数据集配置文件（如coco128.yaml，含 128 张 COCO 子集）；

  • --weights：预训练权重（yolov5s.pt）或从头训练（''）；

  • --epochs：训练轮次；

  • --batch：批处理大小；

  • --img：输入图像尺寸。

• 示例代码（COCO128 数据集训练 3 轮）：

  !python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt --cache

• 训练结果 ：保存至runs/train/exp，含权重文件（last.pt/best.pt）、训练日志、混淆矩阵等。

• 辅助工具：

  • Tensorboard：实时可视化损失、精度曲线（%tensorboard --logdir runs/train）；

  • Weights & Biases（W&B）：云端日志记录与团队协作（需pip install wandb）。

5. 可视化（Visualize）

• W&B 日志：实时查看训练过程（损失、学习率、mAP）、样本预测结果，支持生成报告分享。

• 本地日志：

  • 训练批次图像（train_batch0.jpg）：展示 4 张图像拼接的 "马赛克" 数据增强效果；

  • 验证标签与预测（test_batch0_labels.jpg/test_batch0_pred.jpg）：对比真实标签与模型预测；

  • 结果曲线（results.png）：由results.csv生成，包含训练 / 验证损失、mAP 等指标趋势。

6. 支持环境（Environments）

• 兼容平台：Google Colab/Kaggle（免费 GPU）、Google Cloud Deep Learning VM、Amazon Deep Learning AMI、Docker 镜像（ultralytics/yolov5）。

7. 附录（Appendix）

• 功能扩展：

  • 模型重现性验证：对比不同模型（yolov5n/s/m/l/x）的速度与精度；

  • PyTorch Hub 调用：通过torch.hub.load快速加载模型推理；

  • CI 测试：验证训练、验证、推理、导出功能在多系统（MacOS/Windows/Ubuntu）的兼容性；

  • 模型导出：支持 TensorRT、ONNX 等格式（如export.py`` --include engine）；

  • 超参数进化（Evolve）：自动优化超参数提升性能；

  • VOC 数据集训练：适配经典目标检测数据集。

总结

该教程完整覆盖了 YOLOv5 v6.1 的核心流程：从环境搭建到推理、验证、训练，再到结果可视化，同时提供了扩展功能（如自定义数据训练、模型导出）的示例，适合新手快速入门目标检测任务。

（注：文档部分内容可能由 AI 生成）